首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 484 毫秒

1.  风电功率在时间和空间尺度的波动分析  
   李坤  何鹏  李真  齐曙光  于大洋  李亚锦《山东电力技术》,2013年第6期
   风电功率自身的随机性和波动性对电网的运行影响重大。根据我国国内某地区的实测电网数据对基于NASA地球观测数据库的区域风电功率计算分析方法进行验证,并对基于时间和空间的风电功率波动在线评价指标包括风电容量因数和负荷功率的相关系数,负荷峰谷差率,等效负荷峰谷差率,风电场之间年平均功率波动的相关系数进行计算与分析,为调峰能力计算及风电接入能力分析提供科学依据。    

2.  风力发电系统功率波动传递特性的研究  
   杨树德  同向前  张皓《电源学报》,2014年第12卷第6期
   风电具有间歇性、随机性和不确定性的特点,对电功率波动的评估是合理选择风电场储能互补设施的基础,但对于规划建设中的风电场,往往有丰富的风速数据而没有电功率数据。本文以长时间大量风速和电功率数据为样本,采用小波包将电功率和风功率分解为不同频段下的波动,通过数据曲线拟合得到风功率和电功率波动随频率的变化关系,进而得到从风功率到电功率的传递函数。风电功率传递函数可将电功率波动的估计问题转化为风功率波动的估计,为拟建风电场的功率波动研究提供一种新途径。    

3.  基于最优平滑阶数的风电功率曲线建模策略研究  
   卢芸  刘金强  滕予非  王晓茹《现代电力》,2018年第1期
   由于同一风速下的风电功率存在较大范围的波动,传统风电功率曲线建模方法难以获得较高的精度。提出一种基于最优平滑阶数的风电功率曲线建模策略,首先基于时间序列平滑的预处理方法得到新的输入风速,并以相关系数最大为目标函数选择最优的平滑阶数,再利用BP神经网络拟合得到风电功率曲线。基于西南地区某风电场单机实测数据的仿真研究表明,以最优平滑预处理得到的风速为输入建立的风电功率曲线模型精度显著高于已有方法中以原始风速为输入建立的风电功率曲线模型。    

4.  基于灰色模型的风速-风电功率预测研究  被引次数:4
   李俊芳  张步涵  谢光龙  李妍  毛承雄《电力系统保护与控制》,2010年第38卷第19期
   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.    

5.  基于云分段最优熵算法的风电机组异常数据识别研究  
   杨茂  杨琼琼《中国电机工程学报》,2018年第8期
   风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。    

6.  风电机组功率曲线建模方法对比研究  
   齐霞  安磊  张妍  李芬花  张浩  阎洁  韩爽  李莉《可再生能源》,2018年第4期
   风电机组功率曲线是风电机组重要的性能指标,表征了机组的实际运行状态。准确的实测风电功率曲线可以为风电机组性能评估、风电功率曲线监测、风电功率预测、风电场数值建模等工作提供重要的参考依据。但采用耗时的功率曲线建模方法会花费大量的建模时间,从而影响建模效率。文章从功率曲线建模的数据筛选和功率曲线拟合入手,选取耗时较短的二维核密度估计模型筛选风速功率散点集中区域内的正常运行数据,并选用5种功率曲线拟合方法对正常风速功率数据进行拟合。5种模型的建模精度和建模效率对比分析表明,多项式拟合方法原理简单,拟合速度最快,且拟合精度较高,比较适用于实际功率曲线的建模工作。    

7.  基于灰色模型的风速-风电功率预测研究  
   李俊芳  张步涵  谢光龙  李 妍  毛承雄《继电器》,2010年第38卷第19期
   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    

8.  基于带阻滤波原理的风电场功率波动平抑策略研究  
   黄亚峰  穆钢  刘嘉  严干贵  李龙  王旸文  于洋《太阳能学报》,2012年第7期
   基于单机系统模型,研究系统的频率响应特性,针对系统频率响应特性中存在的敏感频段,提出基于带阻滤波原理的风电功率波动平抑控制策略,以改善风电功率波动对系统频率的影响。基于单机系统频率响应模型和实测风电场功率波动数据,设计系统中风电装机比例较高情况下的风电功率注入对系统频率影响分析算例,分析不同带阻滤波参数的风电功率波动平抑控制对系统频率偏差的改善效果。仿真结果表明,采用所设计的带阻滤波平抑控制策略能利用较小的储能容量最大限度改善风电功率波动对系统频率质量的影响。    

9.  风电功率波动特性的概率分布研究  被引次数:4
   林卫星  文劲宇  艾小猛  程时杰  李伟仁《中国电机工程学报》,2012年第1期
   波动性是风电功率的固有特性,如何定量地描述风电功率的波动性尚缺乏有效方法。基于大量实测数据的分析,发现可以采用带移位因子与伸缩系数的t分布(t location-scale)描述风电功率波动特性的概率分布。分析表明:风电功率的min级分量约占风电场装机容量的2%~5%;多个风电场输出叠加在一起后可以有效减小min级分量的比例;风机类型对风电波动特性的影响很小,而风电场当前风电出力则对风电波动特性几乎无影响。带移位因子与伸缩系数的t分布还适合于描述风电场相邻时间间隔平均功率变化的概率分布,时间间隔加长后,由于风速相关性减弱,相邻时段平均功率的波动特性增强。    

10.  风电功率状态的时域概率特性研究  
   韩杏宁  黎嘉明  文劲宇  谢海莲  岳程燕《继电器》,2016年第44卷第14期
   随着大规模风电的并网,深入认识风电功率的随机特性将有利于更好地预测和利用风电。目前,对于风电功率波动特性的研究较多,对风电功率状态的时域概率特性的研究更侧重于对风电状态转移概率特性的描述。基于风电功率状态的定义,深入研究了风电功率状态持续时间的概率分布描述函数和状态转移概率矩阵。基于多座风电场/群的大量实测功率数据的研究发现:风电功率在某个特定状态可能持续几个小时甚至更长时间,逆高斯分布较适合用于描述风电功率状态持续时间的概率分布,可为系统运行调度风电提供参考信息;风电功率状态转移概率矩阵量化了风电场功率状态的跳变程度,风电功率状态的跳变呈现山脊特性。    

11.  基于相空间重构的风速和风功率超短期预测  
   张晋华  程鹏  刘永前  陈构洪《人民黄河》,2012年第34卷第7期
   风速为随机变化的量,风电机组的输出功率具有波动性,大量风电并网将会对电力系统的安全、稳定运行及电能质量带来严峻挑战,因此风电场的风速和发电功率预测在风电场的调度和管理中起着重要的作用。根据风速具有混沌特性,讨论运用C-C方法对混沌时间序列的相空间进行重构,并对某风电场10台机组的相空间进行重构,采用加权一阶局域预测模型,得到1 h内的短期风速预测值,利用功率曲线转换法得到每台机组的发电功率。经实例证明所提出的方法是可行和有效的。    

12.  基于功率谱密度的风电功率特性分析  
   张旭  牛玉广  马一凡  韩永辉  张晴晴《电网与清洁能源》,2014年第30卷第2期
   风电有功功率波动特性的分析,对指导发电和电网运行非常重要.根据内蒙古赤峰东山风电场运行的实测数据,运用功率谱密度分析的方法,对风电有功功率的波动特性进行了分析.结果表明,风电功率的功率谱密度在超过4个数量级频域范围内符合Kolmogorov谱分布理论,且装机容量的增加,对风电功率的汇聚效应具有明显的影响.    

13.  基于混沌径向基函数的风电功率短期预测  
   李玲玲  李宗礼  李俊豪  李志刚《电源技术》,2014年第12期
   风电功率预测方法分为两类,即直接预测法与功率曲线转换法。因风电功率具有混沌特性,故将混沌时间序列的相关理论引入到风速和风电功率预测中。鉴于预测精度在很大程度上取决于模型参数的选择,为此先用C-C法联合优化了重构相空间的参数,再用径向基RBF神经网络模型直接预测风电功率,或者由该模型得到风速预测值后,根据对应的风电机组功率特性曲线而推算出风电功率预测值。实例分析结果表明:所提出的两种方法均有较高的预测精度,其中基于混沌径向基RBF神经网络的风电功率直接预测法效果更优。    

14.  基于超级电容器控制策略的含风电微电网电压波动的抑制  
   陈秋南  韦钢  卢炜  朱昊《继电器》,2014年第42卷第16期
   在分析含风电及储能的微电网电压—功率特性基础上,提出一种基于超级电容器控制策略的电压波动抑制方法,可对风电功率的随机波动进行快速补偿,保证风电与超级电容器储能共同向外输出的功率稳定,实现系统母线电压的稳定控制。对该方法进行了PSCAD仿真,仿真结果表明:风速变化时,该方法可有效抑制风电功率变化引起的电压波动;大型阻感性负载投入、外部故障时,该方法亦能减小电压波动和电压恢复时间,从而验证了所提方法的有效性与可行性。    

15.  典型风电场风电功率预测误差研究  
   罗卫华  葛维春  高凯  李青春  陈江民  文劲宇《供用电》,2013年第4期
   比较了风电场并网功率的预测值与实际值,研究了风电场并网功率日预测误差概率及最大日预测误差、风电场并网功率实时预测误差概率分布、风电场预测数据的均方根误差和风电场风功率预测误差的分布特性,并提出了利用储能系统减小风功率预测误差,提高风电功率预测精度。    

16.  风电功率预测误差分析及预测误差评价方法  
   孟岩峰  胡书举  邓雅  许洪华《电力建设》,2013年第34卷第7期
   风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义.分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图.可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产.    

17.  风电功率预测误差分析及预测误差评价方法  
   孟岩峰  胡书举  邓雅  许洪华《电力建设》,2013年第7期
   风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。    

18.  变尺度时间窗口和波动特征提取的短期风电功率组合预测  
   叶林  滕景竹  蓝海波  仲悟之  吴林林  刘辉  王铮《电力系统自动化》,2017年第41卷第17期
   精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。    

19.  考虑大规模集中接入风电功率波动相关性的在线概率安全评估  
   吕颖  鲁广明  谢昶  戴红阳  于之虹  严剑峰《电网技术》,2018年第4期
   由于风电功率的波动性和不确定性,大规模风电集中接入对电网安全有很大影响。提出了一种在线概率安全评估方法,能够实时评估大规模集中接入风电的不确定性对电网安全的影响。因为应用风速概率分布和风电功率预测误差概率分布模拟在线风电功率的不确定性有很多困难,所以基于风电出力历史数据研究了风电功率超短期波动的概率分布,并采用Copula函数对多个风电基地功率波动的相关性进行了详细模拟。基于风电功率历史数据,所提方法能够给出短期内可能发生的风电基地的功率波动组合,进而进行概率安全评估计算,在线评估风电功率波动对电网安全的影响。为了提高计算速度,应用多维离散模型简化多风电基地功率波动的联合概率分布。通过在某风电集中接入的省级电网进行实际应用,验证了所提方法的有效性和必要性。    

20.  一种短期风电功率集成预测方法  被引次数:4
   张颖超  郭晓杰  叶小岭  邓华《继电器》,2016年第44卷第7期
   为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号