风力发电模型Windpowerlib概述与入门

news2024/11/14 17:11:28

Windpowerlib 是一个提供了一系列函数和类的库,用于计算风力涡轮机的功率输出。它最初是 feedinlib(风能和光伏)的一部分,但后来被分离出来,以建立一个专注于风能模型的社区。

这个库的主要目的是简化风力涡轮机的能量产出计算。通过提供一组预先定义的函数和类,Windpowerlib 使得工程师和研究人员能够更容易地评估风力发电系统的性能。这有助于在风能项目的规划、设计和分析阶段进行更准确的预测和优化。

适用场景:

  • 风力发电项目规划:可以用于评估不同地点的风资源情况,为风力发电项目的规划提供数据支持。
  • 风力发电系统优化:可以用于优化风力发电系统的设计和运行参数,提高发电效率和经济性。
  • 风电功率预测:可以用于对未来一段时间内的风力发电功率进行预测,为电力系统运营和调度提供参考。
  • 风力发电技术研究:可以用于研究不同风力发电技术的性能特点和优化方法,推动风力发电技术的进步和应用。

1. 模型描述

1.1. 风力发电厂

windpowerlib提供了三个类用于模拟风力发电:风力涡轮机(WindTurbine)、风力发电厂(WindFarm)和风力涡轮机集群(WindTurbineCluster)。

1.2. 天气数据的高度相关与转换

通常,我们只能获得地面以上有限高度范围内的天气数据。然而,在进行风力发电时间序列计算时,我们需要在被测风力发电机的轮毂高度处获取天气数据。因此,Windpowerlib提供了用于天气数据高度校正的功能。

风速模块中描述了将风速校正到风力发电机轮毂高度的功能。相应地,温度模块中提供了一个用于温度数据高度校正的功能。密度模块中可以找到密度计算的功能。

如果至少有两个不同高度的天气数据可用,可以通过使用工具模块中的线性或对数插值/外推功能来确定轮毂高度处的相应数值。

1.3. 功率输出计算

在windpowerlib中,可以通过功率曲线和功率系数曲线来计算风力馈入时间序列。用于功率输出计算的函数在“功率输出”模块中描述。

1.4. 尾流损失

在风电场中,尾流损失(Wake Losses)是一个重要的考虑因素。尾流损失是由于上游涡轮机产生的尾流效应,导致下游涡轮机接收到的风速降低,进而影响了整个风电场的能源产量。为了考虑这种尾流损失,windpowerlib库提供了两种选择:

  • 降低风速:通过使用风效率曲线(Wind Efficiency Curves),这些曲线描述了在不同风速下风电场内由于尾流损失导致的平均风速降低程度。windpowerlib提供了这些曲线,它们来自于dena-Netzstudie II研究和Kaspar Knorr的的论文(具体参考文献可通过get_wind_efficiency_curve()函数获取)。这些曲线是根据分布在德国各地的12个风电场(dena)或德国的2000多个风电场(Knorr)的风效率曲线平均得出的。

  • 风电场效率(降低功率曲线中的功率):另一种方法是直接降低风电场的效率,即降低功率曲线中的功率输出。这可以通过在模拟或计算中使用降低后的效率值来实现。

提供的风效率曲线图中展示了所有可用的风效率曲线。这些曲线中带有“extreme”后缀的是单个风电场的风效率曲线,它们与相应的平均风效率曲线相比偏差极大。这些极端曲线有助于了解尾流损失的变异性和风电场之间的性能差异。

在风电场设计和性能分析中,选择合适的尾流损失模型和方法至关重要,因为它直接影响到风电场的能源产量预测和优化。使用windpowerlib提供的这些工具,可以更准确地模拟和评估风电场的实际性能。

在这里插入图片描述
在风电场模拟中,考虑尾流损失的第二种方法是将尾流损失应用于功率曲线,通过根据风电场的效率常数或在特定风速下减少功率值来实现(参见wake_losses_to_power_curve()函数)。与将风电场效率(曲线)应用于时间序列数据相比,将其应用于功率曲线具有进一步汇总以形成涡轮机集群功率曲线的优势(参见WindTurbineCluster)。

1.5. 功率曲线的平滑处理

为了考虑特定区域内风速的空间分布,windpowerlib库提供了一个用于功率曲线平滑处理的函数,它采用了Nørgaard和Holttinen的方法(具体参考文献可通过smooth_power_curve()函数获取)。平滑处理有助于减少由于测量误差、数据异常或湍流等因素导致的功率曲线波动,从而使功率曲线更接近实际情况。

1.6. 模型链(ModelChains)

模型链是windpowerlib库中的一个功能,旨在简化风电场模拟过程。它们类似于模型,将库中的所有功能组合在一起。通过指定所需的参数,用户可以选择使用windpowerlib库中的特定功能。对于未指定的参数,将使用默认值。

  • ModelChain是一个用于确定单台风力涡轮机输出的模型。
  • TurbineClusterModelChain是一个用于确定风电场或风力涡轮机集群输出的模型。

2. 安装

要求python3及以上环境。github地址:https://github.com/wind-python/windpowerlib。

pip install  -i https://pypi.tuna.tsinghua.edu.cn/simple windpowerlib

3. 示例

示例模块展示了如何使用windpowerlib中的ModelChain类进行简单的风力发电计算。ModelChain类实现了一个模型链,确保用户能够轻松地开始使用Windpowerlib。它们就像将库中提供的所有功能组合在一起的模型一样工作。通过参数选择所需的windpowerlib功能。对于未指定的参数,将使用默认参数。

主要有三个步骤。首先,您需要导入天气数据,然后指定风力发电机,最后调用windpowerlib函数来计算馈入时间序列。

3.1. 数据说明

从文件中导入天气数据的。数据包括两个不同高度(单位:米/秒)的风速、两个不同高度(单位:开尔文)的空气温度、地表粗糙度长度(单位:米)和气压(单位:帕斯卡)。数据适用的高度(单位:米)在第二行指定。

  • wind_speed,风速 (单位:米/秒)
  • temperature,温度 (单位:开尔文)
  • roughness_length, 粗糙度长度 (单位:米)
  • pressure,压力 (单位:帕斯卡)

在这里插入图片描述
DataFrame 的列是一个 MultiIndex,其中第一级包含变量名(例如 ‘wind_speed’),第二级包含它适用的高度(例如,如果测量高度为10米,则为10)。索引是一个 DateTimeIndex。

数据文件地址:weather.csv。

3.2. 涡轮发电机模型说明

初始化三个WindTurbine对象:

  • 使用windpowerlib提供的OpenEnergy Database(oedb)风力发电机库中的风力发电机数据,如下面的’enercon_e126’所示。
  • 直接提供自己的功率(系数)曲线来指定自己的风力发电机,如下面的’my_turbine’所示。
  • 在csv文件中提供自己的风力发电机数据,如下面的’my_turbine2’所示。

要获取所有提供了功率和/或功率系数曲线的风力发电机列表,可以执行windpowerlib.wind_turbine.get_turbine_types()

3.3. 使用ModelChain类计算风力发电机的输出功率

ModelChain是一个提供计算风力发电机功率输出所需的所有步骤的类。你可以使用默认的方法进行计算,如’my_turbine’所示,或者选择不同的方法,如’e126’所示。当然,你也可以在只改变一个或两个方法的情况下使用默认方法,如’my_turbine2’所示。

参数:

  • weather : :pandas:pandas.DataFrame<frame>
    包含天气数据时间序列的数据框。
  • my_turbine : :class:~.wind_turbine.WindTurbine
    具有自提供功率曲线的WindTurbine对象。
  • e126 : :class:~.wind_turbine.WindTurbine
    具有来自OpenEnergy数据库风力发电机库的功率曲线的WindTurbine对象。
  • my_turbine2 : :class:~.wind_turbine.WindTurbine
    具有来自示例文件的功率系数曲线的WindTurbine对象。

3.4. 示例代码

import pandas as pd
from windpowerlib import ModelChain, WindTurbine, create_power_curve
from matplotlib import pyplot as plt

def get_weather_data(filename="weather.csv"):
    # read csv file
    weather_df = pd.read_csv(
        filename,
        index_col=0,
        header=[0, 1],
    )
    weather_df.index = pd.to_datetime(weather_df.index, utc=True)
    # change time zone
    weather_df.index = weather_df.index.tz_convert("Europe/Berlin")

    return weather_df


def initialize_wind_turbines():
    # **** Data is provided in the oedb turbine library **********************
    enercon_e126 = {
        "turbine_type": "E-126/4200",  # turbine type as in register
        "hub_height": 135,  # in m
    }
    e126 = WindTurbine(**enercon_e126)
    # **** Specification of wind turbine with your own data ******************
    # **** NOTE: power values and nominal power have to be in Watt
    my_turbine = {
        "nominal_power": 3e6,  # in W
        "hub_height": 105,  # in m
        "power_curve": pd.DataFrame(
            data={
                "value": [
                    p * 1000
                    for p in [0.0, 26.0, 180.0, 1500.0, 3000.0, 3000.0]
                ],  # in W
                "wind_speed": [0.0, 3.0, 5.0, 10.0, 15.0, 25.0],
            }
        ),  # in m/s
    }
    my_turbine = WindTurbine(**my_turbine)

    # **** Specification of wind turbine with data in own file ***************
    # Read your turbine data from your data file using functions like
    # pandas.read_csv().
    # >>> import pandas as pd
    # >>> my_data = pd.read_csv("path/to/my/data/file")
    # >>> my_power = my_data["my_power"]
    # >>> my_wind_speed = my_data["my_wind_speed"]

    my_power = pd.Series(
        [0.0, 39000.0, 270000.0, 2250000.0, 4500000.0, 4500000.0]
    )
    my_wind_speed = (0.0, 3.0, 5.0, 10.0, 15.0, 25.0)

    my_turbine2 = {
        "nominal_power": 6e6,  # in W
        "hub_height": 115,  # in m
        "power_curve": create_power_curve(
            wind_speed=my_wind_speed, power=my_power
        ),
    }
    my_turbine2 = WindTurbine(**my_turbine2)

    return my_turbine, e126, my_turbine2


def calculate_power_output(weather, my_turbine, e126, my_turbine2):
    # **** ModelChain with non-default specifications ************************
    modelchain_data = {
        "wind_speed_model": "logarithmic",  # 'logarithmic' (default),
        # 'hellman' or
        # 'interpolation_extrapolation'
        "density_model": "ideal_gas",  # 'barometric' (default), 'ideal_gas' or
        # 'interpolation_extrapolation'
        "temperature_model": "linear_gradient",  # 'linear_gradient' (def.) or
        # 'interpolation_extrapolation'
        "power_output_model": "power_coefficient_curve",  # 'power_curve'
        # (default) or 'power_coefficient_curve'
        "density_correction": True,  # False (default) or True
        "obstacle_height": 0,  # default: 0
        "hellman_exp": None,
    }  # None (default) or None
    # initialize ModelChain with own specifications and use run_model method
    # to calculate power output
    mc_e126 = ModelChain(e126, **modelchain_data).run_model(weather)
    # write power output time series to WindTurbine object
    e126.power_output = mc_e126.power_output

    # ************************************************************************
    # **** ModelChain with default parameter *********************************
    mc_my_turbine = ModelChain(my_turbine).run_model(weather)
    # write power output time series to WindTurbine object
    my_turbine.power_output = mc_my_turbine.power_output

    # ************************************************************************
    # **** ModelChain with non-default value for "wind_speed_model" **********
    mc_example_turbine = ModelChain(
        my_turbine2, wind_speed_model="hellman"
    ).run_model(weather)
    my_turbine2.power_output = mc_example_turbine.power_output

    return


def plot_or_print(my_turbine, e126, my_turbine2):
    # plot or print turbine power output
    e126.power_output.plot(legend=True, label="Enercon E126")
    my_turbine.power_output.plot(legend=True, label="myTurbine")
    my_turbine2.power_output.plot(legend=True, label="myTurbine2")
    plt.xlabel("Time")
    plt.ylabel("Power in W")
    plt.show()
    # plot or print power curve
    if e126.power_curve is not False:
        e126.power_curve.plot(
            x="wind_speed",
            y="value",
            style="*",
            title="Enercon E126 power curve",
        )
        plt.xlabel("Wind speed in m/s")
        plt.ylabel("Power coefficient $\mathrm{C}_\mathrm{P}$")
        plt.show()
    if my_turbine.power_curve is not False:
        my_turbine.power_curve.plot(
            x="wind_speed",
            y="value",
            style="*",
            title="myTurbine power curve",
        )
        plt.xlabel("Wind speed in m/s")
        plt.ylabel("Power in W")
        plt.show()
    if my_turbine2.power_curve is not False:
        my_turbine2.power_curve.plot(
            x="wind_speed",
            y="value",
            style="*",
            title="myTurbine2 power curve",
        )
        plt.xlabel("Wind speed in m/s")
        plt.ylabel("Power in W")
        plt.show()


def run_example():
    weather = get_weather_data("weather.csv")
    my_turbine, e126, my_turbine2 = initialize_wind_turbines()
    calculate_power_output(weather, my_turbine, e126, my_turbine2)
    plot_or_print(my_turbine, e126, my_turbine2)

if __name__ == "__main__":
    run_example()

3.5. 结果

全年功率曲线

在这里插入图片描述

风速功率曲线

在这里插入图片描述

4. 总结

Windpowerlib的主要目标是为风能行业提供一个简单易用的工具,以支持风力涡轮机的设计和优化。

风力涡轮发电模型构成:

  • 风速模型:根据地理位置、气候条件等因素,生成风速时间序列数据。
  • 风力涡轮机模型:包括涡轮机的功率曲线、叶片几何参数、控制系统等。
  • 风场布局模型:描述风力涡轮机在风场中的布局和相对位置。
  • 尾流模型:计算风力涡轮机之间的尾流影响,评估风场内的能量损失。

特点:

  • 灵活性:Windpowerlib提供了丰富的接口,可以根据需要自定义各种参数和模型。
  • 易于使用:Windpowerlib的设计初衷是简化风力涡轮机的建模和分析过程,因此它的API设计简洁明了,易于上手。
  • 可扩展性:Windpowerlib的架构允许用户轻松地添加新的功能和模型,以满足特定需求。

优点:

  • 快速评估风力涡轮机的性能:通过Windpowerlib,用户可以快速计算风力涡轮机的功率曲线、能量产量等关键性能指标。
  • 支持多种场景分析:Windpowerlib支持多种场景分析,如不同风速、不同风向、不同地形等条件下的性能评估。
  • 可视化结果:Windpowerlib提供了丰富的可视化工具,可以直观地展示风力涡轮机的性能和风场布局等信息。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1543524.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Vue3 + Vite + TS + Element-Plus + Pinia项目(3)--新建路由

1、在src文件夹下新建router文件夹后&#xff0c;创建index.ts文件 2、具体如下 import { createRouter, createWebHashHistory } from vue-routerconst router createRouter({history: createWebHashHistory(),routes: [{path: "/index",component: () > impor…

红黑树进阶:正向与反向迭代器的实现及map、set的封装实践

文章目录 一、引言二、红黑树迭代器设计1、迭代器的基本概念和分类2、正向迭代器设计a.迭代器结构定义b.迭代器的 与 -- 3、反向迭代器设计a.反向迭代器的必要性b.反向迭代器的实现要点 4、红黑树封装迭代器 三、使用红黑树实现Map四、红黑树实现Set五、细节理解1、 typname的使…

JAVA学习笔记19(面向对象编程)

1.面向对象编程 1.1 类与对象 1.类与对象的概念 ​ *对象[属性]/[行为] ​ *语法 class cat {String name;int age; }main() {//cat1就是一个对象//创建一只猫Cat cat1 new Cat();//给猫的属性赋值cat1.name "123";cat1.age 10; }​ *类是抽象的&#xff0c;…

【Redis系列】那有序集合为什么要同时使用字典和跳跃表

面试官&#xff1a;听说你精通Redis&#xff0c;那我就考考你吧 面试官&#xff1a;不用慌尽管说&#xff0c;错了也没关系&#x1f60a;。。。 以【面试官面试】的形式来分享技术&#xff0c;本期是《Redis系列》&#xff0c;感兴趣就关注我吧❤️ 面试官&#xff1a;你说说Re…

个人可以做知识付费网站吗

个人可以做知识付费网站吗 个人能够做学问付费网站吗&#xff1f;答案是肯定的&#xff01;如今个人做学问付费网站并不需求太多的资金和技术支持&#xff0c;我们只需求购置一台效劳器或虚拟主机&#xff0c;然后在该主机空间上搭建一个WordPress网站&#xff0c;最后运用带有…

商家如何自己零成本免费制作点餐小程序项目完整源码

现在点餐小程序成为餐饮店的标配&#xff0c;顾客只要扫码&#xff0c;即可进入小程序点餐。顾客付款后&#xff0c;后厨自动打印出订单并开始制作。整个过程非常方便流畅&#xff0c;甚至还可以免去收银&#xff08;或服务&#xff09;人员。那么&#xff0c;这种餐饮小程序要…

类和对象三部曲(one)

都说C语言是面向过程&#xff0c;分析出求解问题的步骤&#xff0c;通过函数调用来逐步解决问题。 拿洗衣服来举例&#xff0c;C关注的是一个过程&#xff1a; 那么C是什么呢&#xff1f; 面向对象的编程语言。 面向对象对象指什么&#xff1f; 象棋里的对象么&#xff1f;…

JavaScript学习第二天

1.学习JavaScript高级语法目的 降低后续对于前端框架学习难度 1.局部变量与全局变量 1.局部变量: 在函数体内部通过var声明的变量 1.局部变量特点: 局部变量只能在当前函数体内使用&#xff0c;不能 在函数体外使用 2.全局变量 在script标签下直接…

AI之Suno:Suno V3的简介、安装和使用方法、案例应用之详细攻略

AI之Suno&#xff1a;Suno V3的简介、安装和使用方法、案例应用之详细攻略 目录 Suno AI的简介 1、特点与改进&#xff1a; Suno AI的安装和使用方法 1、第一步&#xff0c;让国产大模型—ChatGLM4帮我写一个提示词 2、第二步&#xff0c;将提示词交给Suno v3&#xff0c;…

LDL^H分解求逆矩阵与MATLAB仿真(Right-Looking)

通过分解将对称正定厄米特矩阵分解成下三角矩阵L和对角矩阵D来求其逆矩阵 目录 前言 一、LDL^H基本算法 二、LDL^H Right-Looking算法 三、D矩阵求逆 四、L矩阵求逆 五、A矩阵求逆 六、计算量分析 七、MATLAB仿真 八、参考资料 总结 前言 在线性代数中&#xff0c;LDL…

如何在Ubuntu系统使用Docker搭建MongoDB结合内网穿透实现公网连接

文章目录 前言1. 安装Docker2. 使用Docker拉取MongoDB镜像3. 创建并启动MongoDB容器4. 本地连接测试5. 公网远程访问本地MongoDB容器5.1 内网穿透工具安装5.2 创建远程连接公网地址5.3 使用固定TCP地址远程访问 前言 本文主要介绍如何在Linux Ubuntu系统使用Docker快速部署Mon…

企业如何选择一个开源「好」项目?

开源 三句半​​​​​​​ 需求明确是关键 风险考量要周全 开源虽好不白捡 别忘合规&#xff01; 显然&#xff0c;开源已成为一股不可阻挡的洪流&#xff0c;企业拥抱开源&#xff0c;积极参与开源项目不仅是响应技术潮流的必然选择&#xff0c;更是实现自身技术创新、市场拓…

GETSHELL方法总结上

渗透的总步骤 1.信息收集找到弱漏洞 2.漏洞挖掘 漏洞验证 3.有一定权限 getshell 4.提权后---渗透 5.内网渗透】 前后台拿shell方法汇总 接下来我们实操一波dedecms也就是织梦cms 如果你们的靶场是空白的 可能是php版本 我们修改为5.2 可能是源码问题 我们不要急着上传…

【vue核心技术实战精讲】1.6 - 1.8 VUE 指令 (中)

文章目录 前言 本节内容1、v-on使用v-on好处效果 2、事件修饰符2.1、按键码 (<font color red>已废弃&#xff0c;不用研究)示例效果 3、v-for 列表渲染示例效果 前言 上节,我们学习了 Vue指令之v-text 、 v-html、v-if 、v-show、v-bind 点击进入上一节 本节内容 Vue…

【Linux基础】ubuntu虚拟机配置及原理

一、虚拟机 虚拟机&#xff08;Virtual Machine&#xff0c;VM&#xff09;是一种软件实现的计算机系统&#xff0c;它在物理计算机上模拟了一个完整的计算机硬件环境&#xff0c;包括处理器、内存、存储设备和网络接口等。通过虚拟机&#xff0c;用户可以在单个物理计算机上同…

二叉搜索树(二叉排序树,二叉查找树)(附图详解+代码实现+应用分析)

最近学习了有关搜索二叉树的相关知识&#xff0c;在此特意将该知识进行总结分享&#xff0c;希望对大家有所帮助。 文章目录 一.二叉搜索树1.1二叉搜索树的概念1.2二叉搜索树的操作&#xff08;含思路分析代码实现&#xff09;1.2.1二叉搜索树的查找&#xff08;递归实现看最后…

RocketMQ学习笔记:零拷贝

这是本人学习的总结&#xff0c;主要学习资料如下 马士兵教育rocketMq官方文档 目录 1、零拷贝技术1.1、什么是零拷贝1.2、mmap()1.3、Java中的零拷贝 1、零拷贝技术 1.1、什么是零拷贝 使用传统的IO&#xff0c;从硬盘读取数据然后发送到网络需要经过四个步骤。 通过DMA复…

外包干了5年,技术退步明显.......

先说一下自己的情况&#xff0c;大专生&#xff0c;18年通过校招进入杭州某软件公司&#xff0c;干了接近4年的功能测试&#xff0c;今年年初&#xff0c;感觉自己不能够在这样下去了&#xff0c;长时间呆在一个舒适的环境会让一个人堕落! 而我已经在一个企业干了四年的功能测…

基于Scapy国内城市空气质量数据采集系统设计与实现

代码和完整的报告在文章最后 城市空气质量数据采集系统设计与实现 &#x1f3d9;️ 研究背景 &#x1f32c;️ 城市化与环境挑战&#xff1a;随着城市化进程的加快&#xff0c;环境污染问题&#xff0c;尤其是空气质量问题&#xff0c;已成为公众关注的焦点。数据监测的重要性…

canvas跟随鼠标移动画带透明度的线(画涂鸦)

提示&#xff1a;canvas画线 文章目录 前言一、带透明度的线二、试错&#xff0c;只有lineTo的时候画&#xff0c;只有最后地方是透明度的三、试错&#xff0c;只存上一次的点&#xff0c;线会出现断裂的情况总结 前言 一、带透明度的线 test.html <!DOCTYPE html> &l…