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.     

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WRF模式的山西省风电功率短期预报系统

风电具有很大的随机性、间歇性和不可控性,大容量的风电接入电网将会对电力系统安全、稳定运行带来严峻的挑战,若能对风电场的风场进行短期预报,将是解决这一问题的有效途径。利用中尺度数值模式与风电功率统计预报模型,构建了山西省风电功率短期预报系统。通过模拟发现,预报的发电量与实际电量的一致性和相关性较好,可以满足风电场风电功率预报的服务要求。     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

海上风力机随机风场模拟及风振响应分析

为研究海上风力机的风振特性,进行风力发电塔-轮系统的随机风场模拟和风振动力响应计算。采用谐波叠加法模拟塔架和风轮的来流风速时程,进而基于改进的叶素-动量理论(MBEM)模拟考虑风轮和塔架相干效应、风轮旋转效应的风轮脉动风速时程。结合已提出的柔性结构风振精细化频域计算方法"一致耦合法",对海上风力发电系统结构进行风振动力响应和风振系数计算。研究结果表明:海上风力发电塔-轮系统的风振动力响应以共振效应为主,但背景响应和耦合项不能忽略,风振呈现多模态耦合和多振型响应2个显著特征;系统风振系数的分布差异较大,其中风轮尖部最大(2.35),塔架中下部位最小(1.40)。     

考虑风电场并网的电力系统短期多目标经济调度

风力发电的优势使得风电装机容量在电力系统中不断增加,但风速的随机性和间歇性使大规模风电并网后会对电网的安全性造成影响,这对传统的电力系统经济调度问题提出新的要求.在风速和风功率预测的基础上,将风电场运行时的总费用函数纳入到短期经济调度模型中,并对风电功率进行修正.同时考虑到风电功率的波动对电网安全性和调度策略的影响,在模型中加入风电场功率调整量函数,从而建立考虑风电场的电力系统短期经济调度多目标优化模型.采用向量评价遗传算法(VEGA)对一典型算例进行优化求解,确定合理的经济调度方案,验证该模型的可行性和有效性.     

基于风速数值预报的两种风电功率预测方法

针对风电场风功率预测,根据2011年11-12月的北方某大型风电场132台风机的实测风速资料与输出功率资料,以及BJ-RUC数值预报模式在该风电场风机高度(50 m)的预报风速资料,探讨了2种利用神经网络将风速数值预报转化为风功率预测值的途径:1)利用神经网络对风速数值预报进行预测后延误差动态订正,以订正后的风速预测风功率;2)用风速的数值预报值直接与风功率输出建立神经网络模型的释用方法。根据该风电场的实测资料和BJ-RUC模式输出资料,对0-4 h的风功率预报进行了试验,结果表明2种方法相较直接使用BJ-RUC模式风速得到的风功率预报效果有明显改进,第1种方法,风速的绝对误差下降了48.7%,风功率的平均绝对误差下降了58.2%,第2种方法,风功率的平均绝对误差下降了60.4%。     

基于卡尔曼滤波法的福建沿海风电场风速订正

为进一步提高福建沿海风电场短时风速预报的准确性,运用卡尔曼滤波递推方程组对2017年9月至2018年4月福建中部沿海某测风塔不同预报时效和不同高度层下的风速进行订正,并通过误差分析来探究卡尔曼滤波法对福建沿海风电场短时(0～9h)预报风速的订正效果,以2017年10月和2018年3月作为典型月作进一步分析。结果表明,订正后预报风速的误差均显著减小,卡尔曼滤波法有效提高了预报精度,尤其是在大风速区和风速变化较缓时,其订正效果更为显著。订正效果随着订正高度的增加而变好,随着预报时效的增加而变差。从订正结果来看,卡尔曼滤波法存有一定局限性,在风速突变较大时易造成较大误差,产生反相位订正结果。     

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。     

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。     

基于尾流效应的低风速地区风电场布局优化方法

为了减少低风速地区风电场尾流效应对其发电能力的影响,提出一种通过改变风机塔筒高度以提高风电场收益的布局优化方法。首先分析了塔筒高度与风电场年发电量的关系,进而优化风电场主风向上机组塔筒高度,以使轮毂海拔高度呈渐进式增加,实现风电场年发电量提升的同时尾流损失下降的优化目标。最后,使用Wasp10.0风资源评估软件建立风电场模型,与未使用优化方法的风电场进行仿真对比。仿真结果表明,随着主风向上前后排机组轮毂海拔高度差值的不断增加,风电场年发电量不断增加,验证了所提方法的有效性。     

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。     

Economic Assessment of Large Grid-connected Wind Farms--Avoided Cost Method

ＩｎｔｒｏｄｕｃｔｉｏｎＡｓａｎｅｗｌｙｄｅｖｅｌｏｐｅｄｆｏｒｍｏｆｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ,ｗｉｎｄｐｏｗｅｒｈａｓｂｅｃｏｍｅａｎｅｆｅｃｔｉｖｅｗａｙｔｏｄｅａｌｗｉｔｈｅｎｅｒｇｙｓｈｏｒｔａｇｅｓａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｐｏ...     

Economic Assessment of Large Grid-connected Wind Farms--Avoided Cost Method

Among the many forms of renewable energy generation, wind power is th e most mature. However, the method used to assess the economic value of large gr id-connected wind farms still needs further study. At present the traditional m e thod of project economic assessment as widely used in China isolates the wind fa rm from the whole power system and ignores the influence of reliability on the cost of wind generation; therefore, the evaluation results can not reflect the t rue economic value of wind power generation. After reviewing the many assessment methods used at home and abroad, this paper uses the Avoided Cost Method as the oretical basis to establish an economic evaluation model for large wind farms including the characteristics of other conventional forms of power generation li ke thermal power as well as the system load. The generating reliability is also combined into the economic evaluation. The model is used to evaluate China's lar gest wind farm, Dabancheng Wind Farm in Xinjiang.     

双馈风力发电机组仿真装置研究

以某风电场2 MW风力发电机组为仿真对象,对风力发电机进行结构分析,并采用模块化建模方法分别建立风速模型、风机模型、传动模型、电机模型和控制模型,给出了相应的数学模型.在南京工程学院JSCC仿真支撑系统下,用Fortran语言编写了仿真算法并建立全范围风力发电机组仿真模型.根据该风电场典型工况进行模拟计算,模拟风速从8 m/s至20 m/s变化时风电机组系统的变化动态特性,模拟结果表明所建立仿真模型能够反应实际机组的动态特性,系统能够满足风电场运行人员培训及风电系统优化等要求.     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

基于遗传算法的支持向量机短期风速预测

对风电场风速实现较准确的预测,可以有效减轻并网后风电场对电网的影响。支持向量机模型的预测精度在很大程度上依赖于模型参数的选择,为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,再根据选择的参数对小时风速进行预测。实验结果表明本文方法能够获得较高的风速预测精度。