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.     

基于广义回归神经网络的风电机组性能预测模型及状态预警

提出了一种基于广义回归神经网络（GRNN）的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用SCADA系统的真实历史数据,采用广义回归神经网络（GRNN）建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。     

相位调节在风电功率预测中的应用

采用小波神经网络方法对风电功率进行了预测,并用超前相位调节法对结果进行矫正。比较了预测前后的矫正效果,结果表明,超前校正法能够提高风电功率的预测精度,并在一定程度上解决了时间序列分析法的预测时延问题,对电力系统的安全稳定经济运行以及提高运行效益具有重要意义。     

基于波动分量偏度风电功率的预测

风电功率波动分量的存在对风电功率的预测精度有重要影响。为提高风电功率的预测精度,本文从波动分量偏度入手,推导出预测精度与波动分量的偏度的相关性;并选取合格率作为精度指标,运用卡尔曼滤波模型和小波神经网络模型计算合格率,验证了合格率与偏度的相关性;最终得出波动分量的偏度与风电功率的预测精度呈显著负相关,该结果表明选取波动分量偏度较小的数据可提升风电功率预测精度。     

利用实时功率曲线优化风功率预测系统

我国风电高速开发,大容量风场分布集中、容量增速过快。由于地区电网消纳容量有限,加之风电的随机性和间歇性,给电力系统的安全稳定运行造成了严峻的挑战,也不利于风电的进一步发展。提高输出功率的预测精度就很重要了。本通过对风电场所有风机的实时功率曲线的拟合,预测各风机的功率范围,叠加后得到整个风电场功率预测的置信范围,通过比较模型的预测输出和风场风功率置信区间。根据模型的相应修正规则对模型进行相应的调整,使得模型的预测结果最优化。     

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。     

基于预测的风电功率平抑控制方法

受风速随机变化的影响,风电输出功率具有波动性。为了平抑风电输出功率的波动,在配置电池储能系统的基础上,文中基于风电短期平均功率预测技术,以风电时间周期T的平均功率为对象,采用时间序列法进行预测,实时滚动预测未来每个时间周期T的平均功率,结合平抑度要求和电池荷电状态限制条件,控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内,分段平抑功率波动。其中,根据电网对风电功率波动的可接受程度,设置平抑度,为防止电池过充放电,对电池SOC进行限制。最后以某风电场的实际历史数据为例,在Matlab中进行了仿真分析,验证了所述方法的有效性。     

小波-RBF短期风电功率预测

鉴于风功率预测是风电并网的关键环节之一,风力发电具有波动性、间歇性、随机性特点,首先利用小波变换对历史风功率数据进行分频段分析,然后根据风功率数据高低频的特点分别利用径向基神经网络建立预测模型,最后通过小波重构获得预测信号.通过算例分析,验证了该预测方法具有较高的准确性和实用性.     

一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点,提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据,其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据,最后采用孤立森林方法对预测数据进行无监督故障检测,以此实现雷达退化故障预测并提前告警。结果表明,本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警,能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。     

基于GWO-CNN-BILSTM的超短期风电预测

在未来高渗透率风电场景下,超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此,提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法。首先,搭建基于卷积神经网络(convolutional neural network, CNN)与双向长短期记忆神经网络(bidirectional long short term memory, BiLSTM)的组合模型,然后,为提升风电预测结果的精度,通过灰狼优化算法(grey wolf optimizer, GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。最后,仿真结果验证了所提出方法的有效性和优越性。     

风电功率波动特性研究

采用概率分布拟合和基于遗传算法的BP神经网络的预测建模对风电功率波动特性进行定量分析。首先,针对风电功率实测数据建立了概率分布拟合模型并分析了拟合结果;其次,建立了基于不同时间间隔历史实测数据的BP神经网络预测模型,数据检验表明该模型对于峰值有很理想的预测精度且整体精度较高。     

风电时序动态修正的实时调度计划研究

针对风电功率预测偏差影响电力系统发电计划准确性的问题,提出了一种超短期内风电时序动态修正的实时调度模型.该模型采用马尔科夫链时序预测方法,以5~15min为周期动态修正风电超短期预测功率的时间序列,并以煤耗增量最小和弃风最小为双重优化目标,同步修正风电场及常规机组的发电计划,最后将模型转化为凸二次规划及其拉格朗日对偶问题,并基于原-对偶内点法构建求解算法.通过对含风电场的10机组系统的仿真分析表明:所提模型在日内调度过程中进一步优化了系统的运行成本,同时提高了系统跟踪风电功率波动和消纳风电的能力,所采用的求解算法收敛迅速、鲁棒性强,可适应于实时调度的计算需要.     

风速波动时基于UKF-DFNN的变桨距控制

针对风速大于额定风速时风速波动引起风电机组的功率波动及变桨距系统频繁启停的问题,提出基于无迹卡尔曼滤波(unscented Kalman filter,简称UKF)与动态模糊神经网络(dynamic fuzzy neural network,简称DFNN)相结合的变桨距控制策略.为了消除传统变桨距控制中风速作为输入信号时产生的时延,将风电机组转速及输出功率作为反馈输入量.利用UKF对反馈输入量进行实时滤波处理,且将滤波后的数据用DFNN动态调整其权重,得到精确的桨距角指令值.采用Matlab/Simulink构建仿真模型,将UKF-DFNN控制与模糊PID、径向基函数(radial basis function,简称RBF)神经网络控制进行对比分析.仿真结果表明:所提策略能提高风速波动时系统的鲁棒性、抑制桨距角的波动范围、输出稳定的功率.     

基于双向长短期记忆神经网络的风电预测方法

风电受天气条件的影响具有间歇性和波动性的特点,随着风电在电网中渗透率的提高,电网面临着新的挑战.对风电进行预测并根据预测值进行合理调度,可在一定程度上缓解风电的不确定性对电网的影响.本文提出了基于双向长短期记忆神经网络的风电预测方法,该模型可以同时利用过去和未来的数值天气预报信息,提高了风力发电的预测精度.首先,文章阐述了单向长短期记忆神经网络的原理和结构,在此基础上,添加反向隐含层成为双向长短期记忆神经网络;其次,基于双向长短期记忆神经网络,构建了风电预测架构,并分析了风电预测的评价指标;最后,利用实际数据进行了仿真验证,结果表明,相对于长短期记忆模型,以均方根误差、希尔不等系数和对称均值绝对值百分比误差三个指标衡量,双向长短期记忆神经网络的预测精度分别提高了10.25%、6.71%和12.18%.     

风电机组主轴系统实时可靠性分析与预测方法研究

对于历史数据不完整的风电机组系统,运行过程中需要对系统和设备进行实时可靠性分析和预测。以风电机组主轴轴承系统为例,以参数偏差为其量化指标,建立实时的可靠性评价模型,对风电机组主轴轴承系统进行实时状态评价和可靠性分析。同时,基于灰色预测法对监测参数进行趋势预测。根据趋势预测结果,结合实时可靠性分析所确定的系统当前状态评价结果,及时预警并识别故障,确定设备维修方案,保障风电机组良好运行。     

基于神经网络的物流量预测

应用不同的人工神经网络模型进行物流量预测。分析影响物流发出量、吸引量和周转总量的各相关因素及神经网络预测的基本思想,研究神经网络静态前馈模型和简单动态模型预测物流量的局限性,认为采用二者结合的综合预测方法能对物流量进行准确的预测。给出动态反馈的实时递归法仿真计算步骤,仿真结果与实际结果比较,具有较高的可信度。     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

基于遗传算法的动态递归网络的股价预测

为了对股票市场进行更准确地监测预报,根据股市的动态特性,提出了应用动态递归神经网络进行实时建模预测,并采用遗传算法进行在线学习,提高了网络性能,较好的描述了股市的动态特性。通过对某上证股价的预测,验证了该法的有效性。     

基于滑动窗双边CUSUM算法的风电爬坡事件检测方法

随着新能源并网进程的推进,风电装机规模逐年扩大。受区域内天气变化影响,风机出力的间歇性和波动性特征对电网的威胁亦越发显著。极端天气所引发的风电出力异常爬坡事件,易导致电网功率失衡,对电力系统机组调度、源荷平衡造成了极大压力。合理的风电爬坡事件检测以及精准的风电功率预测能为风电场运维及电力系统调度提供先验指导,有力缓解风电不确定性带来的危害。首先讨论了目前主流风电爬坡事件定义的盲点,分类并分析了3种风电爬坡场景的功率变化特性,据此提出基于滑动窗双边累计和(cumulative sum, CUSUM)算法的风电爬坡事件检测方法,提取时序耦合信息,捕捉短时间窗口内风电功率数据的异常波动,提高风电爬坡事件检测精度。其次,采用贝叶斯优化的长短期记忆(long short term memory, LSTM)神经网络,最优化模型超参数,提高模型对于爬坡事件发生时风机出力的预测性能。进一步应用所提风电爬坡事件检测方法,对模型预测区间内的风电爬坡事件进行检测实验,验证了所提方法的有效性。     

双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。