基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究

复杂地形导致近地层风场时空变化大,是影响风电场短期风电功率预测准确率的重要因素。为此,基于中尺度数值预报模式和微尺度计算流体力学模式,建立了风电场短期风电功率动力降尺度预测系统。该系统由中尺度数值预报模式、微尺度风场基础数据库、风电功率预测集成系统组成,能够预测复杂地形风电场中每台风电机组未来72 h逐15 min的发电量。提高了复杂地形风场发电功率预测准确率,同时还可以在上报电网的风电功率预测结果中考虑运行维护计划和限电等因素对实际并网功率的影响。2014年7月-2015年1月的业务预测试验表明,风电场短期风电功率动力降尺度预测系统的月预测相对误差均小于0.2,满足中国国家电网对风电功率预测误差和时效性的业务要求。动力降尺度技术不受具体项目地形复杂程度和历史观测数据样本量的限制,可以在新建风电场中推广应用,具备实际的可操作性。      

WRF模式对江苏如东地区风速预报的检验分析

探讨了WRF模式在风电场的风速或者功率预报中应用的可行性, 主要研究和评估了WRF模式对地处东亚季风区及海陆交界的江苏如东地区夏季和冬季风速的短期预报效能。研究发现WRF模式可以比较好地预报如东站冬季的风速, 24 h预报的风速时间序列和观测资料的相关系数可以达到0.61, 通过置信度99%的检验, 48 h和72 h的预报与观测风速相关系数分别为0.54和0.47, 也能通过置信度99%的检验;相对而言, 模式对夏季风速的预报则要差一些, 24 h的相关系数有0.59, 48 h和72 h的相关系数只有0.47和0.30, 但仍能通过置信度99%的检验。在量值上, 模式预报的风速比观测值都略偏大一些。而江苏南通市预报结果显示, 模式的预报效能要比如东稍高一些, 和如东类似, 模式对该地冬季的预报要好于对夏季风速的预报。从更大尺度范围的分析也表明, 模式对不同地区预报的准确度是不一样的, 对海面以及海陆交界的海岸预报精度要高一些, 在平坦的内陆地区预报也比较好, 但在山区预报效能则较差。总体说来, WRF能胜任风速短期预报, 值得进一步研究和应用。     

利用中尺度模式与诊断风场模型进行风电功率预报

风电往往与常规电源不同,具有很大的间歇性、随机性和不可控性,大容量的风电接入电网将会对电力系统安全、稳定运行带来严峻挑战。对风电场的风力进行短期预报,是解决这一问题的有效途径。本文利用中尺度模式与诊断风场模型进行风电场输出功率预报。通过模拟发现,逐时风速预报效果较好,可以反应出风速的变化、大小及趋势。模拟与实况一致性和...     

中尺度WRF模式在西北西部地区低层风场模拟中的应用和检验

通过WRF模式对西北地区1、4月份风速的模拟,检验了大气数值模式的模拟性能和误差大小.结果表明,WRF模式在风场模拟上具有较好的性能,在地面加热较强、增温较快、风速较大的4月份模拟效果要好于强风频发但风速较4月份小的1月份;4月份10～70 m各高度上48 h内的平均相对误差在10％以下,相关系数＞0.80,通过99％...     

基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

基于WRF和SVM方法的风电场功率预报技术研究

利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70 m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好.利用2008年全年风电场每台风机的实际功率与对应时刻轮毂高度风速、风向、气温、相对湿度和气压回报资料,使用支持向量机(Support Vector Machine,SVM)回归方法建立了每台风机10min一次的风电场功率预报模型,并利用该模型进行了2009年为期一年的预报试验,检验模型的预报性能.结果表明,集WRF模式和SVM方法建立的风电功率预报方法具有较好的预报效果.各月预报相关系数在0.71～0.82之间,归一化均方根误差在9.8％～16.5％之间,归一化平均绝对误差在5.4％～10.5％之间;全年预报相关系数为0.79,归一化均方根误差为13.3％,归一化平均绝对误差为8.3％.     

风电场风电功率短期预报方法比较

通过开展湖北省九宫山风电场短期风电功率预报方法的研究,以不断提高预报准确率,为风电场提供更有价值的预报服务,该文利用MM5耦合CALMET模式模拟风电场风速资料,采用物理法和动力统计法探讨风电场各种情况下预报应用效果。结果表明:模拟风速释用订正能有效降低风速预报误差,但难以修正预报趋势;动力统计法更适用于九宫山风电场的复杂山区地形,可能由于该方法能自发适应风电场地理位置;采用实测数据建立的风电功率预报模型优于理论风电功率模型,这也与风机实际运行环境会影响风机输出功率有关。     

鄱阳湖区风电场风电功率预报研究

风力发电作为一种无污染可再生的能源,已逐渐成为许多国家能源战略可持续发展的重要组成部分。风电场风能预报是风力发电开发中的关键技术问题。为研究鄱阳湖区风力发电预报技术,采用中尺度模式WRF和微尺度模块CALMET对鄱阳湖区长岭风电场进行了200 m水平分辨率风能预报,并根据长岭机组理论功率曲线表和实测数据拟合出理论和实际发电机组功率曲线模型及平均有功功率与发电量模型。根据WRF+CALMET模式预报风速及建立的发电机组功率曲线模型和平均有功功率与发电量模型,预报了长岭风电场发电量。结果表明:长岭风电场23座风机逐小时风速预报值与观测值相关系数为0.42~0.61,均方根误差为2.59~3.68,相对误差为-13.7%~17.4%;对整个风场,预报风速与观测风速的相关系数为0.55,均方根误差为2.8,相对误差为-4.79%。实测发电量值高于预报值,平均偏大39.7 kW,相对误差为-12.6%,预报值与实测值相关性较好,相关系数达到0.52。总体来说,根据中尺度数值模式预报的风速结合风功率、发电量模型预测出的发电量与实测值较为接近,但各月差异性较大。     

韭菜坪风电功率预报方法研究及评估

该文根据风电功率计算方法,结合数值预报资料和威宁县探空资料计算了赫章县韭菜坪的风电功率预报值.并对韭菜坪风电功率预报进行了评估,结果表明:每天的风电功率明显不同,最大值和最小值之间差异较大.比较威宁观测资料计算的韭菜坪风电功率值与T213及ECMWF预报资料计算的风电功率值时,我们发现威宁观测资料计算的风电功率值明显大得多,这是因为数值预报产品经过平滑过滤处理的,风速值仅仅体现了平均状况,而观测资料包含有中小尺度系统,有时风速很大,因此这种差异明显.     

卫星导风资料对REM中尺度数值模式改进的试验研究

本应用GMS-5静止气象卫星云图导出的风场产品——云迹风资料，对REM中尺度η坐标有限区域数值模式的初始风场进行改进处理，模拟了2001年7月27～28日以及8月16、18～19日共5d的降水过程，通过初始场的改进进行控制试验和灵敏度试验。研究结果表明，利用卫星云图导出的云迹风场资料，对中尺度数值模式的初始风场进行改进，可以改善模拟精度，从而改善因测站稀疏造成的中小尺度系统漏报的不足，提高降水的预报精度。     

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^-1,结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。     

BP人工神经网络法在大同市日极大风速预报中的应用

文章利用2010年1月1日—2013年12月31日逐日NCEP再分析资料(1°×1°)和大同地区地面常规观测资料,采用BP人工神经网络法建立大同市分站点、分季节日极大风速人工神经网络预报模型并且在对T639数值预报产品和EC细网格数值预报产品释用基础上建立了台站日极大风速的客观预报系统,对2015年9月1日—2016年7月31日进行了24h预报,试用结果显示,各季模式平均绝对误差在3.2~5.7m·s^-1之间,因此,该系统可以为预报员快速做出日极大风速的预报提供客观参考依据。     

BP神经网络法在大气污染预报中的应用研究

近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3～ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3～ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。     

中尺度模式风电场风速短期预报能力研究

本文利用内蒙古乌兰察布风电场2009 年观测记录和WRF 数值模式预报,研究了中尺度数值天气模式对风电场风速的短期预报能力。研究表明:不同数值模式参数化方案的预报能力没有实质性的区别,对于不同时效的风场预报各种方案的预报能力不尽相同。在天气演变较为剧烈时,模式预报技巧相对较差。风电场周边主要天气系统对预报准确度有很大影响。就乌兰察布风电场而言,WRF 模式2009 年日平均预报相对误差仅为11.78%,且误差大于20%的日数占研究总天数不超过15%,具有较高的预报技巧。当蒙古气旋、东北气旋剧烈发展或风速迅速减小时风速的预报误差较大。     

基于人工神经网络算法的渤海海风预报方法研究

基于2015—2017年常规海洋气象观测资料、天津中尺度天气预报模式(TJ-WRF)预报产品、EC数值预报及其集合预报产品,建立了渤海BP神经网络两级海风预报模型,该模型在大量历史样本的拟合训练基础上分别实现小风和大风与相关因子间的非线性映射,其结果有较高的预报准确率。一年的业务试用期间,该模型对各风级、各预报时效的预报能力基本稳定,预报误差较使用该释用技术前数值模式误差有所减小,72 h内风速平均绝对误差为1. 72 m·s^-1;对灾害大风的预报准确率仍能保持较高水平,8级风风速平均绝对误差仅为1. 77 m·s^-1。     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

BP神经网络模型在重庆伏旱预测中的应用研究

采用气象要素定义伏旱指数，利用小波分析等方法分析重庆地区伏旱变化特征，最后采用BP神经网络模型对伏旱进行预测试验，结果表明，重庆伏旱变化具有明显的阶段性特征，而基于BP神经网络模型的伏旱预测模型预测效果良好，可以应用于实际预测。     

登陆台风站点大风预报的人工神经网络方法

利用数值预报格点资料预报登陆台风影响时,沿海地区站点风的预报是各站点的定时二分钟风向风速。通过对MICAPS站点资料进行整合、分析,选取了沿海地区400多个资料比较齐全的站点和海岛站作为预报站点。用NCEP再分析场的格点资料做相关性分析,选定9个预报因子。运用BP网络对每个站点分别建立纬向风和经向风人工神经网络模型,拟合风速的绝对值误差是1.3 m·s~(-1)。独立样本检验,风速绝对误差在2 m·s~(-1)以内。     

风能模式预报的相似误差订正

采用一种基于相似误差的模式后处理方法,对2011年10月18日—2012年1月5日WRF模式24 h预报的陕西延长风电场风速进行误差订正。该方法通过寻找与当前预报相似的历史预报来进行误差订正,克服了一般基于时间顺序的误差订正方法的不足,即不能处理由于天气系统的剧烈转变引起的预报误差的快速变化。相似误差订正方法减小了预报的均方根误差和中心均方根误差,相对原始预报分别减小9%和10%左右。该方法不仅可以减小系统误差,还可以减小随机误差,从而提高预报准确率。同时,订正结果相对原始预报具有更好的Taylor图模态相关。相似误差订正方法对风能预报敏感区的订正效果更为显著,均方根误差和中心均方根误差分别减小了12%和22%左右。该方法尤其适用于基于风能模式预报的风速误差订正,同时该方法对其他的预测系统和预报变量也有很好的应用潜力。     

风能预报方法研究进展

 中国蕴含着丰富的风能资源,但目前我国在风能预报方面的研究还很薄弱,几乎没有可用于风电场风能的客观、定量化的预报方法。风能预报,实际上最重要的是对风场的合理准确预报,进而得到风电量预报。通过简要介绍国际上风能预报的一些方法,如统计预报、动力预报（包括降尺度预报和集成预报）以及风电量预报,同时介绍对预报的检验和面向最终用户的预报平台的建设,希望能对我国风能预报行业的发展起到一定的借鉴和促进作用。