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。     

Y形平面高层建筑风荷载研究

介绍了Y形平面高层建筑结构刚性模型在均匀流场和紊流场中三种风向角下的三维风荷载风洞试验结果，分析了Y形平面建筑物三维风荷载的数值模型，获得了一些对工程设计有参考意义的数据和结论．     

200 km/h电力机车气动性能风洞试验与数值模拟

采用模型风洞试验和数值计算方法研究了200 km/h机车外形的气动性能.试验风洞为FD-09单回流低速风洞,模型缩尺比为1:8.873.数值计算采用流体动力学软件FLUENT,数学模型为三维粘性不可压缩流体雷诺时均方程和κ-ε双方程湍流模型.数值模拟结果与模型风洞试验结果基本吻合.在此基础上对多个外形的设计参数进行了优化,并对优化后的模型流场作了数值计算,得出了一些有益的结论.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,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,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。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,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

考虑尾流效应的风电场建模以及随机潮流计算

采用变量变换法拟合了风速频率的三参数weibull分布函数,在风能分布的Jensen和Lissaman模型的基础上,结合风速的频率分布模型与风力发电机组的单机稳态模型,建立了大型并网运行风电场的综合模型.该模型同时考虑了尾流效应和风电场地形因素对不同位置风机风速的影响,得到了考虑以上因素时风电场的输出功率.在此基础上,应用蒙特卡罗法对风电场接入系统进行了随机潮流计算.最后,以40机的风电场为例建立了风电场模型,将此模型引入到IEEE14系统中,通过随机潮流计算得到系统节点电压的概率分布以及风电场输出功率的概率分布,分析了风电场并网运行对系统各节点电压的影响,从而为减小风电接入系统的电压波动提供参考.     

Simulation of wind gust structure in the atmospheric boundary layer with Lattice Boltzmann Method

Cold fronts occur in northern East Asia during winter and spring.After cold frontal passage,airflow is downward and accompa-nying strong winds fluctuate significantly;this is termed wind gusts.Analysis of observation data shows that wind gust structure has coherent characteristics.This is important for entrainment of spring dust storms into the upper boundary layer,where they are transported great distances.The Lattice Boltzmann Method(LBM) is a computational fluid technique based on the Boltzmann transport equation.The LBM has been used to study complex motion such as turbulence,because it describes motion at the micro level.In this paper,Large eddy simulation is introduced in the LBM,enabling simulation of turbulent flow in the atmospheric boundary layer.The formation and development of wind gusts are simulated,and a coherent structure with a combination of wave and vortex is obtained.This explains the mechanism of soil erosion and sand entrainment by the coherent structure of wind gusts.     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, lightGBM)组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4 h风电功率为预测目标,验证了组合模型的有效性。预测结果表明：相较于其他3种单一模型,组合模型具有更高的预测精度。     

基于机器视觉的风力机叶片损伤检测系统

针对风力机叶片表面出现的磨损等早期损伤特征现象,传统损伤检测方法存在高成本低效率等问题,设计了一种基于机器视觉和图像处理相结合的风力机叶片损伤检测系统。通过搭建机器视觉实验平台完成风力机损伤叶片图像采集和处理,通过使用HSV进行颜色平面提取,卷积运算、高亮显示操作滤波,选用自动阈值分割方法中最小均匀性度量法进行阈值分割处理,最后通过数学形态学去噪处理,腐蚀、膨胀、开运算等操作完成特征提取,设计了基于LabVIEW的风力机叶片智能图像识别系统,通过对图像处理后的损伤特征识别效果调试,完成性能测试。实验结果表明：基于该算法处理后的图像在设计的识别系统内准确识别率达到92.3%,并对裂纹损伤进行目标测量得到实际长度且绝对误差最大为3 mm。该系统满足叶片检损的要求,实现对风力机叶片表面裂纹、轮廓磨损等损伤的图像处理和识别,并对损伤处进行标记、计数和测量,实现无损探伤,为兆瓦级风力机叶片损伤检测提供方法借鉴和图像处理、系统设计的技术支持。     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析(neighborhood components analysis, NCA)特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

海上风电场环形结构集电系统可用率等值计算方法

为了在规划阶段做好海上风电场集电系统的可靠性评估,避免可及性差导致的维护困难,提出将概率性方法与确定性方法结合的可用率等值计算方法。首先根据大规模海上集电系统的特点将其划分为变电站层、风机层、电缆层,通过故障树算法对环形集电系统的可用率进行分层描述;然后根据环形结构可能出现的运行状态,分别计算单串环网的可用率;最后以某规划中的海上风电场为例对其集电系统的可靠性与经济性这对矛盾指标进行对比分析,实现集电系统不同拓扑方案的优劣比较,为海上风电场集电系统的拓扑规划提供量化的参考指标。