基于神经网络的风电场超短期风速数值预报的动态修订

 针对风电场风功率预测所需的离地70m、0~4h的超短期风速预报,本文利用中央气象台发布的MM5格点输出的数值预报风速及测风塔实时发回的气象资料,探讨了利用神经网络将前期误差观测值和测风塔湍流指标等因子对MM5数值预报风速进行动态修订的方法,建立动态修订超短期预报模型,为满足风电场超短期风功率预报的工程应用提供一定的参考。结果表明,修订后的预报风速平均绝对误差等指标大幅降低,有效地提高了预报精度。     

基于滚动极值处理的BP神经网络方法的WRF模式预报风速订正

为解决风速预报准确性问题,提高风能利用率,应用滚动的BP神经网络方法结合对极值的处理,对我国某风电场2007年4—11月的WRF模式预报风速结果进行了滚动订正研究。结果表明,经过1 h、12 h、24 h时间步长的滚动极值BP神经网络方法订正后,风电机组轮毂高度70 m处订正风速的相对均方根误差平均值分别减少16.59%、12.11%和11.61%,相对平均绝对误差平均值分别减少13.81%、11.09%和10.37%;且以时间步长为1h的滚动极值处理的BP神经网络订正效果最好,预报风速更趋近于实测风速,预报精度明显提高。     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于动态学习的风电场风速集合预报校准技术研究

利用ECWMF集合数值天气预报结果,针对风电场风速预报、风功率预测,对比分析分位回归、K值近邻及其集成预测方法,根据风速波动特征对集合数值预报成员进行动态检验筛选,筛选出的预报成员再进行分位回归概率区间预测。结果表明与单一分位回归方法相比,基于K值近邻的分位数回归效果显著提升,相关性从原有0.59～0.68提升至0.63～0.82,提升了0.04～0.2,均方根误差从2.44～2.59m/s减少至1.95～2.39m/s。利用"风速-功率"实测数据分段统计得到风功率曲线,与传统算法相比,风功率准确率从81%提升至81.3%,合格率从84.3%提升至84.8%,风速变换到功率的相关性略降,为0.75。基于K值近邻的分位数集成方法,其风速预测基本包罗功率的波动区间,该方法对改善基于单一数值天气预报的风功率预测,指导意义明确、效果明显,在其他风电场的数值天气预报中验证取得一定的效果。     

风电场超短期风速预测方法对比

以沿海及山地复杂地形条件下的风电场为例,采用为期10 d的风电场测风塔实测风速资料,对比了两种预测方法在时效为4 h的超短期风速预测中的性能。其一为采用WRF数值模式预报的物理方法,其二为BP神经网络的统计方法;并探讨了两种风速预测方法的实用价值及意义。结果表明,与物理模拟方法相比,统计方法在4 h的超短期风速预测中,无论是预测准确性及计算效率都有一定的优势。     

福建沿海多模式风速预报的检验

选取2019年福建沿海5个浮标站的实测风速,对FJ-WRF、EC-thin、华东区域模式三种模式的风速预报结果进行检验,通过平均绝对误差、均方根误差等检验指标对比,得到三种模式对沿海风的预报性能.结果表明,风速的模拟效果显示预报效果最好的是EC模式,平均绝对误差为2～2.5m/s,其次是上海区域模式,WRF模式的平均绝...     

基于区域信息融合的风电场平均年发电量预测

备选风电场在寿命周期内的平均年发电量是风电场宏观选址的一个重要参考判据.为了提高风电场平均年发电量的预测精度,提出了一种基于风电场附近多个气象站长期测风数据的区域信息融合的平均年发电量预测方法.首先分别建立各气象站与风电场同期小时风速之间的相关模型,应用相关模型得到多个长期小时风速预测值,再用神经网络对长期小时风速预测值进行融合处理得出最终的小时风速预测值,在此基础上进行风电场平均年发电量的估算.仿真结果表明:本文提出的区域信息融合方法对年平均发电量的预测误差比采用单一气象站数据的预测误差最高可降低11.32%.     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.     

基于空间相关性和小波-神经网络的短期风电功率预测模型

为准确预测风电功率,该文提出1种预测模型。利用风速空间相关性把握风速时间序列的变化规律。将小波基函数植入神经网络的神经元节点中作为传递函数,对风电功率进行预测。对2相邻风电场短期风电功率预测算例进行仿真与对比分析。结果表明基于空间相关性和小波-神经网络(SC-WNN)的预测模型与逆传播神经网络(BPNN)和小波-神经网络(WNN)预测模型相比,平均百分比误差最大降低了0.164 3。     

关于WRF模式模拟到达地表短波辐射的统计订正

太阳能光伏发电预报研究和业务工作迫切需要开展太阳辐射预报技术研究,而中尺度数值模式直接输出的辐射预报与实测值误差较大,有必要对模式输出结果进行解释应用以提高辐射预报的准确率.基于WRF模式逐时输出结果,对模式模拟的2009年8月武汉站到达地表短波辐射进行误差订正.结果表明:1)与武汉站逐时总辐射相关性较高的模式输出因子为:到达地表短波辐射、地表温度、2m气温、2m比湿和云水混合比的垂直积分;2)简单的消除偏差方法对模式预报效果略有改进;3)综合考虑了辐射、温度和水汽条件的MOS预报效果最佳,可使平均绝对百分比误差由模式预报的38.3%减少到22.0%.可见,通过对模式输出结果进行误差订正,能够进一步提高辐射预报的准确率.     

WRF模式气象要素模拟精度的验证及订正——以南疆区域为例

为了提高WRF模式进行气象要素预测的准确性,通过比较南疆地区23个站点的实测气象数据与WRF模拟数据间的误差,采用地理加权回归(geographic weighted regression,GWR)对WRF模式输出的气象要素进行订正.结果表明:WRF模式基本能够模拟出温度和相对湿度特征,但对风速值模拟偏大,采用GWR订正可以进一步减小WRF模式的误差,均方根误差温度、湿度和风速分别下降了1.49℃、9.01%和0.89 m/s,相对均方根误差温度、湿度和风速分别下降了12.88%、18.75%和69.54%.与未经订正的WRF数据对比后可知,GWR对WRF模式预测的气象数据具有良好的订正效果,可以进一步提高WRF模拟的准确性.     

基于WRF-SOLRA数值模式的太阳总辐射预报性能分析

基于分布于内蒙古具有区域代表性的8个辐射站观测资料,分析不同区域、时间段和天气条件下WRF-SOLRA数值预报模式对太阳总辐射的预报性能,并对预报结果进行订正.结果表明:WRF-SOLRA数值模式的太阳总辐射预报与实况的趋势基本一致,且太阳总辐射的预报误差、趋势具有显著的时空分布特征.误差日分布由东至西呈现上午为正-中午为负-下午为正、全时段为负和上午为正-下午为负的特征;所有站午间误差大,预报偏移幅度小,而傍晚时段与之相反.同时,随着云量、气温和PM2.5、PM10浓度的增加,均方根误差均呈增大趋势,模式预报性能降低,而平均风速、平均气压和能见度增加,预报性能转好.通过检验分析,针对性的对太阳能总辐射数值预报进行了应用订正,订正后预报与观测的相位差由0～2h减为0～1h内、预报均方根误差由36.29～117.38W/m2减为36.19～91.00W/m~2,达到了服务光伏电场功率预测的目标.     

考虑平滑效应的风电场功率模型

提出一个同时考虑风场运动延迟平滑效应和尾流效应的风功率预测模型.模型中通过模拟尾流效应对风速的影响,并计及风速传输的延迟性,获得处于不同空间位置风机的风速,通过功率的叠加,形成风电场功率输出曲线来表征功率输出的平滑效应.模拟及案例分析结果表明,所提出的模型有效性强、精度高,适合用来评估风电场注入功率对系统的冲击影响,更符合风电场的实际情况,有助于对电力系统机组的备用容量、爬坡率进行修正,并有利于合理评估风电场对电网运行安全的影响.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

QuikSCAT风矢量资料在黄海洋面的真实性检验及应用

为弥补黄海海域缺乏洋面风实测资料,提高该海域海洋大风预报能力,本文对NASA QuickSCAT极轨卫星的10m散射风原始轨道资料和江苏近海黄海区域海洋站风资料进行了对比,并对QuickSCAT风应用于沿海大风预报的能力做了研究。结果表明,QuickSCAT散射风原始轨道资料在江苏近海区域具有可信性：江苏近海海洋站与QuikSCAT风速误差为-0.01m/s,散射计风速略低于海洋站的风速;两者风向偏差为2.31?。利用QuickSCAT矢量风和海洋站实况的订正关系对热带气旋大风圈范围和强度预测做了尝试性工作,表明QuickSCAT散射计矢量风资料对江苏近海区域强风有很好的预报能力。     

基于灰狼优化SVR的风电场功率超短期预测

提高风电场功率超短期预测的稳定度、精度和速度,是风电并网的关键技术之一.分析了风电场气压、温度、湿度等气象因素和风速对风机输出功率的影响,用风电场的气象数据和风速构建风电场物理模型,提出了一种用灰狼算法优化SVR参数C、g的风电场功率超短期预测模型,通过与GA-SVR、PSO-SVR预测模型比较,结果表明,该预测模型稳定性好、预测精度高、预测时间短.     

一种考虑时空分布特性的区域风电功率预测方法

为了有效解决风电场数据丢失时直接相加法无法进行区域风电功率预测的问题,提出了一种考虑时空分布特性的区域风电功率预测方法.为降低模型的复杂性,根据风电场及风能信息对子区域进行具体分析.在此基础上,利用相关系数法,选择风电场出力与子区域出力间相关系数绝对值大的风场为基准风电场.以所选基准风电场预测功率为输入,利用神经网络方法,直接预测各子区域功率,整个区域预测结果为各子区域预测值之和.算例结果表明:利用相关系数法选择基准风电场无需大量历史数据支撑,原理简单易于实现;模型与风电场所采用的预测系统无关,易于工程推广应用;模型无需考虑非基准风电场功率预测情况,成本更低、效益更高;采用该模型后子区域预测误差比直接相加的方法降低了5％,整个区域预测误差仅为20.8％.     

基于有参和无参分析的风电功率短期点预测值置信区间估计

根据风电场实际风速数据分布满足威布尔分布和正态分布,对风速满足正态分布的风电场功率概率分布进行详细推导、分析了基于两种风速分布的风电场短期点预测功率与未来实际风电功率偏差的概率求取,短期点预测风电功率波动的置信区间估计;同时,也采用非参数法进行风电功率短期点预测值的置信区间估计.通过对两组分布规律不一样的原始数据分析,求点预测风电功率的置信区间,并把有参和无参区间估计进行比较,验证了方法的实用性和有效性.     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

风电场风参数感知方法现状与展望

从实测感知和预测感知技术两条技术路线概述了传统风电场风参数感知方法的技术特点,并从风参数获取的全面性、精确性、经济性、时间尺度及其应用模式等角度对比分析了传统方法的局限性.在分析风传播特性、风电场风电机组布置和通信特点及风电机组间运行数据关联性的基础上,提出了"实测-关联-共享-预测-校验"的风电场风速、风向、风密度等风参数复合感知新思路及架构,并讨论了尚需解决的关键问题,可为后续研究提供参考.