基于混合Copula优化算法的风速预测方法研究

针对风电场中各风电机组风速之间存在的复杂时空相关性问题,提出一种基于混合Copula优化算法的风电场风速预测方法。该方法首先分析单一Copula函数拟合优度检验,选取合适Copula函数进行组合;其次,构建混合Copula函数模型对风电场内多风电机组风速相关性进行分析;最后应用最大期望（EM）算法求解模型相关系数并完成风速预测。结合优化算法,改进Copula函数能很好地解决风速相关性问题,为获取准确风速预测值奠定基础。以中国某地区风电场风电机组实测风速数据为例对所提方法进行验证,实验结果表明该模型可在准确分析风速相关性的基础上提高风速预测准确性。     

限电情况下风电场内机组最优组合方案研究

近年来,由于风电渗透率持续增加而电网消纳能力有限,造成风机产能过剩,"弃风"现象开始凸显。为保证电力系统的稳定运行,要求风电场主动参与系统调频,根据电网调度部门指令控制其功率输出。将风速预测信息与尾流效应模型结合起来,预测场内每台机组的最大出力。在此基础上,以提高风电场效益为目标,建立了限电情况下风电场内机组组合问题的数学模型,并利用改进的粒子群算法进行优化研究,得到限电情况下风电场内机组最优组合方案。最后通过实际算例进行仿真分析,验证了所提出方法的可行性和优越性。     

基于分段图像识别的风电场异常运行数据清洗方法

风电场异常运行数据清洗对风电场功率预测、理论功率计算以及发电性能评估至关重要。针对现有数据清洗方法中基于统计特征的清洗算法无法有效清洗风功率曲线中部的堆积型异常数据,基于图像识别的直接清洗算法会忽略不同风速区间的像素点密度分布差异等问题,文章提出了基于分段图像识别的风电场异常运行数据清洗方法。首先,以切入风速和额定风速为数据集分段点,生成分段二值图像集,构建基于Canny边缘检测的分散型像素点辨识模型;然后,基于边缘内图像集,构建基于数学形态学的堆积型异常像素点辨识模型;最后,以中国西北地区某两个风电场的实际运行数据为算例,与四分位法、基于密度的空间聚类（DBSCAN）法、基于图像的直接清洗算法进行对比分析,验证了所提算法的有效性和适用性。所提方法采用数学形态学分割图像的主要部分和突起部分,从而有效辨识风功率曲线中部的堆积型异常数据;通过设置不同分段图像的清洗参数以改进图像直接清洗算法对局部细节的识别性能,清洗后的正常数据散点分布更为平滑。     

基于多方面特征提取和迁移学习的风速预测

为满足风电场远程集控中心高效、低成本预测不同地理位置风电场风速的要求,结合“离线训练,在线预测”的思想,提出一种基于多方面特征提取和迁移学习的多变量风速预测模型。离线模型融合双通道卷积神经网络和双向长短时记忆神经网络捕捉风速信息,学习各典型位置风电场的风速特性,然后迁移至任意风电场实现快速在线预测,通过改进的多目标蝗虫优化算法集成各典型风电场预测结果,进一步提高预测精度。最后通过河北一集控中心验证表明,该文所提模型的适应性与准确性均优于其他基线模型。     

联合气象驱动生成和风速修正辅助的风电功率日前预测

随着风电渗透率的不断提高,准确预测风电功率对于构建高比例新能源的新型电力系统具有重要意义。针对该问题,文章提出一种联合气象驱动生成和风速修正辅助的风电功率日前预测方法,通过分析不同类型风电出力的气象特征,以气象特征作为驱动条件设计生成对抗网络,通过修正的数值天气预报(numericalweather prediction,NWP)信息指导风电功率的生成,根据以修正风速计算的参考功率和历史风电出力的连续性从多组生成风电功率中确定最终预测功率。使用实际风电场数据对所提出的方法进行了测试,并与几种典型的预测方法进行对比验证,结果表明该方法具有更高的准确度。     

基于优化聚类的组合风速短期预测

准确的风功率预测对电力系统安全、稳定运行具有重要意义,而风速预测是风功率预测的关键。文章提出一种基于优化模糊C均值(Optimal Fuzzy C means,OFCM)聚类的组合风速短期预测方法。首先,采用模拟退火遗传算法优化模糊C均值聚类算法的初始聚类中心;其次,基于优化模糊C均值聚类算法将初始风速属性样本数据进行分组;再根据不同风速样本组,运用极限学习机(Extremely Learning Machine,ELM)构建组合风速预测模型;最后,通过风速实测值与预测值的对比,验证了该方法的可行性。     

基于物理原理的风电场短期风速预测研究

对符合功率预测要求的短期风速预测进行研究,提出了基于物理原理的预测方法,该方法以数值天气预报(Numerical-Weather-Prediction,NWP)风速为输入数据,采用粗糙度变化模型与地形变化模型反映风电场局地效应对大气边界层风的影响;通过与不同风况下的实测风速进行比较,表明预测结果基本能满足预测精度的要求,但预测准确性会随风速变化剧烈程度的增强而有所降低;根据误差分析,NWP风速的准确性是影响预测结果的最主要因素。     

基于机组分类的风电场有功功率分配方法研究

针对单一风速预测方法预测精度不高,以及按风速比例进行风电场机组功率分配时,跟踪功率调度指令误差较大的问题,提出一种组合风速预测方法,并基于机组预测风速、当前风速及输出功率的机组分类,提出一种风电场有功功率分配方法。采用模糊C均值分类方法对机组进行分类,根据分类结果确定功率调节优先级,将功率指令分配到不同类机组,再按某一类各机组输出功率的比例分配至每台机组,实现整个风电场有功功率分配。以某风电场实际风速数据进行风速预测和有功功率分配仿真研究,仿真结果表明,该文提出的组合风速预测方法和风电场有功功率分配方法具有风速预测精度高、风电场输出功率跟踪精度高,参与有功功率调节的机组数目少的优点。     

基于改进降噪自编码器和多元时序聚类的海上风电功率预测

针对海上数值天气预报（NWP）精度低、气象因素复杂等特点,提出一种基于改进的双向降噪自编码器（BDAE）和多元时序聚类的短期海上风电功率预测方法。首先,利用Toeplitz矩阵逆协方差聚类（TICC）进行风况相似性分类,即根据30、70、100 m海上NWP风速进行多元序列实时分割与聚类;然后,针对不同风况类型分别建立可提取过去、未来双向有效信息的改进BDAE修正模型,以修正轮毂高度风速的预测误差;最后,基于修正后的轮毂高度风速以及其余NWP数据,利用TICC算法划分气象相似类型,并在此基础上建立对应的海上风电功率预测模型。采用国内某海上风电场数据进行实验验证,结果表明所提方法能提高海上风电功率预测精度,具有一定工程实用价值。     

基于风速预测的风电场虚拟惯量协调控制技术

针对现有风电场虚拟惯量协调控制在风电机组调频辅助功率协调分配方面的研究,提出一种基于风速预测的风电场虚拟惯量响应场级协同分配策略,具体是通过经验模式分解（EMD）和BP神经网络训练风速时序序列获得风速时序模型,预测短时段内的风速,根据实时转速和预测风速计算惯量分配权重因子,根据频率变化计算全场惯量响应值,通过惯量分配权重因子结合变流器容量限值给单机分配惯量响应值。该控制策略成功应用于云南某148.5 MW风电场站级调频测试,验证了算法的有效性。     

风电场风切变指数研究

根据山东某风电场实测资料,对风电场逐月、逐时、不同风速下的风切变指数进行研究并探究风切变指数不同取值对风电场轮毂高度处风资源的影响。在分析轮毂高度风资源时,建议采用高差较小的高度处风速根据综合风切变指数进行推导。     

基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报(NWP-numerical weather prediction)的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

风能-太阳能混合发电系统研究与应用

利用风能、太阳能混合发电系统进行一年四季均衡供电,为无电网地区提供可靠的电力供应,报道了发电系统的构成和应用情况。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

风向偏差角对风机功率预测的影响

提高风电功率预测准确率对风电场和电力系统的稳定运行都具有重要意义。风机偏航系统理论上可使得风机叶片自动适应环境风向的变化,但风向偏差角仍普遍存在。应用国电集团江西省某风电场的实测数据,分析了风向偏差角的分布特征及其对风机输出功率的影响。结果表明：风向偏差角具有显著的正态分布特征及日变化规律,当风速一定时,风向偏差角越大,则风机输出功率越小。进一步将风向偏差角引入预测模型,发现可有效提升风电功率预测的准确性,预测相关系数提升0.9%,均方根误差降低7.9%、平均绝对误差降低8.6%,表明在风电功率预测模型中,考虑风向偏差角的影响具有积极意义。     

风电机组塔架的脉动风速时程模拟

本文简述了谐波合成法中的自回归模型(AR)模拟出给定风速功率谱的风速时程序列,并验证其与目标谱(Davenport谱)的一致性,从而得到作用在各节点的脉动风荷载时程样本的方法。本文采用谐波合成法,建立了脉动风速时程的AR模型,编辑出脉动风速时程模拟程序,并对某风电机组塔架进行脉动时程分析,验证了该脉动风速时程模拟的可行性与有效性。     

风电场风速对风机叶片性能影响的模拟分析

建立了风机叶片的三维数学模型,采用计算流体动力学软件Fluent对风机叶片流场进行了模拟分析,通过调用Static Structural模块进行叶片形变分析,并在Workbench平台下实现了流固耦合.基于该方法研究了不同风速下的流场分布情况和叶片变形情况.结果表明:本文计算值与文献[14]中的测量值吻合较好,两者最大误差不超过5%,验证了本文数学模型和计算方法的正确性;随着风速的增大,叶轮表面的速度值也在增大,气动压强分布的不均匀性更加明显;当风速由5m/s增大至12.5m/s时,叶片的最大形变量增大了0.91m,叶片形变量与风速呈非线性变化关系;挥舞是叶片的主要振动形式.     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。