小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

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。     

基于时间序列法的短期风速建模

短期风速预测是风电场监控系统中的重要一环。因风速序列本身已经具有时序性和自相关性,基于时间序列分析法建立了风电场风速短期预测模型,并结合实例阐述了时间序列法在这一领域的适用性,分析结果表明,所建模型具有一定的实用价值。     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

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.     

基于互信息理论与递归神经网络的短期风速预测模型

风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的风速预测.     

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...     

基于CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型，实现了黄土高原陇东区风电场月平均风速的准确预测.首先，采用CEEMDAN算法对收集到的风速时间序列进行去噪，以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷；其次，采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化，以克服SVM参数选择敏感的缺陷；最后，用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测，预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

基于ARIMA模型的甘肃省能源消费预测

本文利用时间序列分析的ARIMA模型对甘肃省1985-2007年的能源需求总量进行了实证研究,结果表明甘肃省能源需求总量在做短期预测时ARIMA（0,2,1）模型是合理的,本文在此基础上做了预测,并得出来相应结论。     

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.     

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。     

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.     

含风电的电力系统动态频率分析

研究了风电接入某实际电力系统对系统动态频率产生的影响。通过建立直驱式永磁同步风电机组动态模型和含风电的实际电力系统模型,对含风电的电力系统动态频率进行了仿真分析。研究了风速扰动对系统动态频率的影响、风电渗透率上升对系统频率调节能力的影响以及风机脱网故障对系统动态频率的影响。在风机增加了基于虚拟惯性的频率控制系统,研究了具有调频系统的风电机组对系统动态频率的影响。研究结果表明大规模风电场的风速扰动将导致系统频率出现显著波动;随着系统风电渗透率的增加,系统的调频能力将明显下降;风电场在故障下的风机脱网事故将对系统动态频率造成严重影响。增加频率控制系统使风电机组具备了一定的调频能力,有效地抑制了扰动情况下的系统频率波动。     

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。     

风电机组风洞测试的阻塞效应分析

风洞测试具有方便、快捷和高效的优势,在风电机组输出功率特性测试中应用较多。测试风轮直径较大时,由于存在风洞堵塞效应,会对测试结果造成影响。以300 W风电机组作为研究对象,分别采用风洞测试和车载测试进行输出功率特性测试。测试过程采用负载法,分别以电阻和蓄电池作为负载进行测试。在风洞截面为3m×3m的试验段中测试,机组空载启动风速为4.3m/s~4.8m/s,以电阻为负载时的额定风速为6.2 m/s;在车载测试中,机组空载启动风速为5.7m/s~6.2m/s,以电阻为负载时的额定风速为8.1 m/s。风洞测试比车载测试的启动风速低1.4 m/s,占车载测试启动风速的24.6 %,比车载测试额定风速低1.9 m/s,占车载测试额定风速的23.5 %。风轮直径2.3 m,其扫掠面积占风洞试验段截面面积的46.2 %,风洞的堵塞效应较大,致风洞测试数据与车载测试数据相差较大,因此风洞测试后需要修正。     

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。     

中小型风力机功率曲线的分析与优化

以提高风力机发电效率为目标,对风机功率曲线的工作点及可优化区间进行分析,为功率曲线优化提供基础。根据风力机的监测数据,采用最小二乘法与查表法估算出最优功率曲线,将其与叶尖速比法结合,调整风力机内部参数,以进行功率曲线优化。该方法利用实际的中小型风力机机进行试验,克服了叶尖速比法需要建立准确风力机模型及风速测量等在实际生活中应用的局限性;并对单台风力机建立模型,理论输出功率精度高,具有很高的自适应性。通过对多台风力机功率曲线的对比分析,发现该方法对优化风力机的功率曲线具有一定效果,可为中小型风力机的优化提供参考。