基于优化相空间重构技术的风电场发电功率预测研究

大规模风电的接入将对电网的规划建设、分析控制、经济运行以及电能质量等方面产生一定的影响,较为准确的风电功率预测可减少电网旋转备用,为电网运行调度提供可靠的依据。以中国某风电场为例,对风力发电功率的超短期预测方法进行了研究,提出了以混沌理论为基础、基于相空间重构的风电出力混沌时间序列预测的方法,对相空间重构参数的优化进行了综合计算,定性分析了风电出力时间序列的混沌特征,同时对应用嵌入维空间的具体预测方法进行了研究。实际算例表明该综合方法具有较高的预测精度。     

基于相空间重构的风电场日有功功率组合预测

风力发电具有波动性、随机性和间歇性,因此准确预测风电场的日有功功率对风电场与电力系统的稳定运行具有重要的意义。利用C-C法对风电场的日有功功率时间序列进行相空间重构,并通过计算其最大Lyapunov指数,验证了此功率时间序列具有混沌属性。在此基础上,用相空间重构建立了RBF神经网络和最小二乘支持向量机预测模型,对预测结果采用协方差优选确定权重,进行组合预测。通过对甘肃省酒泉地区某风电场的实测数据进行仿真,证明了该组合模型的有效性和可行性,并有效提高了预测精度。     

基于相空间重构的神经网络短期风电预测模型

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

基于经验模式分解和混沌相空间重构的风电功率短期预测

风电场发电功率的短期预测对并网风力发电系统的安全与稳定具有重要意义。根据风电功率时间序列非平稳、非周期的特点,文中运用经验模式分解理论将风电功率时间序列分解为随机分量和趋势分量,对随机分量采用径向基函数神经网络进行混沌预测;趋势分量采用最小二乘支持向量机进行混沌预测,拟合各分量的预测值得到最终的预测结果。以云南某风电场数据对所提出的模型进行验证,证明了该预测模型比传统人工神经网络预测模型具有更高的预测精度,可为风电功率预测提供参考。     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展起着至关重要的作用.提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

湖南风电功率时间序列特性分析

对湖南风电的混沌特性进行分析,采用自相关函数法和Cao方法求取风电功率时间序列的延迟时间和嵌入维数,并重构序列相空间,通过计算饱和关联维数和最大Lyapunov指数进行验证。结果表明,风电功率时间序列具备混沌特性,为基于混沌时间序列的风电功率预测奠定基础。     

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示：Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。     

基于GA-BP和RBF的风力发电时间序列混沌预测组合模型

针对单一模型难以对具有不确定性和随机性等特点的风电功率数据实现精确预测,该文提出基于GA-BP和RBF的风力发电时间序列混沌特性组合预测模型。组合预测模型对原始风电功率数据进行混沌特性判定,使用基于嵌入窗法的C-C求解法对数据进行相空间重构,得到输入数据集。并且,该组合预测模型基于皮尔逊相关系数和模型的不同预测能力,实时更新各模型的权重,提高模型的综合预测能力。实际风电场数据验证表明,组合预测模型对风电功率预测的皮尔逊相关系数为0.985,证明了此组合模型在提升风电预测精度方面具有优越性。     

基于NARX及混沌支持向量机的短期风速预测

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。     

计及故障时间的神经网络风力发电量预测

风电是可再生能源的一种重要形式,随着越来越多的风电并入电网,发电量的预测对电网的稳定性变得格外重要,为了得到更高的预测精度,提出了一种将天气因素和故障时间相结合的两段式风力发电量预测的方法。结合湖南省某风力发电场的实际生产数据,分别运用神经网络结合时间序列的方法对故障时间进行预测,以及GRNN神经网络方法对发电量进行预测。提高了风力发电量预测的精度,延长了预测时间,证明了方法的可行性。     

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。     

双馈风电机组低电压穿越能力的研究

随着风电机组容量的逐年增大,为减少大规模风电接入系统对电网的影响,对风电提出了新要求,即风电机组具有一定的低电压穿越能力。介绍了变速恒频双馈风电机组的基本结构,建立了双馈风电机组动态数学模型。以Matlab/Simulink为仿真平台搭建了系统仿真模型,结合风电场低电压穿越能力要求的规定,针对不同电网电压跌落的情况下,仿真研究了变速恒频风电机组的低电压穿越能力,结果表明：双馈风电机组在电网电压跌落时满足继续并网运行的条件,且为电网电压恢复提供了无功,提供的无功功率大小与电网电压跌落程度有关。     

风电场及机组出力损失计算模型与方法

提出了一种风电场及机组出力损失计算模型与方法。利用风电机组的历史运行数据建立风速、风向与功率间的专家数据库,基于该数据库建立风电机组出力损失计算模型,将机组故障或弃风期间的实测风速和风向代入该模型,计算得出风电机组以及该风电场的实时功率损失及在某时间段内损失的发电量。通过利用现场数据模拟计算,验证了该计算模型与方法的有效性,可对各种原因造成的机组出力损失做出准确计算。该方法既可提高风电场的运行管理水平,还可为风电场参与电网调峰调频提供准确的数据支持。     

风电场有功出力的EEMD特性分析

准确、全面的了解风电场有功出力特性是高效利用风能资源的前提,然而风电场出力数据由于其受自然来风影响而存在剧烈的波动性与随机性,针对于此,文章首先在对风电场出力特性进行描述的基础上,引入了自适应的数据分解方法—集合经验模态分解(EEMD),利用EEMD将采样得到的风电场非线性、非稳定有功出力的时间序列数据分解为对应的若干个本征模函数IMF,并通过观察分解所得的本征模函数IMF以及其各分量的波动情况来深入了解采样区域的风电出力特性,以期通过此方法为未来更好、更高效的利用大规模风电提供新的思路。     

风电场容量可信度及其若干影响因素分析

风电场的容量可信度是衡量其发电容量价值的基本指标,也是风电场规划选址的一个重要参考依据,为此．首先采用时间序列分析法模拟每小时的风速值．并结合风电机组的强迫停运率等数据,建立风电场的可靠性模型：其次．采用抛物线法计算风电场的有效载荷容量：最后利用序贯蒙特卡罗模拟法,研究胍电场的容量可信度。该方法不仅可计及风速的时序性．还能准确评估系统的频率指标。在此基础上,通过IEEE—RTS79标准算例仿真计算．对比分析采用不同指标衡量系统可靠性时．容量可信度计算结果的差异．并研究影响容量可信度大小的主要因素。     

考虑风功率分布规律的风电场无功补偿容量优化决策

双馈型风电机组的无功调节范围随其有功功率输出变化而存在波动性,极端条件下,又有其不可调节性,由此必然降低其对自身电压水平支撑的持续性。为此,在依据功率估算数据对风电场输出功率分布特性进行统计分析的基础上,提出考虑风功率分布特性的风电场无功补偿容量优化决策方法。该方法在充分计及双馈感应发电机无功调节能力与风功率分布特性的前提下,以无功补偿的投资成本与运行成本最小化为目标,构建无功补偿容量优化计算模型。该研究可使双馈型风电场的无功补偿决策更具针对性,并以最小代价实现该类风电场连续、无缝的无功电压调节。应用改进粒子群优化算法对所构建算例系统进行求解,分析结果表明了该研究的有效性。     

基于PSOGSA全参数连分式的风速预测模型

风的间歇性和时变性限制了风电场的发电能力,准确的风速预测有助于减小风力发电入网对电力系统的运行方式安排带来的影响。针对风速时间序列存在的复杂变化和混沌特性,为了提高预测精度和简化预测数学模型结构,提出一种结合万有引力搜索算法(GSA)全局寻优能力和粒子群优化算法(PSO)的局部快速收敛优势的全参数连分式预测模型。将n项截断式连分式转化为PSOGSA优化参数问题,进行多维空间上函数的优化。以风电场风速采集两组数据为预测对象,通过对复杂风速时间序列建模仿真,并利用基于PSOGSA优化的全参数连分式对序列进行多时间尺度的预测。仿真结果分别与传统的BP神经网络、RBF神经网络、当前时间序列预测利用较多的长短期记忆网络算法(LSTM)和粒子群优化支持向量机(PSO-SVM)进行对比得出：基于PSOGSA的全参数连分式预测模型具有精度高、结构简单和建模速度快等特点,具有更强的非线性预测能力。     

基于时空自回归移动平均模型的风电出力序列模拟

多风电场出力序列间的时空耦合相关性对风电并网下的电力系统运行具有重要影响。时空自回归移动平均(ST-ARMA)模型以较为简洁的形式对多维序列时空耦合相关性进行统计建模。针对多风电场出力时空序列的模拟问题,首先从时空序列的角度对风电场实测功率数据进行了统计分析,着重探讨了多风电场出力的时空耦合相关性。在此基础上,采用空间关系矩阵对风电场位置进行描述,并将其嵌入ST-ARMA模型的自回归过程建立多风电场出力序列的时空耦合相关性模型。该模型有效地模拟了实测风电场出力序列的时间相关性、空间相关性以及二者之间的耦合特性,可用于产生大量与实际风电出力统计特性相同的模拟数据,为风电并网下的电力系统运行与规划研究提供数据基础。