风电场智能功率预报系统技术方案(超短期)
甘肃电网风电功率超短期预测预报系统建设
【 摘 要 】 该文介绍 了国 内首套在 电 网端运 行的风 电功率超短期预 测预报 系统 ，介 绍 了其 系统组成及 在甘 肃电 网运行情 况。其 中具体介绍 了超短期预测 中的测风 网络 、风机 实时信息上传 系统 、风 能预 测系
统 、风 电功率超短期预测 系统，以及 实时监测平 台。 【 关键词】 风电功率 超短期 预测 实时 监 测
钟 。 超 短 期 预 测 具 有 比短 期 预 测 更 高 的 预 测 准 确
年甘肃 电网风 电装机规模将达到 １ ４ ０ ０万 ｋ ｗ ，到
２ ０ ２ ０年预 计 达 到 ２ ０ ０ ０万 ｋ ｗ ， 酒 泉 风 电基 地 将 成 为 世 界 上 集 中程 度 最 大 的风 电基 地 之 一 。
划 ，以及 结 合 汇 能 公 司之 前 的测 风 塔 布 局 ，另 外 补
充 了部分风 电场 自身的测风塔 ， 在甘肃境 内选取 了
甘 肃 电 网风 电功率超 短 期预测 预 报系 统建 设
５ ９
３ 实时测风 网络
实 时 测 风 数 据 采 集 及 传 输 系 统 由风 速 风 向传
风 电装机 比重 已在甘肃 电网已占有较大份额， 风 电的 随 机 性 、波 动 性 、不 可 预 知性 在 电 网运 行 中
都 已渐 渐 凸显 。随着 装 机 容 量 的 增大 ，风 电 的不 可 预 知 增 加 了省 内用 电和 外 送 安 排 的 调度 难 度 ， 由于
度 ，短期 预 测 要 求 均 方 根 误 差 控 制在 ２ ０ ％ 以 内，而 超 短 期 预 测 的均 方 根 误 差 需控 制在 １ ５ ％ 以内 。 超 短 期 风 电功 率 预 测 系 统 ， 采 用 风 电场 周 围 实 时测 风 塔 的实 测 风 速 、 风 向和 各 风 电场 每 台 风 机 及
《2024年风电场功率超短期预测算法优化研究》范文
《风电场功率超短期预测算法优化研究》篇一一、引言随着可再生能源的日益重要，风电已成为全球范围内广泛应用的一种清洁能源。
然而，风电的间歇性和随机性使得其功率预测变得具有挑战性。
对于风电场来说，准确的超短期功率预测对于电网的稳定运行和能源的高效利用至关重要。
因此，对风电场功率超短期预测算法的优化研究具有重要的现实意义。
二、风电场功率预测的重要性风电场功率预测是电力系统调度和运行的重要环节。
准确的预测结果可以帮助调度员合理安排发电计划，减少电网的波动，提高电力系统的稳定性和运行效率。
此外，准确的预测还有助于减少风电机组的维护成本，提高风能的利用率。
三、现有超短期预测算法的不足目前，风电场功率超短期预测主要依赖于传统的数值天气预报模型和机器学习算法。
然而，这些算法在处理复杂多变的天气条件和风场特性时，往往存在预测精度不高、实时性差等问题。
此外，现有算法在处理非线性、非平稳的风电场数据时，也面临着模型复杂度高、计算量大等挑战。
四、算法优化策略针对上述问题，本文提出以下算法优化策略：1. 数据预处理：对原始风电场数据进行清洗和预处理，去除异常值和噪声，提高数据的准确性和可靠性。
同时，采用特征提取技术，从原始数据中提取出对功率预测有重要影响的关键特征。
2. 融合多种模型：将传统的数值天气预报模型与机器学习算法进行融合，充分发挥各自的优势。
例如，可以利用数值天气预报模型对天气条件进行预测，然后利用机器学习算法对风电机组的运行状态进行建模和预测。
3. 引入深度学习技术：利用深度学习技术对风电场数据进行深度学习和特征学习，提高模型的非线性处理能力和泛化能力。
同时，采用优化算法对深度学习模型进行优化，提高模型的训练速度和预测精度。
4. 实时动态调整：根据实时风电机组数据和天气条件信息，实时调整模型的参数和结构，以适应不同的风场特性和天气条件。
同时，采用在线学习技术对模型进行实时更新和优化。
五、实验与结果分析为了验证本文提出的算法优化策略的有效性，我们进行了大量的实验和仿真分析。
《2024年风电场功率超短期预测算法优化研究》范文
《风电场功率超短期预测算法优化研究》篇一一、引言随着可再生能源的日益发展和普及，风电作为绿色能源的代表，在电力结构中的比重逐渐增加。
然而，风电的间歇性和随机性给电力系统的稳定运行带来了挑战。
因此，对风电场功率进行超短期预测，对于提高电力系统运行效率、降低运营成本以及优化调度策略具有重要意义。
本文旨在研究风电场功率超短期预测算法的优化，以提高预测精度和响应速度。
二、风电场功率预测算法的背景与现状目前，风电场功率预测主要依赖于数值天气预报模型和物理模型。
这些模型通过收集历史数据和实时气象数据，结合风电机组的运行特性，对未来一段时间内的风电场功率进行预测。
然而，由于风能的复杂性和不确定性，传统的预测算法往往存在预测精度不高、响应速度慢等问题。
三、超短期预测算法的优化研究针对上述问题，本文提出了一种基于机器学习和优化算法的风电场功率超短期预测算法优化方法。
1. 数据预处理：对收集到的历史数据和实时气象数据进行清洗、筛选和归一化处理，以提高数据的可用性和准确性。
2. 特征提取：利用机器学习算法，从处理后的数据中提取出对风电场功率预测具有重要影响的特征，如风速、风向、温度等。
3. 模型构建：构建基于机器学习的预测模型，如神经网络、支持向量机等，对未来一段时间内的风电场功率进行预测。
4. 算法优化：采用优化算法对预测模型进行优化，如粒子群优化算法、遗传算法等，以提高预测精度和响应速度。
5. 实时校正：结合实时气象数据和风电场运行状态信息，对预测结果进行实时校正，进一步提高预测精度。
四、实验与分析为了验证本文提出的优化算法的有效性，我们进行了大量的实验。
实验结果表明，经过优化后的算法在预测精度和响应速度上均有显著提高。
具体来说，优化后的算法在风速变化剧烈、风向频繁切换等复杂工况下的预测精度提高了约XX%，响应速度也得到了明显提升。
五、结论与展望本文针对风电场功率超短期预测算法的优化进行了深入研究，提出了一种基于机器学习和优化算法的优化方法。
基于智能算法的电力系统超短期风功率预测研究
基于智能算法的电力系统超短期风功率预测研究电力系统超短期风功率预测是近年来电力系统调度和运营中的重要问题之一。
随着可再生能源的不断发展，风电装机容量不断增加，精确预测风电功率对电力系统的稳定运行至关重要。
智能算法作为一种具有较高准确性和稳定性的预测方法，被广泛应用于电力系统超短期风功率预测研究中。
智能算法可以有效的处理非线性、高度耦合的电力系统模型，对风力发电机组的风速和功率输出进行建模和预测。
以下将介绍几种常用的智能算法在电力系统超短期风功率预测中的应用及其优势。
首先，基于神经网络的风功率预测模型具有较高的准确性和鲁棒性。
神经网络在模拟人类大脑的工作方式时具有很强的适应性和学习能力，可以通过学习历史数据来推断风功率在未来时刻的变化趋势。
通过建立合适的输入参数和神经网络结构，可以有效地预测电力系统中风力发电机组的短期功率变化趋势。
其次，遗传算法在电力系统超短期风功率预测中的应用也得到了广泛研究。
遗传算法通过模拟生物进化的过程来搜索最优解，其优点在于可以自适应地调整模型参数，提高预测精度。
在风力发电系统中，遗传算法可以通过优化风功率预测模型的参数，如时间延迟、输入变量权重等，从而获得更准确的风功率预测结果。
此外，模糊逻辑算法在电力系统超短期风功率预测中也具有重要的应用价值。
模糊逻辑算法适用于描述和处理模糊不确定的问题，对于风力发电系统的特点来说，风速和功率输出往往存在一定的模糊性。
通过构建模糊逻辑模型，可以将风速对风功率的影响进行模糊化描述，并进一步预测未来时刻的风功率。
最后，支持向量机算法在电力系统超短期风功率预测中也取得了一定的研究成果。
支持向量机算法通过建立高维特征空间来处理非线性问题，对于风速与风功率之间的非线性关系可以提供较好的拟合效果。
通过训练样本数据，支持向量机可以学习出风功率与多个输入参数之间的最佳拟合函数，并据此进行未来时刻风功率的预测。
综上所述，基于智能算法的电力系统超短期风功率预测研究在提高预测精度和运行效率方面具有重要意义。
《2024年风电场功率超短期预测算法优化研究》范文
《风电场功率超短期预测算法优化研究》篇一一、引言随着全球对可再生能源的日益关注，风电作为清洁能源的代表，其发展与应用越来越受到重视。
然而，由于风力资源的随机性和间歇性，风电场的功率预测成为了一个重要且具有挑战性的问题。
超短期功率预测作为提高风电并网稳定性和利用率的关键技术，其预测精度的提升成为研究热点。
本文将重点探讨风电场功率超短期预测算法的优化研究，分析现有算法的优劣，并探索新的优化方法。
二、背景与意义近年来，风电场功率预测技术得到了快速发展。
超短期功率预测能够在短时间内对风电机组的输出功率进行准确预测，对于电网调度和风电场运行具有重要意义。
然而，由于风速的随机性和复杂性，现有的预测算法仍存在一定误差。
因此，对风电场功率超短期预测算法进行优化研究，不仅可以提高风电场的运行效率，还能为电网的稳定运行提供有力支持。
三、文献综述目前，常用的风电场功率超短期预测算法包括物理方法、统计方法和组合方法等。
物理方法主要基于风速、风向等气象信息，通过建立物理模型进行预测；统计方法则利用历史数据和统计规律进行预测；组合方法则结合了物理方法和统计方法的优点。
然而，这些方法在应对复杂多变的风速变化时仍存在一定局限性。
例如，物理方法在缺乏精确气象信息时预测精度较低，统计方法则可能因历史数据不足或数据异常导致预测误差。
因此，寻找更为有效的优化方法是提高风电场功率超短期预测精度的关键。
四、算法优化研究针对现有算法的不足，本文提出了一种基于机器学习的优化算法。
该算法结合了深度学习和时间序列分析技术，能够更好地应对风速的随机性和复杂性。
具体而言，我们采用长短期记忆网络（LSTM）模型来捕捉风速的时间序列特性，并结合历史数据和实时气象信息进行训练和预测。
此外，我们还引入了正则化方法和特征选择技术来提高模型的泛化能力和鲁棒性。
五、实验与分析为了验证本文提出的优化算法的有效性，我们进行了大量的实验和分析。
首先，我们收集了某风电场的历史数据和实时气象信息作为训练和测试数据集。
《2024年风电集群短期及超短期功率预测精度改进方法综述》范文
《风电集群短期及超短期功率预测精度改进方法综述》篇一一、引言随着全球能源结构的转型和可再生能源的持续发展，风电作为清洁能源的代表，在电力供应中的比重逐年增加。
然而，风电的间歇性和随机性给电力系统的调度和运行带来了巨大的挑战。
因此，风电集群的功率预测成为了优化风电并网和电力调度的重要环节。
本文将就风电集群短期及超短期功率预测的精度改进方法进行综述。
二、风电功率预测的重要性风电功率预测对于电力系统的稳定运行、优化调度、减少损失以及提高可再生能源的利用率具有重要意义。
准确的预测能够帮助电力系统调度部门提前做出决策，合理安排电力系统的运行方式，减少因风电功率波动带来的影响。
三、短期及超短期风电功率预测短期和超短期风电功率预测是风电功率预测的两个重要时间尺度。
短期预测通常指未来几小时至几十小时的预测，而超短期预测则主要关注未来几分钟到几小时的预测。
这两种预测的时间尺度对于电力系统的调度和运行都具有重要的指导意义。
四、预测精度改进方法（一）数据预处理方法数据预处理是提高预测精度的关键步骤。
包括数据清洗、去噪、特征提取等。
通过有效的数据预处理方法，可以去除数据中的异常值和噪声，提取出对预测有用的特征信息，从而提高预测模型的准确性。
（二）模型优化方法模型优化是提高预测精度的核心环节。
包括模型参数的优化、模型结构的改进等。
通过优化模型的参数和结构，可以提高模型对风电功率的拟合能力，从而提高预测精度。
常用的模型包括统计模型、物理模型和机器学习模型等。
（三）多源信息融合方法多源信息融合是将气象信息、风电机组状态信息等多种信息与风电功率预测模型相结合的方法。
通过多源信息的融合，可以更全面地反映风电功率的变化规律，提高预测精度。
（四）实时校正技术实时校正技术是通过实时获取的风电功率数据对预测结果进行实时校正的方法。
通过实时校正技术，可以及时修正预测模型的误差，提高预测精度。
五、未来研究方向与展望（一）深入研究和改进现有的预测模型和算法，进一步提高预测精度。
《2024年风电场功率超短期预测算法优化研究》范文
《风电场功率超短期预测算法优化研究》篇一一、引言随着全球对可再生能源的依赖性日益增强，风电作为清洁能源的代表，其发展势头迅猛。
然而，风电的间歇性和不可预测性给电力系统的稳定运行带来了挑战。
因此，对风电场功率进行超短期预测，对于提高电力系统的运行效率和稳定性具有重要意义。
本文旨在研究风电场功率超短期预测算法的优化，以提高预测精度和响应速度。
二、研究背景及意义随着风电场规模的扩大和并网容量的增加，风电功率预测的准确性对于电力系统的稳定运行和能源优化配置具有重要作用。
超短期预测（通常指未来几分钟至几小时的预测）在风力资源变化迅速的情况下尤为重要。
通过对风电场功率的超短期预测算法进行优化，不仅可以提高电力系统的运行效率，减少能源浪费，还能为电力市场的调度决策提供有力支持。
三、当前风电场功率预测算法概述目前，常用的风电场功率预测算法包括物理方法、统计方法和组合方法等。
物理方法基于风力资源的物理特性进行预测，统计方法则通过历史数据和数学模型进行预测，而组合方法则是将多种方法进行综合应用。
这些方法在预测中长期和短期风电功率方面具有较好的效果，但在超短期预测方面仍存在一定局限性。
四、算法优化策略及研究方法针对风电场功率超短期预测的特殊性，本文提出以下优化策略：1. 数据预处理方法优化：通过数据清洗和特征提取，提高输入数据的准确性和可靠性，为预测模型提供高质量的数据源。
2. 模型选择与参数优化：根据风电场的实际情况，选择合适的预测模型，并通过对模型参数的优化，提高模型的预测精度。
3. 引入先进算法：结合人工智能、机器学习等先进技术，开发新的预测算法，提高超短期预测的准确性和响应速度。
4. 实时数据校正：结合实时风力数据，对预测结果进行实时校正，提高预测的实时性和准确性。
五、算法优化实证研究本文以某风电场为例，对超短期预测算法进行优化实证研究。
首先，对历史数据进行清洗和特征提取，构建高质量的数据集。
然后，选择合适的预测模型，并通过对模型参数的优化，提高模型的预测精度。
风电场功率预测系统使用说明
第一章系统操作NRFM系统操作主要有三部分组成：人机界面、接口和数据库操作。
人机界面为客户端程序，是用来进行系统配置、功率预测展示、系统查询、报警查询等功能的主要操作界面；接口和数据库是后台运行程序，负责接收、计算和存储系统运行数据，接口和数据库的操作在初始安装配置后，会自动运行，用户不必进行操作，如需更改，可在相关操作说明或技术人员的指定下进行操作。
目前桥东风电场运行风电功率预测系统机器密码设置为：开机密码为：0818软件登录用户名和密码均为：admin1.1．人机界面1.1.1. 主界面点击桌面下的NRFM即可打开系统主界面，界面友好、简单，易于操作。
主界面上有登录、系统配置、功率预测、实时数据、系统查询、报警、退出系统等导航栏。
系统主界面如图1-1所示。
进入其它界面，可在登录后，点击相应导航按钮，若从其它界面返回主界面，则可点击界面右上角的按钮。
图1-1 系统主界面1.1.2. 登录对系统的任何操作，需在用户登录之后才可以进行操作，在主界面中点击登录按钮，即可弹出登录对话框，如图1-2所示，如登录不成功，会弹出对话框进行提示，如图1-3所示，登录成功后，可在进入的其它界面上方看到当前登录的用户名称和当前用户角色(图1-4所示)。
目前现场运行的用户名和密码均为：admin,用户也可根据自己需要，按照下节“系统配置”的说明进行添加、删除用户。
图1-2 登录框图1-3 错误提示图1-4 用户信息1.1.3. 系统配置系统配置中有用户管理、电场配置、风机配置等操作选项。
用户在运行系统前应进行相应的初始配置。
(1) 用户管理用户角色在本系统中分为管理员、操作员和普通用户。
管理员的权限最大，可进行系统的任何添加、修改、删除、查询等操作；操作员可以进行系统的查询，对自己登录密码的修改，对电场、风机信息的配置，对预测数据修改等操作，不具备其它用户的添加、修改、删除操作；普通用户仅有浏览系统信息和修改自身密码的权限。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
风电场智能功率预报系统技术方案内蒙古东润能源科技有限公司二〇一五年目录1 系统概述 (1)1.1 风电功率预测（风电场智能功率预报系统V1.0） (1)1.2 风电功率预测（风电场智能功率预报系统V1.0）的核心价值 (1)1.3 用户收益 (1)2 设计依据 (2)2.1 设计标准 (2)2.2 设计原则 (3)3 系统构架 (3)3.1 系统架构拓扑图 (3)3.2 实时测风塔系统 (4)3.3 数值天气预报 (7)3.4 通信接口系统 (8)3.5 网络安全隔离装置 (8)4 风电场智能功率预报系统功能 (13)4.1系统功能概述 (13)4.2 数据接口 (19)5 技术指标 (19)5.1 功率预测 (19)5.2 统计分析 (20)5.3 系统界面 (21)5.4 数据上传 (21)5.5 系统性能 (22)5.6 系统特点 (22)6 技术优势 (22)6.1 数字建模 (22)6.2 实时测风系统及风资源评估 (23)6.3 通讯接口 (23)6.4 数值天气预报落地优化 (24)6.5 服务团队 (24)7 质量保证 (25)7.1 评审机制 (25)7.2 测试机制 (25)7.3 容错机制 (25)8 售后服务 (25)8.1 服务内容 (25)8.2 服务体系 (26)9 项目实施 (27)9.1 实施准备 (27)9.2 项目收资 (28)9.3 系统建模 (29)9.4 通信接口开发 (29)9.5 气象观测站建设 (29)9.6 配套硬件采购 (29)9.7 现场安装调试 (30)9.8 文档与培训 (30)9.9 项目验收 (30)10 风电场智能功率预报系统超短期预测配置单 (31)1 系统概述1.1 风电功率预测（风电场智能功率预报系统V1.0）随着风电并网规模的不断增加，风电对电力系统的影响也越来越显著，而我国风能资源丰富的地区一般人口稀少，经济欠发达，电力负荷量小，电网结构相对薄弱。
由于风能的随机性、间歇性特点，对电网的运行调度带来困难，影响了电网的安全稳定运行，并成为了制约风电大规模接入的关键技术问题。
风电功率预测是指以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。
1.2 风电功率预测（风电场智能功率预报系统V1.0）的核心价值为了能在保障电网安全稳定运行的前提下，尽可能规模化接纳风电，有必要建设一套风电功率预测系统，对风电场出力变化趋势进行准确预测，对风电场的运行情况进行监视，并在上述基础上实现对风电场的自动发电控制（AGC）和自动电压控制（AVC），最终达到风力发电可预测、风电并网可调控目标。
风力发电代表着未来能源发展的趋势，但其输出功率的波动性和不确定性会对电网的安全稳定运行带来影响；国外经验表明，对风力发电的输出功率进行预测是缓解电网调峰、调频压力、降低电力系统备用容量以提高电网接纳能力的有效手段；通过实施风电功率预测系统，还可以达到以下作用：降低电力系统旋转备用容量、提高系统运行经济性；改善电力系统调峰能力，增加风电并网容量，提高风能利用率；优化风电场运营管理水平，合理安排检修计划，改善风电运行企业的经济效益。
1.3 用户收益风电功率预测系统（风电场智能功率预报系统V1.0）在提高电网公司风电消纳能力、促进节能减排的同时也对提高风电企业运营管理效率具有重要意义，可以为风电企业带来直接经济效益。
✓风电功率预测（风电场智能功率预报系统V1.0）可以帮助电网调度合理安排常规电源发电计划，减少因风电并网而增加的旋转备用容量，增加风力发电上网小时数，减少温室气体排放的同时也为风电企业带来直接经济效益；✓通过对未来风力发电功率的预测，有利于风电企业提升运营效率和科学管理水平，例如可以在小风期或者无风期安排检修计划，增加发电小时数，提高经济效益；✓通过风电功率预测（风电场智能功率预报系统V1.0），有利于电网合理安排运行方式和应对措施，提高电力系统的安全性和可靠性。
2 设计依据2.1 设计标准《风电场接入电力系统技术规定》《风电功率预测系统功能规范》《风电场风能资源测量方法》《风电场风能资源评估方法》《风电调度运行管理规范》《风电场并网验收规范》《风电场风能资源测量和评估技术规定》《电力工程电缆设计规范》《继电保护设备信息接口配套标准》《国家电网公司十八项电网重大反事故措施》《风电功率预测预报与电网协调运行实施细则》《风电功率预测及系统协调运行管理办法》《风电并网运行控制技术规定》《风电功率预报与电网协调运行实施细节（试行）》《能源局风电场功率预测预报管理办法》《风电功率预测预报考核办法（试行）》《风电功率预测系统测风塔数据测量技术要求》《风电场理论发电量与弃风电量评估导则》2.2 设计原则先进性采用先进的系统架构体系和网络通讯技术设备，做到配置和技术应用的先进；经济、实用性系统以实用性为原则，充分利用现代化信息技术、通讯技术，在系统整体设计、硬件软件选型时结合企业现有系统实际情况，确定了合理、高性价比的建设方案；开放、可扩展性软件、硬件平台均采用模块化设计与开发，具有良好的可扩充、扩展能力，能够非常方便地进行系统升级和更新，以适应今后业务的不断发展，并提供与调度和其它系统的数据接口；可移植性系统支持Linux/Unix与Windows的跨平台技术，可运行于各类平台，具有很好的可移植性。
3 系统构架3.1 系统架构拓扑图本技术方案适用于风电场智能功率预报系统（风电场智能功率预报系统V1.0）。
风电场智能功率预报系统通过精准的功率预报，为电网的调峰、调频以及风电场的科学管理提供重要参考。
系统包括：实时测风塔系统、数值天气预报系统、网络安全隔离装置、内（外）网服务器、系统工作站（PC）、防火墙、预测软件平台等组成。
风电场智能功率预报系统V1.0原理简化图（打印机除外）风电场智能功率预报系统需要配置两台服务器：数据采集服务器与功率预测服务器。
为保障系统的安全性和电网调度对新能源电站安全性的要求，对从外网接收的数值天气预报数据需加装反向隔离装置，以保证系统的安全性。
数据采集服务器用于接收数值天气预报数据和预测参数，通过反向隔离器将数据传输至功率预测服务器。
功率预测服务器利用数值天气预报、预测参数、实时气象观测数据和电场运行数据，进行风电功率预测。
风电功率预测系统包含商业数据库系统，用于存储历史数据。
3.2 实时测风塔系统实时测风塔主要用于风电场智能功率预报系统的超短期预测，为超短期预测提供实时测风数据；东润在测风塔选址、风资源评估及测风塔建设等方面积累了丰富的经验，支持新建测风塔、已有测风塔得改造、移址等；测风塔的数量需根据风场条件计算分析后确定，每座测风塔配套硬件设备包括气象数据传感器、数据采集设备、数据传输设备，如下图：具体配套设备包括3台风速传感器、2台风向传感器、1台大气温度传感器、1台大气湿度传感器和1台大气压力传感器及数据采集器和数据传输设备。
测风塔高度不低于风机轮毂高度，大气温度传感器和大气压力传感器装在10米高度；风向传感器10米高度装一个，其他需根据项目具体情况确定安装高度；风速传感器在10米、70米分别安装一台，其他需根据项目具体情况确定安装高度。
3.2.1 数据采集器具有在现场或无线（电台）下载数据的功能；能完整地保存不低于36个月左右采集的数据量；在-55℃～85℃的环境温度下可靠运行；远程数据采集系统保证传输数据的准确性，数据可实时观测，定时下载，采样精度0.02%；数据通道共12个，可分别接入多达10个风速仪，6个风向标（或大气温度计、大气压力计及其他传感器）。
在数据记录中满足各传感器的数据记录，采样精度±0.02%；传感器接口，至少10个风速接口，16个模拟量接口（风向、气温、气压等），8个IO口，RS232口；太阳能电源供电， 80W太阳能板，可长期不间断供电；通讯协议，应支持多种协议至少包括OPC、Modbus；箱体防护等级IP67，防水、防尘、防沙、防紫外、放腐蚀；箱体结构安装盒应防水、防沙尘，蚀防腐。
3.2.2 风速传感器测量范围：0 m/s～75 m/s；启动风速：0.78m/s；适应温度：-50℃～85℃。
3.2.3 风向传感器测量范围：0°～360°；精确度：±2.5°；适应气温：-40℃～65℃。
3.2.4 大气温度传感器测量范围： -40-52.5°C；精度：±1.1℃；尺寸： 100 x 15mmФ；防护等级： IP65；防紫外辐射罩。
3.2.5 大气压力传感器测量范围：15-115kPa；精度：±1.5kPa；操作温度：-40°- +60°C。
3.2.6 仪器主要部件材料防护要求主要部件材料为Lexan塑料及不锈钢能防止盐雾引起的腐蚀。
3.2.7 数据采集频次要求满足国家《风电场风能资源测量和评估技术规定》；符合IEC61400-12标准（测风要求1HZ采样频率,存数10分钟时间间隔）；可以根据客户要求进行调整、设置，默认采集频次如下：数据存储时间间隔为5分钟；风速参数采样时间间隔为1秒，并自动计算和记录每5分钟的平均风速，每5分钟的风速标准偏差，每5分钟内最大风速、最小风速、阵风风速、阵风风速出现时间日期、当时风向；单位为m/s；风向参数采样时间间隔为1秒，并自动计算和记录每5分钟的风向矢量平均值，每5分钟的风向标准偏差，每5分钟内最大风向、最小风向，单位为°； 温度参数每1秒钟采样一次，记录每5分钟的平均值，每5分钟的温度标准偏差，每5分钟内最大、最小温度，单位为℃；湿度参数每1秒钟采样一次，记录每5分钟的平均值，每5分钟的湿度标准偏差，每5分钟内最大、最小湿度，单位为%；大气压力参数每1秒钟采样一次，记录每5分钟的平均值，每5分钟的气压标准偏差，每5分钟内最大、最小气压，单位kPa。
3.2.8 数据传输系统具备多种通讯方式传输采集数据，包括光纤、电缆以及无线传输，确保数据传输实时、稳定。
中心站配有采集数据接收软件，用于数据收集，数据监控、采集器程序的编制，采集器的设置，数据的简单分析，处理，监控界面的制作以及网络服务和联网功能等。
3.3 数值天气预报东润具备国内外5家气象源支撑：3家欧美（西班牙、丹麦、美国）专业气象服务商，2家国家级覆盖全国范围的专业气象研究单位（中国气象局、中国科学院大气物理研究所）。
东润提供的适用于新能源应用（风电、太阳能功率预测系统）的数值天气预报，空间分辨率小于5*5公里，目前在超过600个电场已有备用应用案例。