风电功率GARCH预测模型的应用研究

根据风速变化的特点,选择了适于描述波动变化特性时间序列的GARCH方法.分析风速小时变化曲线的残差项,发现其存在着ARCH效应,满足ARCH的建模条件.采用美国夏威夷岛Lalamilo的风速数据,建立了ARCH和GARCH风速变化时间序列模型,预测目的日逐点预测误差的平均值为25.1%.经过与ARIMA算法的比较,预测的精度有所提高.运用风电机组出力与风速的关系,转换后得到了所需要的风电机组出力.对集群性不同的时间序列进行了多次数值计算,发现GARCH模型对波动性序列具有更好的适应性.     

基于小波变换的短期风速预测综合模型

针对风速序列具有非平稳性、非线性、异方差性的特点,首先利用db3小波对原始风速序列进行多分辨率分析,并对其系数进行单支重构,得到表征风速序列内在特性不同频段上的概貌风速与细节风速;其次对不同频段上的风速序列建立时间序列主模型,采用LM检验法分析所建模型的残差序列,提出用ARCH模型和GARCH模型进行改进,更贴近实际地反应了风速变化的规律;最后通过实例验证该文方法能够有效提高预测精度。     

结合风电功率超短期预测值偏差的实时市场调度

实时市场中的超短期风电功率预测偏差较日前市场有所减小,但与实际出力相比仍然有一定的偏差,需要研究风电的不确定性给实时市场出力调整带来的影响。考虑较短时间内风速分布特性呈正态分布,详细推导了风电场功率分布表达式和偏差概率,建立了基于报价的实时市场出力调整调度模型。该模型以常规机组出力调整费用和风电功率预测偏差费用之和最小作为目标函数。通过具体算例分析了不同的正态分布参数、风电预测功率的变化、惩罚系数的变化对实时市场出力调整成本、风电预测功率偏差成本和偏差期望值的影响。仿真结果验证了模型的有效性。     

风速分布预测的指数平滑模型及其在配电网可靠性中的应用

风电机组多状态出力模型的准确建立是含风电机组配电网可靠性评估的关键。基于风速历史数据由近及远影响逐渐减弱的特性,提出一种新的风速分布预测模型,即风速分布预测的指数平滑模型。在指数平滑模型建立中,以风速预测值与实测值间的绝对误差最小为目标函数构造并确定平滑系数最优取值,从而建立风电机组多状态出力模型。通过同ARMA、Weibull分布等风速模型的比较,验证了指数平滑方法建立风电机组多状态出力模型的精确性与高效性。将该方法应用于IEEE RBTS测试系统BUS 6的配电网可靠性评估,并与已有方法进行对比,表明该方法在可靠性评估计算精度上具有一定的优势。     

基于指数平滑方法的风速分布预测

基于风速历史数据由近及远影响逐渐减弱的特性,提出一种新的风速分布预测模型,即:风速分布预测的指数平滑模型。在指数平滑模型建立中,以风速预测值与实测值间的绝对误差最小为目标函数构造并确定平滑系数最优取值,从而建立风电机组多状态出力模型。通过同ARMA、Weibull分布等风速模型的比较,验证了指数平滑方法建立风电机组多状态出力模型的精确性与高效性。     

基于时间连续性及季节周期性的风速短期组合预测方法

根据风电机组功率曲线,可由风速计算出风电机组出力,因此,风电功率预测问题可转化为风速预测问题.基于风电场气象及风速数据的时间连续性及季节周期性,提出了一种风速短期组合预测模型.该模型采用模式识别技术分别提取时间连续性的样本及季节周期性的样本,以反向传播(BP)神经网络作为预测模型,得到风速横向预测值和纵向预测值,最后再通过BP神经网络进行组合预测.对国内某风电场的风速预测结果表明,所提出的风速预测模型可行、有效,具有较好的预测精度.     

风电机组出力状态数对含风电机组配电网可靠性影响

基于风速分布的ARMA、Weibull和指数平滑模型,建立风电机组的多状态出力模型,并对含风电机组的配电网可靠性进行评估。应用该算法对RBTS-BUS6测试系统进行可靠性评估,并对不同风速预测模型对可靠性评估的影响进行对比分析,分析了风电机组多状态出力模型状态数的变化对含风电机组配电网可靠性指标的影响,表明指数平滑模型对应的配电网可靠性指标准确度更高。     

基于强风波动条件下永磁直驱风力发电机短期出力稳定控制研究

以Elman神经网络算法的风速预测方法作为基础,建立了单台永磁直驱同步发电机(PMSG)风电机组在强风波动条件下运行的数学模型。该模型能够较好地反映实际风电场风速的随机性和突变性。考虑到传统的出力规律与风电在强风模型下出力规律的映射关系,利用传统的出力规律与风电在强风模型下出力规律之间的偏差作为参考值,并引入对PMSG风电机组桨距角、转速的PI控制策略,基于此并考虑到电网调度对风电机组出力的要求,建立了对单台PMSG风电机组在强风波动条件下短期出力进行控制的模型。进一步利用真实短期风速算例仿真,结果表明该模型能够在瞬时风速为25~35 m/s时对风力机出力进行有效平稳的控制。     

考虑风电不确定性的两阶段模式经济调度

由于风电不确定性不仅影响火电厂出力的分配,而且影响系统频率的变化,为了在经济调度中考虑这方面的问题,提出采用两阶段优化调度模式。第1阶段基于马尔可夫链利用历史风速进行调度日风速的初步预测,得到风电出力的预测值,并以火电机组发电成本最小为目标,确定火电厂的基础出力;第2阶段利用调度日已发生时段的风速,基于多场景概率法修正第1阶段预测风速,结合动态潮流将不平衡功率由各机组按比例分担,建立以频率偏差和网损最小为目标的实时优化调度模型,确定各机组实际出力。最后通过粒子群优化算法形成基于Pareto曲线的多目标解集,并以IEEE9节点为例进行仿真验证。     

基于风速升降特性及支持向量机理论的异常数据重构算法

风电机组历史功率数据是进行风电研究的重要基础,而风电机组实际采集到的数据中存在大量的异常数据,这给风电功率预测研究带来许多不利影响。对历史数据的风速-功率对应关系进行研究,识别并剔除异常数据。分析风速升降变化对功率的影响,建立SVM数据重构模型。根据风速升降特性及强相关风电机组的出力特性对数据重构模型加以改进。以风电机组的实测数据为例进行仿真计算,结果表明所述方法能够对异常数据进行有效地识别和重构。     

基于ARMA-ARCH模型的风电场风速预测研究

风速预测对风电场规划设计和电力系统的运行都具有重要意义.对采样时间为15 min的风速时间序列建立自回归移动平均(ARMA)模型,利用拉格朗日乘数法检验ARMA模型残差的自回归条件异方差(ARCH)效应,建立ARMA-ARCH模型.分别使用ARMA模型和ARMA-ARCH模型对风速时间序列进行短期预测,并比较两者精度.结果表明,ARMA-ARCH模型具有更高的预测精度,具有一定的实用价值.     

基于时间序列分析的风电场风速预测模型

风速预测是风电场规划设计中的重要工作因风速序列本身已经具有时序性和自相关性．提出了基于时间序列分析的风电场风速预测模型。为了检验时间序列分析模型的有效性．使用了信息准则AIC(An Information Criterion)函数在算例中,将预测风速的分布特性与实际风速分布特性相比较,验证了文中提出的时间序列模型用于风电场风速预测的可行性。     

小时风速的向量自回归模型及应用

短期风速预测对并网风力发电系统的运行有重要意义。该文简述了短期风速预测的价值和方法,分析了小时风速的日变化特点。在此基础上,提出将单变量小时风速时间序列向量化,以消除日周期非平稳,进而建立了向量自回归(vector autoregression, VAR)模型,并用于小时风速预测。算例表明,正常天气条件下,该模型可以预测提前72 h的短期风速。该文提出的方法和模型具有一定的普适性,可用于其它领域的时间序列建模与预测。     

基于比恩法的风电场风速-功率曲线建模误差分析

以预测风速为输入进行风电功率预测时,风电场风速-功率曲线的建模精度至关重要。提出一种基于比恩法的风电场风速-功率曲线建模方法,并分析不同风速区间下各建模误差的变化情况。分析结果表明,忽略风速-功率传变特性差异导致风速较小时建模曲线偏高,风速较大时建模曲线偏低,而忽略风速空间分散性对建模曲线的影响则相反,因此两者对建模精度的影响有明显的抵消现象,且各建模误差的变化情况与风速大小密切相关。     

基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型

为提高风电场风速的预测精度,解决时序模型预测延时的问题,文章提出了一种时间序列分析和卡尔曼滤波相结合的混合算法。基本思路为：首先利用时间序列分析理论,对风电场风速信号进行非平稳建模,得到符合其变化规律的模型方程;其次通过得到的模型方程推导出卡尔曼滤波法的状态方程和观测方程;然后依靠卡尔曼预测递推方程进行预测;最后对某实测风速信号进行预测。实例分析表明：采用该混合算法可以提高预测精度,而且较好地解决了预测延时问题。     

用实测风速校正的短期风速仿真研究

风速仿真是风力发电研究的重要手段之一。该文简述了风特征研究概况,建立了基于Kaimal风速功率谱的短期风速仿真模型;将仿真风速与实测风速时间序列做对比,发现仿真结果总体性态良好,但无法反映被仿真场址的特定风速变动规律。因此,进一步提出了用实测风速校正仿真风速的方法,校正后的仿真风速不仅总体性态良好,而且能很好地反映被仿真场址的特定风速变动规律。该文的短期风速仿真方法可以用于短期风速预测、风轮机动态仿真、风力发电控制与电能质量分析等风力发电仿真研究,也可以用于其它风工程、信号分析等领域的仿真研究。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于小波-时间序列组合模型的风电功率预测

随着风电规模的不断扩大,及时准确地对风电场功率输出进行预测具有重要意义。但由于风速具有不确定性,风电功率难以掌控。通过分析风速与功率之间的变化趋势,建立基于风速的功率计算的数学模型,然后以风速预测为突破口,基于小波分解模型将历史无规律风速进行模式分解。对分解出来的历史数列进行分析,采用合适的预测模型分别预测,还原为原始数列得到预测风速,最后计算得到预测风电功率。通过某地的实例计算,证明了采用小波分解与时间序列模型进行风电功率预测的准确性与可靠性。     

含风电场的电力系统概率潮流计算

用交流概率潮流方法对含有风电场的电力系统进行了分析。采用结合累积量和Gram-Charlier级数的方法,将直流概率模型拓展为交流概率模型,采用3参数的weibull分布来描述风速的随机变化,同时将异步风机处理为PQ节点,建立了风力发电机组的概率模型,基于风电模型对IEEE-30节点系统进行计算,得到了各节点电压的概率分布和各支路潮流的概率分布,分析比较了风电场加入前后电力系统的节点电压和支路潮流变化情况。