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%。     

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。     

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。     

测风塔代表性对复杂地形风电场风能资源评估的影响

复杂地形风电场风能资源评估的准确与否,很大程度上决定于风电场测风塔的数量和测风塔的位置是否具有代表性。以已运行的某西南地区复杂地形风电场为例,采用风电场实际运行的数据资料,利用Windsim软件计算不同测风方案下风电场的风能资源分布和年可利用小时数。结果表明,测风塔的代表性对复杂地形风电场风能资源评估有着极其重要的影响;测风塔的布设应综合考虑风电场地形地貌、海拔、距离以及遮挡效应等因素;合理选择具有代表性的测风塔,可以很大程度上降低风电场风能资源评估的不确定性。     

利用STRM和NCEP数据提高风电场宏观选址的准确性

利用STRM数据得出风电场宏观地形,利用NCEP数据提取出风电场的气象数据,在WAsP8.3软件的支持下,计算出描述风资源概况的风速、风功率密度和威布尔分布参数值的分布概况,根据风速、风功率密度分布可以直观的看出风资源的分布情况,根据威布尔分布参数值能够计算出初步的发电量,进而为风电场的宏观选址和下一步测风塔的建立提供依据。     

基于数值模拟的云南省风能资源分布研究

 介绍了利用中尺度气象模式MM5和小尺度诊断模式CALMET组成的风能资源数值模拟模式系统,模拟了2009年6月1日-2010年5月31日1个完整年,1 km水平分辨率下各高度层的风速、风功率密度,给出了云南省风能资源数值模拟分布图.利用云南省4座测风塔的同期实测资料对模拟结果进行验证.最后对云南省风能资源的进一步开发提出了建议.     

基于激光雷达的风力机偏航误差纠正策略研究

本文在分析了现有测风系统不足的基础上,通过风洞实验验证了不同入射角来流风速对风速仪测风的影响,证明了现有风速测量的不准确性。在此基础上提出了激光雷达风轮前方测风系统,根据电量损失的百分比和偏航误差的余弦平方关系曲线,通过在风电场安装激光雷达,收集激光雷达和现有测风系统(机舱后方气象架和测风塔)的风况数据,对数据进行相关性及拟合分析,得出现有测风系统所测量风向的偏差值。通过在人机界面(HMI)中修正此偏差值可以减少功率损失。     

基于激光雷达的风力机偏航误差纠正策略

在分析了现有测风系统不足的基础上,通过风洞实验验证了不同入射角来流风速对风速仪测风的影响,证明了现有风速测量的不准确性。在此基础上提出了激光雷达风轮前方测风系统,根据电量损失的百分比和偏航误差的余弦平方关系曲线,通过在风电场安装激光雷达,收集激光雷达和现有测风系统(机舱后方气象架和测风塔)的风况数据,对数据进行相关性及拟合分析,得出现有测风系统所测量风向的偏差值。通过在人机界面(HMI)中修正此偏差值可以减少功率损失。     

基于实测数据的西北地区风电场风场及尾流特性分析

基于西北地区某风电场2015—2016年的风速风向实测数据,分析了风电场风塔的尾流特性,并与现有风力机尾流模型进行了对比分析.在此基础上,对在远尾流场作用下的风速风向、湍流强度、湍流积分尺度、概率密度分布等风场特性进行了详细分析.研究结果表明:现有的Jensen模型、Park-Gauss模型与实际工程中多个尾流作用下的风电场尾流特性存在差异.在多风向多尾流叠加作用下,当风速大于10 m/s时,各风塔湍流强度随着平均风速的增长呈增大趋势,风电场内部风塔湍流强度在低湍流段更加集中,外围风塔湍流强度随平均风速的增大速率略快于内部风塔,而湍流积分尺度随平均风速的增大程度总体慢于内部风塔,且外围风塔实测风速更加接近高斯分布.     

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...     

风电场风速和风电功率预报准确率评判方法

 对风电场风速和风电功率预报进行客观准确的评判,可以有效促进风电场风速和风电功率预报水平的提升,为减缓风电并网对电网的影响服务.本文在对风电场风速和风电功率预报准确率评判方法进行全面回顾的基础上,分析了常用数学预报准确率评判法、相对于风电场额定值的预报准确率评判法、等级预报准确率评判法和与风力发电特征紧密结合的风电场风速预报准确率评判法.同时还分析了这4类风电场风速和风电功率预报准确率评判方法的特质,及其与风力发电特征的结合程度和适用范围.     

基于改进最小二乘支持向量机方法的短期风速预测

为了进一步提高短期风速预测的精度,分析了一种改进的风速预测方法.该方法考虑风速发生变化的极值点对总体预测误差的影响,以及预测曲线较实际曲线产生的滞后,分别对预测数据进行了极值点修正和偏移量处理.在对未来1 h风速进行预测时,相比粒子群优化(PSO)的最小二乘支持向量机(LS-SVM)模型、未经优化的LS-SVM模型及反向传播(BP)神经网络模型,所提出的模型具有较高的预测精度和运算速度.算例结果表明,改进的LS-SVM算法是进行短期风速预测的有效方法.     

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。     

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。     

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。     

运动学效应对登陆台风近地面风场模拟的影响

以2016年超强台风"莫兰蒂"为例,采用天气研究与预报模型(WRF)耦合加利福利亚气象模型(CALMET)的方法,提出了适用于台风条件下的CALMET运动学效应改进方案(KETT)。结果表明,KETT方案可以成功消除CALMET原有运动学效应带来的风场模拟系统性误差,并且10 m高度风速和风向模拟误差比原有方案分别降低10.8%和5.4%。在石蛇山区域,与不采用运动学效应相比,KETT方案10 m高度风速和风向的模拟误差均降低12%以上,能够更准确地反映局地地形对台风近地面精细化风场的影响。     

巴基斯坦瓜达尔港风能资源的 历史变化趋势及预测

利用欧洲中期天气预报中心的ERA-Interim海表10 m风场资料,计算巴基斯坦瓜达尔港的风能资源近36年(1979—2014年)期间的历史变化趋势,并利用线性回归和BP神经网络两种方法,对该港的风能资源进行长期年度预测,得到以下结果。1)瓜达尔港夏季的风能资源比冬季丰富,且夏季的稳定性明显好于冬季。2)近36年期间,风能密度、有效风速频率和100 W/m~2以上能级频率分别以-0.78 W/(m~2·a),-0.21%/a和-0.22%/a的速度逐年显著递减,且该趋势主要体现在夏季,冬季无显著变化趋势;风能资源的稳定性(变异系数、月变化指数和季节变化指数)无显著变化趋势。3)从预测值来看,瓜达尔港的风能资源在2015年与多年平均状态持平,2016年则趋于更丰富;2015—2016年,风能资源的稳定性比多年平均状态略差。研究结果可以为"21世纪海上丝绸之路"建设以及中国海域的岛礁和港口建设提供依据和参考。     

东海某风场4 MW风机塔筒结构疲劳特性

海上风机塔筒长期受到风荷载等外部动力荷载作用,其应力响应相当不规则,容易发生疲劳破坏。由于每个风速工况出现的概率不同,而且塔筒在各工况下的响应也存在差异,因此有必要划分风速工况来编制疲劳应力谱。以东海某海上风电项目为例,建立塔筒结构三维精细化有限元模型,结合风速威布尔分布模型、雨流计数法和线性疲劳累积损伤法则,采用名义应力法计算塔筒的疲劳寿命,并与简化塔筒模型的计算结果进行对比分析,以期为风力机结构疲劳研究提供思路和参考。计算结果表明：通过划分风速工况来编制疲劳应力谱的方法是可行的;塔筒结构容易发生疲劳破坏的部位在塔筒中下部筒节之间的连接处及附近;在分析塔筒疲劳特性时采用壁厚随高度均匀变化的简化塔筒模型与精细化模型结果相差较大,会带来较大误差,因此建议建立精细化模型以合理预估风机塔筒疲劳寿命。     

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。     

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.