风场功率场群管理 - 高精度功率预测
1、激光测风与气象观测云图多模态数据融合：利用时空 Kriging 算法实现多源星载微波散射计风场融合，以气象观测云图数据为依托进行机器训练构建低空风场预测模型；将 VTS-ML3000 系列激光测风雷达的测风数据融入数值气象预报模型，利用 U-Net 网络构建 CMA-GFS 数值模式风场订正模型以提升预报精度，直接推算未来功率实现超短期预测（分钟级到小时级），结合风机功率曲线提升电网调频响应速度。
2、构建低空风场实时模型：利用气象观测数据构成原始样本集，对其进行筛选、采样、归一化处理并切分成训练集和测试集，用于 BP (back propagation Neural Network) 和 CNN (Convolutional Neural Networks) 模型的训练和测试，最终构建以卫星的 DDM 数据图为输入、风场风速为输出的风速预测神经网络模型，反演低空风场时空模型。
风场功率场群管理 - 尾流优化
1、尾流应用：尾流形成的原因有多种，风电机组所处环境是重要因素，包括地下地貌、地表粗糙程度、周边建筑、周边路况、周边河流等；其次是风电机组布局，如风机机组大小、间距等。在理想风电场中，风电机组尾流影响的最主要因素是邻近的风电机组。
2、尾流场控优化：激光测风雷达能够测量和计算尾流现象，借助尾流优化算法，可避免风电机组依据错误测风信号进行控制调整。该雷达通过连续跟踪光束信号变化检测尾流，当左右两侧风况存在差异时，表明流向不均匀，意味着尾流存在。尾流优化控制有助于减少因尾流影响造成的发电量损失。
其他产品,荣誉资质3,软件著作权1其他产品,荣誉资质3,维特斯激光测风雷达调软件著作权登记证书
