共查询到20条相似文献,搜索用时 134 毫秒
1.
2.
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。 相似文献
3.
4.
5.
用实测风速校正的短期风速仿真研究 总被引:4,自引:0,他引:4
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。 相似文献
6.
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。 相似文献
7.
8.
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。 相似文献
9.
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。 相似文献
10.
11.
12.
小时风速的向量自回归模型及应用 总被引:11,自引:1,他引:10
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。 相似文献
13.
14.
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。 相似文献
15.
风电场输出功率年度预测中有效风速预测研究 总被引:7,自引:1,他引:6
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。 相似文献
16.
基于非参数回归模型的短期风电功率预测 总被引:12,自引:6,他引:6
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. 相似文献
17.
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。 相似文献
18.
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。 相似文献
19.
20.
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。 相似文献