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.     

考虑风电机组旋转备用的风电系统备用容量计算

文章提出变速风电机组旋转备用概念和实现算法,设置风电场出力上限,利用风电机组出力可控性,实现风电场间互补备用,减少常规机组提供的备用容量。采用 K-均值聚类算法对风电场历史数据进行聚类分析,分析风电场功率预测偏差引起的风电系统备用需求的概率分布。设定电网安全运行置信度,计算常规机组所需提供的备用容量值。结果证明,风电机组旋转备用和良好的风场风资源互补性可以减少常规机组所需提供的旋转备用容量,多风场聚合为一个等值风场,可以减少调度出力给定值。     

基于时序长记忆模型的风电场短期功率预测

随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响。为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测。     

基于支持向量回归的风电场短期功率预测

针对风电场的短期功率预测,提出了一种考虑风电机组运行条件的用于风电场短期功率预测的新方法.首先,利用风力发电机的监控和数据采集(SCADA)系统数据计算输出功率和运行条件之间的皮尔逊相关系数,验证了SCADA监测项目对风力发电机输出功率的具有相关性;其次,建立支持向量回归(SVR)模型来预测单个风力发电机的风力与气象、运行状态的关系,发现了考虑运行条件的模型的预测结果优于仅考虑气象信息的模型的预测结果;最后,考虑到不同空间位置的风力发电机组对风电场输出功率的贡献不同,建立了各风力发电机预测功率和风电场预测功率输出之间的回归模型.试验结果表明:所提出的风场回归模型的预测误差小于风力涡轮机所有预测功率的模型的预测误差,从而验证了该方法的有效性.     

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.     

风机功率曲线和功率保证值计算研究

本文介绍了一种利用风机实际运行数据,依据"IEC61400-12:功率特性测试",计算风机功率曲线和功率保证值的方法.本文采用了我国内蒙地区的实际风速、风况以及风机运行数据,采用bin方法对这些数据进行处理,整理出一套适合我国风电运营单位应用的风机功率曲线和功率保证值的考核方法.     

基于Stacking 多GＲU 模型的风电场短期功率预测

为提高风电场短期功率预测的准确度,在深度学习的基础上提出利用Stacking 算法集成融合多个GＲU ( Gated Ｒecurrent Unit) 模型的风电场短期功率预测的方法。该方法首先搭建3 个多层GＲU 神经网络模型建立 第1 级模型,深度提取高维的时序特征关系,通过第1 级模型的预测结果构建训练集,然后利用新生成的训练 集训练第2 级GＲU 模型,第2 级的GＲU 模型采用单层结构,能发现并且纠正第1 级模型中的预测误差,提升 整体的预测结果。最终得到两级模型嵌入的Stacking 融合模型。以宁夏太阳山风电场历史数据为例对该模型 的准确性进行验证。实验结果表明,通过Stacking 算法融合的GＲU 模型相比其他算法预测平均绝对百分比误 差提高了0． 63,总体预测效果较为理想,预测准确度提升明显。     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

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.     

风电-抽水蓄能电站联合运行的多目标优化

为了充分利用风能,改善风电场的功率输出特性,建立风电场-抽水蓄能联合供电系统的优化模型.以联合运行系统的效益最大和输出功率平滑为优化目标,采用多目标克隆选择算法,对模型进行求解和仿真分析.通过优化计算使风电-抽水蓄能联合运行系统在提高运行效益的同时,输出功率得到平滑.应用风电场功率预测技术,通过上述优化,可以得到预测日...     

风电场功率曲线异常数据的清洗与建模

风电场风速功率数据中通常包含大量异常数据,难以反映风机的真实工作情况,影响风电功率预测的准确性,进而造成一定的经济损失.针对该问题,分析异常数据的特征,提出滑差-四分位异常数据剔除方法,并利用高次多项式和Logistic函数对剔除后的数据进行风速-功率曲线建模,最后用和方差、均方根误差和确定系数验证该方法的适用性和有效性.实例分析表明,该方法简单高效、通用性强,可显著提高风电机组功率特性分析的准确度.     

基于超级电容器储能的直驱风电系统并网性能分析

为改善直驱风电系统的并网性能,在直流母线电压端并入超级电容器储能装置.分析了基于超级电容器储能的直驱风电系统模型,设计了控制策略,通过控制双向直流变换器及并网变流器,抑制风机功率的波动以向电网输出平滑的功率.在电网电压跌落时,使直驱风电系统安全实现低电压穿越,并向电网提供一定的无功功率支撑.利用依兰风电场18#风机实际输出功率作为控制对象进行仿真.结果表明,加入超级电容器储能装置可以改善直驱风电系统的并网性能.     

PSASP/UPI在异步风机潮流计算及风电接纳能力研究中的应用

根据异步风机的稳态潮流模型,在电力系统分析综合程序PSASP7.043中的用户程序接口(UPI)模块中,利用VC++6.0编写了异步风机的稳态潮流程序,通过动态链接库与PSASP连接,实现了含异步风机风电场的潮流计算;同时编写了用来研究静态电压稳定性及电力系统接纳风电能力的风电场P-V曲线的计算程序,实现了P-V曲线的快速求取。结果表明,在进行含异步风机风电场电力系统潮流计算时,风机内部功率损耗可以忽略不计,即风机输入的机械功率近似等于风机输出有功功率;通过P-V曲线的快速求取,可以快速地计算出电网中基于静态稳定下某一并网母线的风电穿透功率,从而节省了大量的计算时间,提高了计算准确度,为更深一步研究电网的风电接纳能力提供了依据。     

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％.     

风电场无功电压控制研究

目的研究双馈感应发电机的无功发生极限,采用一种风场控制策略实现接入点电压达到控制的目标值,以实现风场内的协调控制.方法双馈感应风机机组作为主要无功源,以双馈风机风电系统的功率关系为基础,把并网点电压调节作为目标同时考虑到各机组机端电压的协调控制策略.按照机端电压近似相等的原则来整定各台机组的无功出力,针对所采用的策略应用PSAT仿真软件搭建风场模型并进行了仿真.结果优先控制风电机组进行无功功率调节,降低风电功率波动,仿真结果验证了策略的正确性和有效性.结论充分发挥双馈风机作为风电场的元素组成部分的调压能力,提高风电机组对系统正常电压波动的适应性,并且减少了无功补偿设备的无功输出,实现了快速调节.     

混合储能平抑风电功率的方法研究

由于风速变化的随机性,风电场的输出功率波动性较大,导致风电场并网会对电力系统稳定性造成影响。为了克服风电输出的波动性问题,提出一种基于混合储能装置平抑风电功率波动的控制方法。首先,对风电输出波动功率进行分解,针对波动功率的特点选择蓄电池和超级电容作为储能装置;其次,设计储能系统的运行控制方式,使其能与风电场进行快速的功率交换,使得风电场输出功率跟踪发电指令;最后,在MATLAB/SIMULINK环境下进行仿真验证。仿真结果表明该方法能够有效地平抑处理风电场输出波动功率,使得风电场输出功率稳定地跟踪发电指令,蓄电池和超级电容各自发挥优势,延长了蓄电池使用寿命。     

基于混合储能技术的风电场功率控制研究

风力发电的输出功率因为风能的随机性而具有波动性和间歇性的特点,并网风电的高渗透率将削弱电力系统中发电功率的可控性.本文研究在风电场中引入一种混合储能装置,通过其充放电功率来平抑风电输出功率的波动.在保证储能装置荷电状态可靠性前提下,采用一种模糊自适应控制策略,优化储能装置的充放电过程控制.通过仿真研究,验证了采用模糊自适应控制的正确性和有效性,仿真结果表明混合储能系统能够有效平滑风力发电系统的并网功率,提高含风电场的电力系统的发电功率的可控性,并延长储能设备的使用寿命.     

风电机组设备选型的主要技术要素探析

风电机组的选择是一个复杂的问题,主要和风机单机容量的选择、功率调节技术考虑、安全等级确定、风机关键部件的技术要求有关。本文从水平轴和垂直轴风电机组等结构型式出发介绍了风电机组结构型式的选择,并阐述了风电机组功率调节技术和安全等级选择方面的分析方法,最后从对风电机组起决定性作用的"单机容量"的角度提出了风电机组的选型方法。     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。