基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究，选择了不同的输入向量（历史风速时间序列，历史风速和温度，历史风速、温度和风向，历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明，采用历史风度和温度的二输入模型，预测效果最佳，为风速的短期预测和发电量预测提供了较好的参考价值     

风电场短期风速的多变量局域预测法

风电场短期风速的统计预测方法大都基于单变量风速时间序列,预测精度有限,而在多变量预测中选取哪些变量又没有明确的方法。针对此问题,提出一种风电场短期风速的多变量局域预测法,该方法基于相关性原则来筛选多变量时间序列数据并构造多变量相空间,在该相空间中寻找预测状态点的邻域点并建立支持向量回归(support vectorregression,SVR)模型。采用风电场实测数据进行验证,结果表明:在构造相空间时,增加彼此相关程度低的变量数目,能够明显提升局域法的搜索能力,找到与预测点相似程度更高的邻域点并将其用于模型训练;同时结合SVR模型的高维非线性拟合能力,有效地提高了短期风速预测精度。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效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。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于相似日和风速连续性的风电场短期功率预测

对风电场进行短期功率预测能够有效减小风电场出力波动对电力系统的影响,降低电力系统的运行成本和旋转备用。综合考虑天气因素以及风速连续性的影响,提出基于相似日和风电连续性的风电场短期功率预测方法。首先,完成BP神经网络训练样本的选择,然后利用预测日前一天的风速作为输入,完成预测日功率的预测,最后将此模型运用于威海某风电场,并与仅考虑风速连续性得到的预测结果相比较,分析预测误差,结果表明前者预测精度更高。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效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。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

采用正则化极限学习机的短期风速预测

高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机(regularized extreme learning machine,RELM)的风电场短期风速预测新方法。首先,采用自相关函数(ACF)对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果。采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度。     

一种短期风电功率集成预测方法

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。     

考虑风电场布局以及风向角的风电功率预测

指出在对风电场功率进行超短期预测时,将风电场所有机组等值为一台机进行整体预测的不足之处,并通过预测实例的对比,验证了机组的不同布局方式对整体预测功率的影响。建立了考虑风向的风电场超短期功率预测模型,通过预测实例,证明风向对风电场整体功率出力具有较大的影响,显示出在进行风速预测的同时应进行风向预测以提高功率预测精度的重要性。     

基于时序残差概率的风电场超短期风速混合预测模型

风速的准确预测对提升风电功率预测精度和电网稳定运行具有重要意义，预测模型残差的精准刻画是实现风电场风速序列准确预测的前提，提出一种基于时序残差概率的风电场超短期风速混合预测模型。首先，基于改进变分模态分解方法将风速分解为频率特征互异的分量；然后，通过时间序列模型对分量中具有规律变化特征的线性成分构建确定性预测模型，对于拟合残差成分采用条件核密度估计建立概率预测模型，并基于二者时序递推叠加结果构成风速预测值。在此基础上，针对各残差分量条件概率无法直接表征原始预测结果的问题，提出了一种基于模拟法的概率生成方法，实现对风速的概率预测。最后，以我国东北某风电场运行数据为例，验证所提方法具有较高的预测精度，在保证可靠性的同时，具有极低的预测区间宽度，降低了概率预测不确定性。     

风电场风能资源评估及微观选址

风电场区域范围内的风能资源藴藏状况,是开发风力发电项目最基础的组成因素,能否客观的掌握其风能资源状况是项目成功和避免投资风险的关键所在。     

风能与风力发电

阐述了风力发电的基本原理，世界风力发电的发展概况和风力发电对环境保护的作用。     

风电场风能资源评估

结合甘肃省玉门市低窝铺二期风电场工程对测风资料进行了分析，得出1年中各月份的平均风速，10m高及70m高处各等级风速的百分比，风向分布等，可得出主风向、年风功率密度及年风能可利用小时数，从而实现对风能资源的精确评估。     

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。     

海上风力发电的风速和风轮机的输出转矩

通过观测的风速数据拟合出风速的威布尔分布曲线,了解风资源的分布情况.并根据风的随机性建立风速变化模型,应用Matlab软件对风速波形进行仿真,进而建立变桨距风机转子的仿真模型.了解在最大风能下,对应的风轮机输出转矩的变化特性以及随着风速的变化所对应的功率变化曲线.仿真结果表明所建立的风力机模型能较好的跟踪风速的变化,实...     

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。     

风切变指数的确定对风电场风速推算的影响分析

基于内蒙古地区地形相似、相距约18 km的两个风电场内2个测风塔共10个测风高度完整一年的测风资料,根据普朗特经验公式推导出的风切变指数关系式,采用4种不同的方法计算各相邻高度间的风切变指数.根据风切变指数的计算结果分析风速随高度的变化情况,通过不同方法的对比分析,选择合适的方法计算风切变,为确定风电场适宜的轮毂高度提供参考.     

考虑风功率密度和风向特征的风能资源MCP评估方法

在区域风电场风能资源评估方法中,传统的测量—关联—预测(MCP)方法未充分使用参考站的观测数据建立参考站和目标站之间风功率密度的映射关系,导致目标站长期风能资源的预测精度不高。在传统MCP组合方法的基础上,综合考虑参考站风功率密度和风向的特征组合,利用支持向量回归机(SVR)理论,建立2种不同的MCP模型,并将传统的考虑参考站风速、风向特征组合的MCP模型作为对比模型来验证所提出模型的有效性和准确性。实例研究表明,考虑参考站的风功率密度和风向特征输入的MCP模型对目标站风功率密度预测决定系数高于0.9,预测精度和适用性要明显优于传统的MCP模型,因而,该模型可用于评估区域风电场风能资源分布状况。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。