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速恒频风力发电系统风速的短期预测。实验结果表明,所提方法可准确地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小,验证了所提方法的整体有效性。     

风电场短期风速预测方法研究

随着风力发电的快速发展,并且风力发电系统的出力与风电场风速存在着的特殊关系,使得对风电场的风速实现较准确的预测已逐步成为研究的热点。该文先提出一种简单的的风速预测方法,即将指数平滑法应用到风速预测,并验证了指数平滑法预测风速的可行性。此外,为了提高预测精度,还提出了两种新的组合预测的方法,即基于指数平滑和灰色模型(GM)的组合预测方法、基于自回归滑动平均(ARMA)模型和灰色模型的组合预测方法。实例计算结果表明,组合预测方法比单独的用一种方法的预测效果要好,尤其是基于自回归滑动平均模型和灰色模型的组合预测方法更具有优势。     

短期预测中的研究

摘要： 为降低风力发电厂并网后对电网稳定性和波动性的影响,风力发电功率的特性分析和预测显得十分重要。论文针对影响风力发电功率的气象因素,引用主成分分析和逐步回归分析2种方法,明确了风速和最低温度与发电功率的因果关系。在进行发电功率预测中以风速作为主因变量的条件,应用指数平滑模型、ARIMA模型、组合预测3种方法分别对风力发电功率进行了预测。组合预测是将前两种预测方法的优点进行组合,使预测结果的精确度得到进一步的提高。     

浅析风力发电可持续发展

分析了风力发电技术及风力发电行业发展,对我国风电发展前景进行了预测,提出随着技术进步和环保事业的发展,风能发电在商业上将完全可以与燃能发电竞争,风力发电可能成为世界未来重要的替代能源。     

基于相空间重构的支持向量机的风电场风速预测

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。     

风力发电机组仿真演示系统研究与开发

针对风力发电系统的试验研究受到自然环境和现场条件限制的问题,基于Matlab/Simulink仿真平台,采用面向物理对象建模方法,根据风力发电系统的物理结构和运行特性对其仿真建模,开发了风力发电机组仿真演示系统,并将风力发电系统分解为若干个独立运行的子系统,通过控制结构连接整体。实例表明,本系统能够准确描述整台风力发电机组的动态行为,适合于教学仿真演示及控制技术研究。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

几种常见风力发电系统的技术比较

结合国内外风力发电的发展现状介绍了几种常见的风力发电系统，详细阐述了风力发电原理和风力机系统的数学模型，并对这几种风力机系统进行技术比较，最后简要介绍了风力发电接入系统后对电网的影响。     

高渗透率并网风力发电的谐波特点及其抑制研究

为了研究分布式、高渗透率风电并网给电网带来的谐波问题,本文理论研究了直驱风力发电系统以及双馈风力发电系统的谐波特点,得出直驱风力发电系统的总电流谐波畸变率不变及双馈风力发电系统的谐波电流有效值不变的特点,利用实测系统验证了该结论的正确性,并针对风力发电的主要谐波给出了抑制方法。最后提出了适用于谐波分析的直驱风力发电系统以及双馈风力发电系统的简化等效模型,该模型可用于大规模的高渗透率并网风力发电的谐波研究。     

现代控制技术在风力发电控制系统中的应用

由于风力发电系统的被控对象具有高度非线性、时变、多变量、强耦合的特点,控制系统是风力发电系统的重要组成部分,本文介绍了现代控制技术,如专家系统、微分几何控制、自适应控制、滑模变结构控制、最优控制、模型预测控制、H∞鲁棒控制、人工神经网络控制、模糊控制及综合智能控制在风力发电控制中的应用,特别是在变桨距控制、转矩控制和变流控制中的应用研究,指出风力发电控制技术存在的问题及未来技术发展趋势。     

酒泉地区风电场风电功率预报研究

利用NOAA天气预报模式Weather Research andForecasting Model(WRF)结合统计订正方法对酒泉地区短期风电功率预报进行了预报实验。与实际出力比较24 h短期风电功率预报精度较高。并在此基础上利用风电场附近测风塔观测数据通过时间序列发进行了0~4 h超短期预报实验,预报结果显示0~2 h预报结果有利于运行调度。     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

风电功率预测技术的应用现状及运行建议

针对我国风电开发中遇到的风电接入困难、电网调度困难等问题,对国内外解决此类问题的风电功率预测技术进行了详细的阐述。指出我国急需开发风电功率预测系统,并根据我们的风电功率预测研究经验提出了我国风电功率预测宜采用风电企业和电网共同实施的运行模式。希望对我国的风电功率预测发展起到一定的促进作用。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

Wind power forecast using neural networks: Tuning with optimization techniques and error analysis

The increased integration of wind power into the power system implies many challenges to the network operators, mainly due to the hard to predict and variability of wind power generation. Thus, an accurate wind power forecast is imperative for systems operators, aiming at an efficient and economical wind power operation and integration into the power system. This work addresses the issue of forecasting short‐term wind speed and wind power for 1 hour ahead, combining artificial neural networks (ANNs) with optimization techniques on real historical wind speed and wind power data. Levenberg‐Marquardt (LM) and particle swarm optimization (PSO) are used as training algorithms to update the weights and bias of the ANN applied to wind speed predictions. The forecasting performance produced by the proposed models are compared with each other, as well as with the benchmark persistence model. Test results show higher performance for ANN‐LM wind speed forecasting model, outperforming both ANN‐PSO and persistence. The application of ANN‐LM to wind power forecast revealed also a good performance, with an average improvement of 2.8% in relation to persistence. An innovative analysis of mean absolute percentage error (MAPE) behaviour in time and in typical days is finally offered in the paper.     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于非参数核密度估计的风电功率区间预测

由于风电的高度随机性和波动性,且风电功率的预测精度仍较低,因此传统的风电功率点预测不足以描绘风电的不确定性。在风电功率点预测值的基础上,采用非参数核密度估计方法计算风电功率预测误差的概率密度,并采用三次样条插值拟合预测误差的概率分布曲线,继而得出满足一定置信概率的风电功率预测区间。结果表明,采用风电功率区间预测能提供风电功率预测曲线和该曲线的变化范围,更有利于风电的不确定性建模。     

风电场风功率实时预测效果综合评价方法

超短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。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。