CN117607493A - 一种振动环境下风速风向仪校准方法及*** - Google Patents
一种振动环境下风速风向仪校准方法及*** Download PDFInfo
- Publication number
- CN117607493A CN117607493A CN202311135656.XA CN202311135656A CN117607493A CN 117607493 A CN117607493 A CN 117607493A CN 202311135656 A CN202311135656 A CN 202311135656A CN 117607493 A CN117607493 A CN 117607493A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- anemometer
- wind
- sensor
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000000611 regression analysis Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 108010066057 cabin-1 Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
- G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种振动环境下风速风向仪校准方法及***，属于风力发电技术领域。在原风速风向仪传感器所在区域设置新装风速风向仪传感器，并采集风速风向值基准值，对原风速风向仪传感器采集的风速风向测量值进行预处理；在原风速风向仪传感器所在区域的水平方向设置和垂直方向分别设置水平方向振动传感器和垂直方向振动传感器，分别采集水平方向和垂直方向的振动数据；分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型并对原风速风向仪传感器采集的风速风向测量值进行实时在线校准。本发明能够确保风电机组风速风向数据的准确度，优化发电效率和稳定性，提高风电运维的安全性。
Description
技术领域
本发明属于风力发电技术领域，具体涉及一种振动环境下风速风向仪校准方法及***。
背景技术
风速风向仪所测得的风速风向是风电机组发电效率和稳定性的关键参数之一。随着风电机组不断朝着叶片尺寸更长、单机功率更大的方向发展，对风速风向数据的准确度要求越来越高。这些数据被用于调整叶片角度和叶轮对风方向，使风机朝向最有利的风向，以最大程度地利用风能，提高发电效率。
然而，风速风向仪长期在较为恶劣的环境因素下运行，如灰尘和油滴的积聚、长期旋转导致零部件磨损严重及连接松动、低温结冰等，可能导致测量误差增加，造成测量结果的失准甚至失效，从而严重影响了机组的发电效率。其中，振动因素是导致风速风向仪失准失效的较为常见原因。
在早期投运的风机中，风速风向仪主要采用机械式与超声波式，随着运行年数的增加，其测量结果逐渐失准。虽然更换新的风速风向仪可以显著提高测量结果的准确性，但成本较高；传统的静态校准方法需要复杂的仪器和设备，增加了校准过程的成本和复杂性，缺乏自动化和实时性，导致校准效率较低，不适应大规模仪器校准的需求。
发明内容
为了解决上述现有技术中存在的缺陷，本发明的目的在于提供一种振动环境下风速风向仪校准方法及***，引入振动监测和自动化校准，以实现在真实振动环境下对风速风向仪进行高精度、高效率的校准，提高校准的可靠性；确保风电机组风速风向数据的准确度，优化风电场的发电效率和稳定性，提高风电运维的安全性。
本发明是通过以下技术方案来实现：
本发明公开的一种振动环境下风速风向仪校准方法，包括：
S1：在原风速风向仪传感器所在区域设置新装风速风向仪传感器，利用新装风速风向仪传感器采集的风速风向值基准值，对原风速风向仪传感器采集的风速风向测量值进行预处理；
S2：在原风速风向仪传感器所在区域的水平方向设置水平方向振动传感器，垂直方向设置垂直方向振动传感器，分别采集水平方向和垂直方向的振动数据；
S3：利用S1得到的预处理后的风速风向测量值和S2得到的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型；
S4：利用S3得到的校准关系模型对原风速风向仪传感器采集的风速风向测量值进行实时在线校准。
优选地，S1中，新装风速风向仪传感器与原风速风向仪传感器的型号相同。
优选地，S1中，所述预处理包括对采集的风速风向值进行数据清洗和异常值去除。
优选地，S2中，水平方向的振动数据包括横摇幅度和横摇频率；垂直方向的振动数据纵摇幅度和纵摇频率。
进一步优选地，S3中，风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系表示为：
式中，f为振动频率(Hz)，A为振幅(m/s2)，V为风速(m/s)，θ为风向(°)，VC为校准后的风速值(m/s)，θC为校准后的风向值(°)；
f(V,f,A)为风速的校准函数，g(θ,f,A)为风向的校准函数；振动频率f为横摇频率与纵摇频率的均值，振幅A为横摇振幅与纵摇振幅的平均值。
进一步优选地，若风速风向校准前后满足多项式拟合关系，则风速风向校准关系表示为：
式中，k1、k2、k3、k4为校准系数，由风速风向测量值与风速风向基准值拟合分析确定。
进一步优选地，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型具体为：基于BP神经网络建立输入数据与目标输出之间的映射关系模型，输入数据为风速风向测量值、纵摇幅度、纵摇频率、横摇幅度和横摇频率，目标输出为风速风向基准值；将S1得到的风速风向测量值和风速风向值基准值、S2得到的纵摇幅度、纵摇频率、横摇幅度和横摇频率划分为训练集和测试集，利用训练集建立风速风向校准关系模型，利用测试集检验建立的风速风向校准关系模型的预测精度。
进一步优选地，训练集中的数据占比为80％，测试集中的数据占比为20％。
进一步优选地，所述校准关系模型建立后，对所述校准关系模型的参数进行优化，具体为：通过调节BP神经网络的可调参数隐含层节点个数与神经元个数，不断训练和测试建立的风速风向校准关系模型，逐步提高模型的预测精度，其中BP神经网络的主要可调参数包括隐含层节点个数与神经元个数，神经元个数可以采用循环遍历的方法依次选取10、15、20……，隐含层节点个数满足如下公式：
式中，h表示隐含层节点数目，m表示输入层节点数目，n表示输出层节点数目，a为1～10之间的调节常数。
本发明公开的一种振动环境下风速风向仪校准***，包括新装风速风向仪传感器、水平方向振动传感器、垂直方向振动传感器、风速风向测量值预处理模块、校准关系模型建立模块和在线校准模块；新装风速风向仪传感器设在风电机舱顶部原风速风向仪传感器所在区域，水平方向振动传感器设在原风速风向仪传感器所在区域的水平方向上，垂直方向振动传感器设在原风速风向仪传感器所在区域的垂直方向上；
风速风向测量值预处理模块，利用新装风速风向仪传感器采集的风速风向值基准值，对原风速风向仪传感器采集的风速风向测量值进行预处理；
校准关系模型建立模块，利用预处理后的风速风向测量值和水平方向振动传感器及垂直方向振动传感器采集的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型；
在线校准模块，利用校准关系模型对原风速风向仪传感器采集的风速风向测量值进行实时在线校准。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开的振动环境下风速风向仪校准方法，引入振动监测和自动化校准，以实现在真实振动环境下对风速风向仪进行高精度、高效率的校准。通过精确测量风速风向仪的振动频率、幅值和方向，量化了振动因素对风速风向仪测量结果的影响程度，从而提高校准的可靠性。本方法简单易行，通过采集风速风向仪测量数据和振动数据进行风速风向校准，避免了不必要的登塔检修，降低了风电场的运维成本。同时，本方法具有实时监测和调整的优点，通过实时连接到风电控制***，实现对风电机组的实时监测和调整，提高发电效率和运维安全。本方法还能够实现高精度校准，通过校准算法优化和自动化校准流程，实现对风速风向仪的高精度校准，提高测量准确性和稳定性。
本发明公开的振动环境下风速风向仪校准***，构建简单，能够与现有的风机控制监测***良好地兼容，具有良好的应用前景。
附图说明
图1为本发明的方法流程示意图；
图2为本发明风速风向仪传感器与振动传感器布置示意图；
图3为本发明***构成图。
图中：1为风电机舱，2为原风速风向仪传感器，3为新装风速风向仪传感器，4为水平方向振动传感器，5为垂直方向振动传感器。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
如图1，本发明的振动环境下风速风向仪校准方法包括：
S1：在原风速风向仪传感器2所在区域设置新装风速风向仪传感器3，利用新装风速风向仪传感器3采集的风速风向值基准值，对原风速风向仪传感器2采集的风速风向测量值进行预处理。
新装风速风向仪传感器3为新出厂的，且与原风速风向仪传感器2的型号相同。所述预处理包括对采集的风速风向值进行数据清洗和异常值去除，以获得更准确、稳定的实际风速风向数据。
新装风速风向仪传感器3仅在测试采集数据期间保留新加装的风速风向仪，待测试结束后拆卸掉新加装的风速风向仪，用于下一台风电机组风速风向的校准。
S2：在原风速风向仪传感器2所在区域的水平方向设置水平方向振动传感器4，垂直方向设置垂直方向振动传感器5，分别采集水平方向和垂直方向的振动数据。
水平方向的振动数据包括横摇幅度和横摇频率；垂直方向的振动数据纵摇幅度和纵摇频率。
S3：利用S1得到的预处理后的风速风向测量值和S2得到的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型。
风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系表示为：
式中，f为振动频率(Hz)，A为振幅(m/s2)，V为风速(m/s)，θ为风向(°)，VC为校准后的风速值(m/s)，θC为校准后的风向值(°)；
f(V,f,A)为风速的校准函数，g(θ,f,A)为风向的校准函数；振动频率f为横摇频率与纵摇频率的均值，振幅A为横摇振幅与纵摇振幅的平均值。
若风速风向校准前后满足多项式拟合关系，则风速风向校准关系表示为：
式中，k1、k2、k3、k4为校准系数，由风速风向测量值与风速风向基准值拟合分析确定。
建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型具体为：基于BP神经网络建立输入数据与目标输出之间的映射关系模型，输入数据为风速风向测量值、纵摇幅度、纵摇频率、横摇幅度和横摇频率，目标输出为风速风向基准值；将S1得到的风速风向测量值和风速风向值基准值、S2得到的纵摇幅度、纵摇频率、横摇幅度和横摇频率划分为训练集和测试集，利用训练集建立风速风向校准关系模型，利用测试集检验建立的风速风向校准关系模型的预测精度。
训练集中的数据占比为80％，测试集中的数据占比为20％。
所述校准关系模型建立后，对所述校准关系模型的参数进行优化，具体为：通过调节BP神经网络的可调参数隐含层节点个数与神经元个数，不断训练和测试建立的风速风向校准关系模型，逐步提高模型的预测精度，其中BP神经网络的主要可调参数包括隐含层节点个数与神经元个数，神经元个数可以采用循环遍历的方法依次选取10、15、20……，隐含层节点个数满足如下公式：
式中，h表示隐含层节点数目，m表示输入层节点数目，n表示输出层节点数目，a为1～10之间的调节常数。
S4：利用S3得到的校准关系模型对原风速风向仪传感器2采集的风速风向测量值进行实时在线校准。
在实际应用中，将上述方法集成到风电控制***实现风速风向的实时在线校准，在人机交互终端界面可将风速风向校准后的结果进行显示，指导风电机组根据修正后的风速风向基准值进行变桨、偏航、安全链控制等操作，有效提高了风电机组的发电效率和运维安全性。
如图2和图3，本发明的振动环境下风速风向仪校准***，包括新装风速风向仪传感器3、水平方向振动传感器4、垂直方向振动传感器5、风速风向测量值预处理模块、校准关系模型建立模块和在线校准模块；新装风速风向仪传感器3设在风电机舱1顶部原风速风向仪传感器2所在区域，水平方向振动传感器4设在原风速风向仪传感器2所在区域的水平方向上，垂直方向振动传感器5设在原风速风向仪传感器2所在区域的垂直方向上；
风速风向测量值预处理模块，利用新装风速风向仪传感器3采集的风速风向值基准值，对原风速风向仪传感器2采集的风速风向测量值进行预处理；
校准关系模型建立模块，利用预处理后的风速风向测量值和水平方向振动传感器4及垂直方向振动传感器5采集的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型；
在线校准模块，利用校准关系模型对原风速风向仪传感器2采集的风速风向测量值进行实时在线校准。
需要说明的是，以上所述仅为本发明实施方式的一部分，根据本发明所描述的***所做的等效变化，均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均属于本发明的保护范围。
Claims (10)
1.一种振动环境下风速风向仪校准方法，其特征在于，包括：
S1：在原风速风向仪传感器(2)所在区域设置新装风速风向仪传感器(3)，利用新装风速风向仪传感器(3)采集的风速风向值基准值，对原风速风向仪传感器(2)采集的风速风向测量值进行预处理；
S2：在原风速风向仪传感器(2)所在区域的水平方向设置水平方向振动传感器(4)，垂直方向设置垂直方向振动传感器(5)，分别采集水平方向和垂直方向的振动数据；
S3：利用S1得到的预处理后的风速风向测量值和S2得到的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型；
S4：利用S3得到的校准关系模型对原风速风向仪传感器(2)采集的风速风向测量值进行实时在线校准。
2.如权利要求1所述的振动环境下风速风向仪校准方法，其特征在于，S1中，新装风速风向仪传感器(3)与原风速风向仪传感器(2)的型号相同。
3.如权利要求1所述的振动环境下风速风向仪校准方法，其特征在于，S1中，所述预处理包括对采集的风速风向值进行数据清洗和异常值去除。
4.如权利要求1所述的振动环境下风速风向仪校准方法，其特征在于，S2中，水平方向的振动数据包括横摇幅度和横摇频率；垂直方向的振动数据纵摇幅度和纵摇频率。
5.如权利要求4所述的振动环境下风速风向仪校准方法，其特征在于，S3中，风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系表示为：
式中，f为振动频率，A为振幅，V为风速，θ为风向，VC为校准后的风速值，θC为校准后的风向值；
f(V,f,A)为风速的校准函数，g(θ,f,A)为风向的校准函数；振动频率f为横摇频率与纵摇频率的均值，振幅A为横摇振幅与纵摇振幅的平均值。
6.如权利要求5所述的振动环境下风速风向仪校准方法，其特征在于，若风速风向校准前后满足多项式拟合关系，则风速风向校准关系表示为：
式中，k1、k2、k3、k4为校准系数，由风速风向测量值与风速风向基准值拟合分析确定。
7.如权利要求6所述的振动环境下风速风向仪校准方法，其特征在于，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型具体为：基于BP神经网络建立输入数据与目标输出之间的映射关系模型，输入数据为风速风向测量值、纵摇幅度、纵摇频率、横摇幅度和横摇频率，目标输出为风速风向基准值；将S1得到的风速风向测量值和风速风向值基准值、S2得到的纵摇幅度、纵摇频率、横摇幅度和横摇频率划分为训练集和测试集，利用训练集建立风速风向校准关系模型，利用测试集检验建立的风速风向校准关系模型的预测精度。
8.如权利要求7所述的振动环境下风速风向仪校准方法，其特征在于，训练集中的数据占比为80％，测试集中的数据占比为20％。
9.如权利要求7所述的振动环境下风速风向仪校准方法，其特征在于，所述校准关系模型建立后，对所述校准关系模型的参数进行优化，具体为：通过调节BP神经网络的可调参数隐含层节点个数与神经元个数，不断训练和测试建立的风速风向校准关系模型，逐步提高模型的预测精度，其中BP神经网络的主要可调参数包括隐含层节点个数与神经元个数，神经元个数可以采用循环遍历的方法依次选取10、15、20……，隐含层节点个数满足如下公式：
式中，h表示隐含层节点数目，m表示输入层节点数目，n表示输出层节点数目，a为1～10之间的调节常数。
10.一种振动环境下风速风向仪校准***，其特征在于，包括新装风速风向仪传感器(3)、水平方向振动传感器(4)、垂直方向振动传感器(5)、风速风向测量值预处理模块、校准关系模型建立模块和在线校准模块；新装风速风向仪传感器(3)设在风电机舱(1)顶部原风速风向仪传感器(2)所在区域，水平方向振动传感器(4)设在原风速风向仪传感器(2)所在区域的水平方向上，垂直方向振动传感器(5)设在原风速风向仪传感器(2)所在区域的垂直方向上；
风速风向测量值预处理模块，利用新装风速风向仪传感器(3)采集的风速风向值基准值，对原风速风向仪传感器(2)采集的风速风向测量值进行预处理；
校准关系模型建立模块，利用预处理后的风速风向测量值和水平方向振动传感器(4)及垂直方向振动传感器(5)采集的水平方向和垂直方向的振动数据，分别采用回归分析方法和机器学习方法，建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型；
在线校准模块，利用校准关系模型对原风速风向仪传感器(2)采集的风速风向测量值进行实时在线校准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135656.XA CN117607493A (zh) | 2023-09-04 | 2023-09-04 | 一种振动环境下风速风向仪校准方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135656.XA CN117607493A (zh) | 2023-09-04 | 2023-09-04 | 一种振动环境下风速风向仪校准方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607493A true CN117607493A (zh) | 2024-02-27 |
Family
ID=89943056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311135656.XA Pending CN117607493A (zh) | 2023-09-04 | 2023-09-04 | 一种振动环境下风速风向仪校准方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607493A (zh) |
-
2023
- 2023-09-04 CN CN202311135656.XA patent/CN117607493A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1793123B1 (en) | Correction method for wind speed measurement at wind turbine nacelle | |
| KR101706508B1 (ko) | 풍력 발전기의 피로 해석 및 등가하중 해석 시스템 | |
| US9004862B2 (en) | Calibration of wind turbine sensor | |
| CN101334423B (zh) | 风速计的校准方法和风力涡轮机 | |
| CN106779208B (zh) | 一种基于虚拟测风塔技术的风电超短期功率预测方法 | |
| CN108869174B (zh) | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 | |
| CN109973330B (zh) | 一种上游风机尾流对下游风机影响情况的检测方法 | |
| CN113033009B (zh) | 一种在役海上风电场尾流损失实时计算方法 | |
| CN215370120U (zh) | 一种海上风电机组智能综合状态监测*** | |
| CN102797631A (zh) | 一种风电机组的最优增益在线自校正方法、***及其装置 | |
| CN115218801A (zh) | 基于机器视觉的风力发电机净空距离测量方法及装置 | |
| CN113565697A (zh) | 一种基于激光与视频测量的叶轮气动不平衡的优化***及方法 | |
| CN105041584B (zh) | 一种风电机组塔体倾斜度计算方法 | |
| CN116484652B (zh) | 基于叶根载荷的风电场中的尾流干扰检测方法 | |
| US11274656B2 (en) | Method of determining a power curve of a wind turbine | |
| CN117590027A (zh) | 一种风电机组测风仪亏损修正方法、***及电子设备 | |
| CN117607493A (zh) | 一种振动环境下风速风向仪校准方法及*** | |
| CN114458516B (zh) | 一种风能或潮流能发电机组俯仰与偏航力矩的在线间接测量***及方法 | |
| CN113807693B (zh) | 一种基于机载雷达的风电机组发电量优化效果评价方法 | |
| CN114186407A (zh) | 一种参数可自适应调整的风电场尾流速度场计算方法及*** | |
| CN114398842A (zh) | 一种在运行风电场发电量评估方法 | |
| CN112861301A (zh) | 一种基于风机实时数据的风电场理论功率智能计算方法 | |
| CN214836884U (zh) | 一种用于海上风电机组功率特性测量的装置 | |
| CN219319442U (zh) | 风电变桨驱动器的陀螺仪测速传感器标定*** | |
| CN111476679A (zh) | 根据大气稳定度修正风电机组功率曲线的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |