风电场的集群功率优化控制

以降低风电场尾流损失、优化风场出力为目标,设计基于Laguerre函数非线性预测控制（nonlinear modelpredictive control,NLMPC）方案的风场集群控制器。该控制器应用风场动态尾流模型,通过NLMPC统一调整风场内各机组转速以提升风场功率。在控制器设计中,使用有效风速预测误差校正对预测模型失配及超短期风速预测误差进行补偿,引入Laguerre函数降低滚动时域优化计算负担并分析了控制器对风速预测误差的鲁棒性能。仿真研究表明,集群控制器能够在不同风速条件下提升风场功率、降低优化计算负担,且对风速预测模型失配与风场自然风速预测误差具有鲁棒性。     

基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测

针对风电功率预测时风速信息冗余,导致神经网络难以把握内在规律而影响训练效率的问题,选取最佳风速数据进行主成分分析,采用改进小波BP神经网络对风速进行预测。通过KMO和Bartlett球度双检验选取最佳风速数据,从而充分利用主成分分析法对风速数据进行提取以优化神经网络的输入,提高网络收敛速度和预测精度。通过某风电场风速数据仿真分析,与其他预测方法进行对比,结果表明该模型预测精度高、泛化性能好,验证了该预测方法的正确性和有效性。     

基于粗糙集理论的遗传神经网络风速预测模型

风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。     

基于改进相似性搜索算法的短期风速预测

风速及其波动特性的预测对包含风电场的电力系统运行有着重要意义,可以有效地减轻或避免风电对电力系统的不利影响,从而提高风电在电网中的渗透功率,提高电力系统的风电消纳能力。依据对风电波动性和变化趋势性进行的分析,提出采用改进相似性搜索法选择待预测数据的时序神经网络的训练样本,基于我国沿海某风场的风速预测算例表明该方法有效地提高了模型的预测精度,扩大了模型的预测范围,强化了模型的适应性。     

卡尔曼小波神经网络风速预测

风速变化的随机性使得风电并网成为当今制约风电发展的瓶颈问题。如能预测风速,并提高风速预测精度,能够有助于调度部门对风电场积极进行规划和调度,减轻风电并网对电力系统产生的不利影响。用卡尔曼滤波算法建立数据滤波模型,对原始风速数据进行一级处理,去除测量误差和系统误差;再用改进的BP小波神经网络建立风速预测仿真模型;利用卡尔曼滤波后的风速数据进行风速预测,预测结果与BP神经网络风速预测方法的预测结果对比。对比结果表明该算法预测精度高,说明该算法在处理非平稳随机数据方面具有较好的应用前景。     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

环渤海地区大范围输电线路舞动风场特征分析

基于多层风场数据、舞动实况及预测数据,对2020年2月14—2月16日环渤海地区大范围输电线路舞动的风场环境进行了分析,讨论了舞动所需的大范围风激励条件。研究结果表明：大范围舞动的发生,需要低空风场维持较低的风速,尤其是8.5 kPa和9.25 kPa保持4~7 m/s水平风速和0.1 Pa/s以上的垂直上升速度,产生连续的上升气流促进抬升运动;同时,近地面风场需要与低空风场充分配合,近地面风速需要达到8~12 m/s,并存在较为明显的上升运动,为舞动线路的发生提供直接的风激励;当低空风场风速超过10 m/s时,低空风场形势被破坏,大范围舞动的环境无法维持;现有的舞动环境预测模型考虑多层风场的相互耦合关系后,能够修正舞动区域预测范围,提高预测准确率。     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。     

考虑风速属性约简聚类的组合预测模型

精确的风速预测对于规模化风电并网及系统运行具有重大意义。提出了一种基于快速相关性约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。首先,计算各风速序列及其属性序约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。即计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性。然后,采用改进K-mediods对约简后的风速数据进行聚类,得到风速关联属性优化序列,保证类内信息准确全面,并利用双层长短时记忆网络挖掘深层特征及短期预测。最后,通过对实际风场风速进行预测,并与实测数据对比,验证了预测模型的准确性及有效性。结果表明,所提方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息提高了预测的精度。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型

空间相关法利用空间相关点风速数据之间的相似性和延时性进行风速预测,但在实际应用中存在数据收集困难的问题.提出用空间平移法对空间相关法进行改进,通过减少空间相关点的数目,可有效地降低数据收集难度.为了确定空间相关点风速与所需预测的风电场风速数据之间的非线性关系,采用径向基(RBF)神经网络,建立了基于空间相关法的分时预测模型.该方法通过对风电场与空间相关点风速时间序列之间的关联度分析,将未来预测时段分成若干个时段,在每个时段内分别选择关联度高的相关点的风速数据,作为RBF神经网络的输入数据进行训练和预测.算例表明,该方法可提高风电场风速预测的预测精度,减少了RBF神经网络的训练时间.     

风场短期风速预测研究

提出一种基于支持向量机的短期风速预测模型,并通过小波分解和遗传算法实现模型中的数据预处理和参数寻优。模型包括数据处理单元、参数寻优单元和支持向量机单元,以历史风速值作为输入,输出未来时间段的风速值。同时,通过引入模型的可调参数,提高模型对应不同风场风速数据的普遍适应性。实验结果表明,模型的预测效果良好,并具有较好的适应性,可适应不同地区的风场数据。     

基于WPD-MAIWO-NN的短期风速多步预测方法

提出了一种由小波包分解、多智能体入侵杂草算法和人工神经网络组成的混合预测方法,用于提高短期风速预测的准确性。利用小波包分解将风速时间序列分解成多个不同频率的子序列,然后利用多智能体入侵杂草算法优化后的神经网络对每个子序列进行预测,最后叠加各子序列的预测值,得出实际预测结果。以广东某风电场2014年1月的实测小时风速数据为例,使用提出的混合模型进行风速预测。仿真结果表明,与未经优化的神经网络相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。     

融合 CEEMDAN 和 ICS-LSTM 的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.     

风电场短期风速预测的MRA-SVM模型

为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型。模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值。通过对某风场10 d的实测风速进行分析,预测了未来4 h的风速。用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度。实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测。