GA优化ELM神经网络的风电场测风数据插补

针对风电场待插补测风塔与参考塔或气象站的数据间具有非线性相关关系的特点,采用遗传算法(GA)对极限学习机(ELM)神经网络的权值和阈值进行优化,建立用于风电场测风数据插补的GA-ELM模型。选取原始参考数据相关性不同的4个插补实例对基于GA-ELM模型的插补方法进行验证,并与ELM方法和线性回归法进行对比。结果表明:GA-ELM方法较ELM方法的插补精度有一定提高;GA-ELM方法与线性回归法相比,对于相关性较强的参考数据,插补风速与实测风速的均方根误差减少的绝对值和相对值分别可达0.06 m/s和30%以上,对于相关性较弱的参考数据,均方根误差减少的绝对值为0.1~0.3 m/s,相对值为7%~19%。GA-ELM方法较传统插补方法的精度有较大提高,且对相关性较弱的风电场测风数据的插补更有优势。     

海上相邻风电场间的“尾流效应”实例分析

  目的  研究海上相邻风电场间的“尾流效应”对发电损失的影响。  方法  利用海上风电场实际运行SCADA数据结合激光雷达同期实测测风数据,基于不同的风向扇区范围和风电场实际排布进行尾流效应场景分类,开展实际运行相邻风电场间（20D以上间距）的真实尾流电量损失分析工作。  结果  结果表明:对于规则排布的海上大型风电场,基于实际运行SCADA数据,对各机组发电量进行归一化,可以较好地反映海上风能资源分布特征及各机组发电能力的差异;高度集中的单一扇区条件下,处于下风向的相邻风电场受上风向相邻场区的“尾流效应”影响明显,发电产能较自由流降幅明显;相邻风场间随着缓冲带距离的增加,下风向场区机组尾流电量衰减比随之降低,缓冲带需达到一定的距离,对于风速的恢复有明显的作用,发电产能才能够有所提升;本案例不同场景下,缓冲带距离在23D～44D之间,尾流损失电量降幅在27%～4%之间。  结论  基于相邻风电场实际运行数据开展尾流分析可为后续海上大型风电基地规划设计和机组排布优化设计提供指导。