基于置信度机会约束规划的风电场无功优化技术

风电不确定性给其功率预测带来一定困难,功率预测误差过大容易引发电压越限问题。为了保证电压安全并兼顾运行经济性,本文以网损最小为目标函数并考虑控制电压越限风险,对系统进行无功优化,通过一定置信度下的电压约束将随机优化模型转变成机会约束规划模型,再用内点法求解。提出了三种考虑电压安全裕度的优化方法,分析了它们各自特点和适用工况,制定了根据不同风电预测精度来灵活选用的综合方法。本文利用解析化梯度矩阵和海森矩阵的改进算法来求解无功优化模型,与以往采用差分近似梯度的算法相比大幅提升了计算效率,减少了一半以上的迭代次数和计算时间。最后在含风电场的IEEE-39节点系统和我国内陆某实际风场中验证了所提方法的有效性和优越性。     

坡度对三维山丘风场特性及绕流机理分析

为研究坡度对山丘地形风场特性的影响,采用基于空间平均的大涡模拟方法进行了非定常绕流数值模拟研究。首先,通过与试验结果的对比,验证了模拟方法及参数的有效性;然后,研究了15°、21.8°、30°和45°四种坡度对山丘的近地绕流平均和脉动风速场的影响,着重从时均和瞬态流场角度进行了影响机理分析;最后,分析了坡度对地形加速效应的影响,并与不同国家规范结果进行了对比。结果表明：大涡模拟方法可以较有效地模拟不同坡度山丘的平均和脉动风速特性;不同坡度山丘迎风面处的平均和脉动风速场的变化规律基本一致,差异主要在山顶和背风面处。在山顶位置,随着坡度的增加,脉动风逐渐增大,以坡度30°为界,山顶处的流向平均风速呈现先减小后增大的趋势,背风面流动分离点逐渐向下游移动,引起涡旋中心位置逐渐向下游移动且远离山丘壁面。在背风面山腰近壁区,以坡度30°为界,当坡度较低时,随着坡度增大旋涡尺度不断增大,旋涡尾迹变宽,能量逐渐集中,流向平均风速逐渐减小,脉动风速逐渐增大;坡度大于该值时变化趋势则相反。不同坡度的地形加速效应趋势基本类似,主要差异在近壁区,结合各国规范本文给出了不同坡度地形加速效应的最大值曲线。     

输电塔-线体系的风致动力稳定

结合增量动力分析法和弧长法有限元分析了安徽某输电塔-导地线结构的风致动力稳定,通过杆塔顶侧移比、底层受压侧主材应力和导线挂线点反力、张力和振幅的变化规律分析了塔-线相互作用及结构动力失稳前、后的受力特征。根据非线性静力与动力失稳塔顶侧移比相等原则得到了不水平档距塔-线结构动力失稳临界平均风速。研究结果表明,塔-线结构动力失稳过程主要为杆塔挂线点杆件屈服、塔身底部受压侧主材屈服、塔顶侧移比增大、塔底主材压屈;随着水平档距增加,塔顶侧移比增大,挂线点反力增大,导地线张力减小,导地线振幅增大,动力失稳临界平均风速减小;输电塔的风致稳定性设计应考虑动力效应及塔-线相互作用的影响。     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

中承式空间Y形钢拱桥力学分析

异形拱桥作为景观桥可以很好满足人们的景观需求,但同时它的受力形式也复杂多样,为了研究某空间Y型拱桥在施工阶段以及成桥阶段的受力特点,采用有限元分析软件建立全桥的数值模型。在考虑结构所受强风荷载的基础上,主要研究该结构在各个施工阶段以及成桥阶段关键部位的内力和应力,然后对结构进行动力和稳定性分析。结果表明: 该桥所受风荷载较为显著,双拱侧拱脚因为倾角的原因弯矩值较大,结构的受力均满足规范要求。通过对该拱桥的相关力学行为分析,研究结论可以给未来类似结构的设计和施工提供参考。     

突变风与列车风耦合气动载荷下风屏障的强度分析

自然风与列车风的耦合气动作用是铁路风屏障产生弯曲、扭转等变形的主要原因。建立了列车-风屏障耦合的三维气动仿真模型,对风屏障在突变风与列车风耦合作用下压力分布规律进行了分析。建立了风屏障固体结构分析模型,对风屏障进行了模态分析,采用流固耦合的方法分析了风屏障在不同工况下的应力及变形量,据此对风屏障进行了强度校核。结果表明：风屏障自振频率最小为6.11Hz,风屏障自振频率与列车风的振动频率相差较多,不会产生共振现象。在突变风与列车风耦合下,突变风的作用效果对风屏障的位移以及应力变化起决定性作用。在1.59s时,风屏障在突变风与列车风耦合作用下产生最大位移,其中最大负位移达到1.42mm,最大正位移达到0.605mm。H型钢立柱产生最大的Mises应力,达到83.79Mpa,比列车风单独作用时增加了152.8%。可见突变风与列车风耦合会加剧风屏障的动力响应。     

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。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

风电场尾流干涉效应及布局优化研究

为探寻风电场尾流干涉效应及定量预报不同风电场布局下整体输出效能,从工程中预报单台风电机尾流效应使用最普遍的Jensen模型出发,基于风电场布局中上游风力机对下游风力机的遮蔽效应及遮蔽模式,构建尾流干涉效应数学模型,编制风电场尾流干涉效应预报程序,研究齐位排列方式下风电场整体输出效能随风电场规模、行列间距及风向角的变化规律,以及错位排列方式下风电场整体输出效能随错位间距和风向角的变化规律。结果表明：不同风电场规模下整体输出效能均随着行列间距的增大而增大,不同行列间距下整体输出效能均随着风电场规模的增大而减小;不同错位间距和风向角下风电场整体输出效能差异明显,需根据风电场所在地风向来合理安排风力机行列间距,以最大化整体输出效能。研究可为工程中预报任意风电场布局下风电机组尾流干涉效应及合理化设计风电场布局提供技术支撑。     

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm, GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm, GA)、萤火虫算法(firefly algorithm, FA)和粒子群(particle swarm algorithm, PSO)优化算法进行对比。结果表明：运用PGOA算法优化后的风电场单位发电成本为2 016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。