微电网风/光发电功率预测软件的设计与开发

风力发电和光伏发电功率的预测是进行微电网能量调度计划制定的前提。运用基于时间序列法的风/光发电功率预测模型,引用等效平均风速概念,以提高风功率预测的准确度;采取在线滚动建模的方式修正基于时间序列法的预测模型,最后运用天气预报信息修正风/光发电功率预测的误差。设计了风/光发电功率预测软件的功能组成结构,制定了包括超短期、扩展短期与短期预测模块的程序流程,应用实例验证了所开发软件的实用性与有效性。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。     

基于支持向量机的风速与风功率预测方法研究

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入电网,对电力系统的安全、稳定运行带来严峻挑战.对风速风功率进行预测,对风电场的出力进行短期预报,是解决这一问题的有效途径.对风速风功率预测方法进行了研究,从物理和统计方法对SVM(支持向量机)预测方法作了分析,支持向量机在风速风功率预测中有非常大的应用空间,并进行了预测实验.     

风力发电系统不同风速建模方法的对比研究

为了建立真实有效的风速模型,分别给出组合风速模型以及风轮等效风速模型具体的建模过程和参数的设定.以风速的功率谱密度和自相关特性作为评价指标,分别将这两种不同的风速模型与真实的风场风速参数进行对比评估.评估结果表明,风轮等效风速模型更加符合风电场风速的变化规律和相关特性,为风力发电系统变桨距控制算法的改进和机组的故障诊断预测等研究提供必要的理论基础。     

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。     

集对分析理论在风电场风速区间预测中的应用

风力发电的出力直接取决于风速,因此需要提高风速的预测精度。考虑到风速点预测精度的提高有较难克服的瓶颈,文中提出一种针对风速的区间预测方法,将集对分析原理引入风速的区间预测中,利用风向、温度、气压、湿度等影响因素的训练数据,并考虑风速点预测的结果误差分布及风速变化率的影响,确定未来某时间段内风速的预测值所属的分类集合,以该分类集合的上下限作为风速预测区间的上下限,从而实现了风速的区间预测。以国内某风电场的数据进行训练和预测,验证了基于集对分析理论的风速区间预测方法的有效性,同时所提方法的预测结果可以用于风电场功率预测。     

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。     

两种基于自适应神经模糊推理系统的风功率预测方法

随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。     

基于粒子群算法风力发电系统风速预测研究

为了能够有效地对风力发电系统的风速进行预测,研究了粒子群算法在其中的应用,介绍了风力发电系统风速预测的基本原理,讨论了RBF神经网络的基本理论,分析了粒子群的优化算法并且设计了粒子群优化算法的流程.最后,进行了风力发电系统风速预测的仿真分析,仿真结果表明该方法具有较高的预测精度。     

变速恒频风力发电系统风速短期预测方法研究

采用现有方法预测短期变速恒频风力发电系统的风速时,因未分析风力机的运行特性而导致无法准确预测系统的输出无功功率、输出有功功率和短期风速,且预测结果的平均绝对误差和均方误差大,为此提出变速恒频风力发电系统风速的预测方法.首先对风力机的运行特性进行分析,然后采用支持向量机回归算法构建风速预测模型,最后利用风速预测模型完成变...     

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。     

甘肃酒泉风电基地风电预测预报系统

为了解决甘肃酒泉千万千瓦风电基地大规模风电并网难题,缓解电网运行、调度和电力市场管理的压力,文中从风电场的实际情况出发,提出了风电预测预报系统的总体方案,对建设风电预测预报系统方案中的数据采集、风能预测预报和风电预测预报模式进行了研究,提出了将多种预测方法结合的解决途径.     

风向空间分散性及其对全场风电功率预测误差的影响

风电功率预测对风电场和电力系统的稳定运行都具有重要意义。通过提高风速预测精度可以改善风电功率预测精度。风电场的风不是时刻都垂直有效作用在风机上,风向代表了风速与风机间的夹角,进而决定了垂直作用在风机上的有效风速,因此风向也是影响风电功率预测精度的因素。分析了风向空间分散性及其带来全场风电功率计算和预测误差的机理,给出了各种误差间的相互关系。算例结果表明,考虑风向的空间分散性,比仅以平均风向计算有效风速得到的全场风电功率预测误差小。实例表明,在风速空间分散性基础上考虑风向空间分散性会进一步提高全场风电功率预测精度。     

风电场输出功率年度预测中有效风速预测研究

风电场风电功率预测在风能利用中具有重要意义。利用历史年份的小时平均风速数据对下一年年度风速进行预测。对历史年份的小时平均风速数据以季度为单位进行小波分解,采用递推最小二乘法建立各分量的二元线性回归预测模型,将各分量预测模型等权求和集成为次年度对应季度的预测模型。对实测数据的仿真计算表明,提前一年的风速季度预测的平均绝对百分误差(mean absolute percentage,MAPE)为12.25%,提高了此类预测的精度。考虑具体风力发电机组的功率特性、机组效率和设备运行情况,可得次年度风电场输出功率值。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。     

基于对比分析法的内蒙古某风场风资源后评估

近年,风电项目后评估方面的研究已逐步开展起来,但多倾向于风电场运行安全性、经济性和发电量指标,以及用风电机组分布系数、风资源系数和损失系数来评价风电场运行情况。基于对比分析法,从平均风速、风向频率、最大风速、风速频率、有效风速小时数、风功率密度变化等评估要素,对内蒙古某风场风资源进行了后评估。研究表明：两阶段相比,风场参考气象站年平均风速、平均最大风速均趋于减小,趋势变化率分别为-0.015、-0.185;主风向一致均为SSE;静风频率降低21.6%;风场不同周期平均风速约减小0.80 m/s,白天风速减小10.00%,夜间风速减小约12.00%;3个风速区间有效风速小时数分别减小263 h、533 h和925 h,风速频率峰值区由6.50~7.50 m/s降至4.50~5.50 m/s,高频风速（超过7.00%）由4.50~9.50 m/s降至2.50~8.50 m/s;风功率密度与风速变化趋势较一致,其中,1月和下半年各月份2阶段风功率密度较接近,除5月外其他月份较设计阶段减小较明显;风功率密度频率峰值区对应风速区间由14.50~16.50 m/s减至9.50~10.50 m/s;高频区（超过7.00%）由10.50~13.50和14.50~16.50 m/s变为7.50~15.50 m/s。     

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。     

风电场短期风电功率的神经网络方法预测研究

对风力发电进行有效的预测,则可降低电网调度的难度。根据从风电场获得的相关风速、温度、风向、风电功率等数据,建立基于BP神经网络的短期风电功率预测模型,预测提前1,2,4,24h的风电功率。对所得预测结果进行比较,从而判断各种短期预测模型的优劣。从对比的结果可知,神经网络模型预测不超过24h的风电功率时具有一定的可靠性。