随机型Werierstrass-Mandelbrot函数在风速模拟中的应用

仿真程度高且简洁实用的风模型,对于风力机系统的气动与结构设计、风场布置与发电功率预测等十分重要。实际风速时间序列普遍具有自相似性,传统的谐波叠加法生成风速不具有自相似特征。基于随机型Weierstrass-Mandelbrot函数,通过其功率谱与Kaimal脉动风速功率谱建立联系,生成具有自相似分形特性的风速时间序列。将该方法生成风速与谐波叠加法生成风速从功率谱、概率密度函数及均值、极值、标准差等统计参数方面进行比较。结果表明:相比于谐波叠加法,随机型W-M函数能有效仿真具有自相似分形特性的风速时间序列。     

风电场平均风速变化对利用小时数的影响研究

本文分别采用两种方法,对风电场实测数据进行处理,得到平均风速依次递增的风速数据集序列,并提出一种结合数据集Weibull分布拟合结果及风电机组功率曲线数据,计算其对应发电量的数值积分方法;然后,本文结合3个风电场的实测风速数据,采用上述数据集处理和发电量计算方法,对其不同高度处的等效利用小时数进行了计算和对比分析研究,并与现有软件计算结果进行了对比验证。研究结果表明,本文提出的发电量计算方法可靠性较高,且平均风速每增加0.1m/s,等效利用小时数大致增加50h～60h。此研究结果也可为风能资源数据不同订正方法所造成的计算利用小时数变化规律的研究提供重要依据。     

基于风速时间序列分形与传统插值对比研究

风速时间序列具有波动强烈、数学上处处连续、处处不可导特征,为解决风速时间序列的插值问题及提高其精度,采用数学分形学理论的分形插值方法,基于Kaimal和NWTCUP湍流风谱模型进行风场模拟。从得到的风速时间序列中随机抽取数据作为初始点,将分形插值方法与三次样条和Hermite传统插值方法进行对比。结果表明:分形插值方法不仅具有保持原始风速时间序列所具有的本质和内在联系,如自相似性、长程相关性和标度不变性等非线性动力学系统特征信息,而且比三次样条和Hermite传统插值方法更适合剧烈震荡的风速时间序列的插值。     

采用修正逆傅里叶变换法的空间湍流风场建模研究

文章采用幅值谱修正的逆傅里叶变换法(IFFT)对空间湍流风场进行建模。首先,基于Fourier-Stieltjes积分从数学上推导了频谱的复共轭对称序列表达式。然后,根据Kaimal风速目标谱确定模拟点的风速傅里叶幅值谱,结合模拟点与相邻点的互功率谱确定该模拟点的相位信息;根据目标谱修正模拟点的风速幅值谱,产生具有时间和空间信息的风速时程序列。最后,对时程序列进行谱分析,并和Kaimal谱进行对比。结果表明,采用幅值谱修正的IFFT法得到的风速时程序列的功率谱密度(PSD)和目标谱的拟合度远优于传统方法,且计算效率提高62%。     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于改进Pair-Copula方法的多风电场风速时空相关性建模

传统Pair-Copula方法采用藤结构表示风电场风速之间的相依结构,能充分计及风电场风速之间的空间相关性,但缺乏风速时间尺度上相关性的考虑。针对此问题,文章提出了一种基于改进Pair-Copula的风速建模方法。该方法首先将藤结构中风电场风速的Copula联合分布函数样本点所包含的自相关信息转移至抽样模拟的随机数中,以此体现风电场风速数据在时间序列上的波动规律性。然后,采用分布更均匀的Sobol序列随机数代替普通随机数进行抽样,以提高风速概率特性模拟的准确性。最后,以位于美国东部的多个相邻风电场实测风速数据为例进行算例分析,算例结果验证了所提风电场风速建模方法的有效性。     

湍流风分形特性对比研究

基于多种湍流风谱模型并考虑湍流强度、地表粗糙度及空间高度对湍流风的影响,获取各种环境条件下的湍流风风速时间序列数据并生成相应的时域风速曲线。应用图像识别技术和盒子计数法,对各风速曲线分形维数进行计算与分析。结果可揭示湍流风风速时间序列的分形特性,且研究了湍流强度、地表粗糙度及空间高度对湍流风分形维数产生的影响,可为湍流风的分析及湍流风谱的准确选择提供一种新思路。     

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。     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

自相似性和分形维数在风场分析中的应用

通过探究风速时间序列的自相似性和分形维数,将分形学运用到湍流风场分析中,从风速时间序列的局部与整体关系和风速时间序列的分形维数2个角度解决选用湍流风谱模型时存在的盲目性问题.选用某一风场风速时间序列,基于Kaimal、Von Karman、SMOOTH和NWTCUP湍流风谱模型得到风速时间序列,采用Hurst值验证风速时间序列的自相似性,用计盒维数法计算风速时间序列的分形维数.结果表明:不同的湍流风谱模型具有不同的分形维数,湍流风谱模型可定量描述;风速时间序列内部波动不是随机的,是有自相似性的长程相关过程;分形维数与参考风速有关.     

基于机组来流等效风速计算的风电机组功率曲线修正

风电场功率曲线为工程中常用来描述机舱风速和输出功率之间关系的曲线,与厂商提供的理论功率曲线存在一定的差异。文中根据机舱测风仪的测风误差,提出了一种利用风电机组运行参数来反向迭代计算来流等效风速,拟合其与机舱风速的函数关系,并对理论功率曲线进行修正得到的机舱风速-功率曲线的方法。通过某电站的运行数据来推导来流风速,拟合来流风速与机舱风速间关系,并修正原功率曲线得到机舱风速-功率实际运行曲线,再将得到的机组功率指令来指导机组发电,从而降低机舱风速与来流等效风速存在偏差的影响,提高风电机组的发电效率。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

风力机风场模型的研究及紊流风场的MATLAB数值模拟

讨论了风剪、塔影和尾流对风场平均速度的影响,介绍了随机理论中离散随机序列与其功率谱、傅立叶谱的关系,研究了紊流风场模型中常用的几种典型的速度功率谱密度模型如Harris速度谱、Kaimal速度谱、Von Karman速度谱等模型。根据随机理论,确定利用速度谱求风速的紊流部分的算法,并用MATLAB编程实现了风力机紊流风场的数值模拟。     

测风数据间隔对风速预测精度影响的研究

风速预测对风电场控制和电网调度具有十分重要的意义。文章以不同时间间隔的测风数据为基础,采用时间序列法和人工神经网络法对风速进行预测,通过比较风速预测绝对平均误差,说明时间间隔较短时,采用BP神经网络预测精度较高;当时间间隔增大时,采用时间序列法预测精度较高;时间间隔过大,即风速数据太少时,两种预测方法误差都较大,须谨慎使用。该研究结果对风电机组控制系统的设计以及电网调度计划的制定具有参考价值。     

基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。     

五十年一遇最大风速计算方法比较

本文介绍了在重现期最大风速计算时针对长年代序列的Weibull(韦布尔)分布、Gumbel(龚贝尔、极值I型)分布、皮尔逊III型分布,适应短期序列(15-20年)风暴大风的Poisson—Gumbel复合分布,以及适合超短期序列(1-2年)二项—对数正态分布的计算方法,并用受热带气旋影响明显的香港横澜岛气象站1973-2011年最大风速资料、1992-2011年热带气旋大风资料和1999年、2008年、2010年完整年风速资料,进行了实例计算分析。结果表明,在长序列计算中,拟合优度检验显示Weibull分布计算结果比Gumbel分布及皮尔逊III型分布结果更合理。Poisson—Gumbel复合分布计算结果略小于长序列计算结果。三个完整年计算的50年一遇最大风速差别较大,因此,在进行50年一遇最大风速计算中要选择适当的计算方法,使计算结果稳定、可靠。     

采用最优子集回归模型的风电场风速预测方法

风速的快速准确预报是电力系统短期调度计划的基础,为了进一步提高风速预测的精度和运算速度,针对短期风速样本数据兼具波动性和趋势性的特点,采用均生函数最优子集回归(MGF-OSR)方法建立预测模型。该模型引入了一阶、二阶差分序列拟合序列的高频部分,建立累加生成序列来拟合序列的趋势性,利用均值生成函数(MGF),对上述所有序列创建预测因子矩阵,根据双评分准则(CSC)进行粗选,剔除评分较低的因子,对其他预报因子进行寻优组合得到最优子集,并以此建立预测模型。实例分析表明,该模型预测的平均相对误差大大低于其他预测方法,预测精度优势明显。     

基于非电气参数的风电场等效建模方法对比研究

在研究含有风电的电力系统时,简化的风电场模型有利于系统的仿真分析。为提高风电场等效模型的精度,提出一种基于非电气参数的风电场等效建模方法。从风电机组的控制参数、输入风速和风力机参数3个部分进行聚合、等效,得到对应的风电场单机等效模型。在MATLAB/Simulink软件中建立风电场模型和等效模型进行仿真研究。通过对比分析验证了这种等效建模方法的有效性和准确性。