梯度提升树算法在陕北风电场短期风电功率预测中的应用

为了对地形和气候条件复杂的陕北风电场短期风电功率进行准确预测,通过将（weather research and forecasting,WRF）模式输出结果和同期实测风电功率资料相结合,利用梯度提升树算法进行预报气象场和实测风电功率之间的统计关系分析,从而建立了一套陕北风电场短期风电功率预测模型。以陕北靖边某风电场为例,预测结果表明：所提模型年平均预测准确率伟15.7%;月平均归一化均方根误差在20%以下。模型对风电场风电功率预测精度较好。     

数据分辨率影响风电功率预测精度分析

目前对风电功率短时预测的研究主要集中在预测方法上,而缺乏对数据本身特性的探讨。从实测数据出发,呈现3种典型分辨率5 min、10 min、15 min,并结合Elman神经网络算法对超短期（4 h）和短期（24 h）的风力发电机输出功率进行预测分析。结果表明：分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果,15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后,能够有效地提高风电功率的预测精度。     

基于熵关联数据挖掘的MPSO-Elman风电功率预测

为进一步提高风电功率预测计算效率及准确性,建立基于熵关联数据挖掘的MPSO-Elman风电功率预测模型:在分析信息熵与互信息的熵相关系数(ECC)后,对各个历史日数据样本和待测时段参考样本间的复杂非线性映射关系进行量化评估,经过高关联度样本筛选,Elman模型隐含层结构优化以及权值初值选取改进,最后采用改进粒子群算法(MPSO)对网络参数进一步优化,并以某风电场实测数据为依据进行实例分析。结果表明,该模型使得功率预测准确度达到91.24%,预测效果要优于RBF-BP模型,证明了该模型的先进性与有效性。     

风电场运行数据分析

摘要： 为了挖掘风电大数据蕴含的深层信息,探索风电场生产运行的规律,科学指导风电场生产经济运行,开展风电场运行数据分析研究,以风电场风力发电机组SCADA系统运行数据为主要研究对象,以电力大数据分析为基本思路,以计量经济学和统计学为主要研究方法,提出了风电场大数据分析的层次结构,归纳了风电场数据分类框架结构,分析了风电场风力发电机不同参数的运行特性,在数据分析的基础上验证了时下风电产业热点研究方向的研究必要性。     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层（输入层、隐含层和输出层）网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

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。     

风电场发电量预测技术研究综述

首先综述了风电在我国的发展现状,分析了目前风电场接入电网急需解决的问题,然后总结了现在风电场发电量预测模型的研究方法。接着分析了风电场发电量预测技术国内外的研究现状和发展趋势,最后提出了基于混沌理论的风电场发电量预测的方法。     

用于海上风电场直流输电的新型变换器

针对永磁直驱风力发电机变流技术的特点,并根据柔性直流输电系统的电压和功率控制要求,提出了一种新型的直流变换器。该变流器采用三电平拓扑结构、内环电流峰值控制,以及适用于三电平Boost变换器电流峰值控制的双梯形波补偿控制方法,经Matlab／Simulink仿真,研究结果证明该变流器具有功率开关电压应力小、电抗器电流脉动小,以及运行可靠、动态响应性能好等优点,适用于海上风电柔性直流输电等大功率、高电压场合。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

以预测区间边界为约束的风电功率场景预测方法

针对现有不确定性预测方法存在保守性大而造成对系统调节能力要求较高的问题,提出一种区间估计和场景分析相结合的风电功率预测方法,首先通过区间估计得到以给定置信度包含未来风电功率真实值的短时波动区间,然后筛选出历史日中各时段落在区间包络线内的风电场景样本,再对筛选出的样本基于均值聚类算法进行缩减从而得到各时段的预测场景。最后通过风电预测算例和风火联合优化算例,证明了方法的可行性和有效性。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

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。     

以大型风电场为核心的多能源互补发电系统

针对在集中进行大规模风电开发时,由于来流风速的随机性、间歇性与不可控性所带来的风电场出力波动和不可调度性,本文论述了在当前的技术条件下,国内外已经运行或提出的几种多能源互补发电系统的特点以及它们适合发展的范围。依据大型风电场出力负荷波动的特点,提出了与大型风电场组成互补系统的其他发电设备所要求具备的基本条件,给出了为解决风电大规模开发所带来的技术瓶颈所要研究的互补发电系统关键技术。     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

金紫山风电场风机基础沉降观测与资料分析

结合金紫山风电场工程,介绍了金紫山风电场风机基础监测具体方法、监测时间和密度及监测数据分析。分析结果表明：风机基础在最初时期,由于风机基础本身自重、回填土重量、风机塔筒及风机机舱垂直荷载,呈现出下沉状态。沉降经过一段时间后,下降趋向稳定,风机基础沉降主要与主风向呈有规律变化,与主风同向的监测点上升,与主风反向的监测点下沉。