基于物理原理的风电场短期风速预测研究

对符合功率预测要求的短期风速预测进行研究,提出了基于物理原理的预测方法,该方法以数值天气预报(Numerical-Weather-Prediction,NWP)风速为输入数据,采用粗糙度变化模型与地形变化模型反映风电场局地效应对大气边界层风的影响;通过与不同风况下的实测风速进行比较,表明预测结果基本能满足预测精度的要求,但预测准确性会随风速变化剧烈程度的增强而有所降低;根据误差分析,NWP风速的准确性是影响预测结果的最主要因素。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

基于气象因子的BP神经网络风电场风速预测

探讨了风电场风速预测对电力系统稳定运行、经济调度、运行效益及电力市场环境下风电场参与市场竞争能力的重要影响和意义,建立了考虑风电场气象因子影响的BP神经网络风速预测的一种新模型,该模型兼顾了相似日特征的作用和影响.运用该模型对新疆某实际风电场进行了日平均风速、最大风速、最大风速方向进行了连续20天的预测,平均相对误差分别为8.07%,10.09%,9.05%.预测结果表明了该方法的有效性、实用性和可靠性.     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

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.     

风速差异条件下的风电场自适应频率响应控制方法

提出一种适用于大型风电场的自适应频率响应控制方法,使风电场能参与电力系统频率调节.低频事件发生后,每台风电机组的下垂控制系数均根据其本地实时风速和功率裕度呈反比例自适应调节.高频事件发生后,每台风电机组的高频响应控制增益随其本地实时风速自适应调节.由此,风电场频率响应支撑功率可自适应的在多台风速各异的风电机组之间实现合...     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于模拟退火粒子群算法的风电场短期风速预测

针对风电场短期风速预测存在精度较低的问题,引入了一种基于灰色模型与模拟退火粒子群优化BP神经网络(SAPSO-BP)相互嵌入而成的预测模型。该方法在SAPSO-BP网络的输入层前增加一个灰化层,在网络输出层后增加一个白化层,以改进网络的拓扑结构,提高模型的容错能力。仿真试验结果表明,该预测模型具有较好的鲁棒性,其平均绝对误差及均方误差分别为18.7%和5.11%,可用于风电场短期风速的预测。     

基于改进粒子群算法的风电场虚拟惯量优化分配方法

大规模风电并网导致电网惯量不断削弱、系统频率特性恶化,虚拟惯量控制使风电具有与同步发电机相似的虚拟惯量,为电网提供惯量支撑,但需要根据频率安全约束,研究多个风电场对系统惯量支撑目标的协调分配。提出基于改进粒子群算法的风电场虚拟惯量优化分配方法。首先根据电网频率安全约束指标求解维持频率动态稳定的电网临界惯量,并结合电网实际惯量得到电网惯量补偿目标。然后将系统最大频率偏差最小作为优化目标,风电场虚拟惯量补偿目标作为优化对象,建立优化分配模型;采用改进粒子群算法求解该模型,得到虚拟惯量最优分配方案。最后在IEEE-39节算例系统中验证了所提方法的正确性和有效性。     

基于转矩极限的改进风电机组虚拟惯量控制策略

为解决大规模风电并网带来的系统频率稳定性降低问题,风电机组通过虚拟惯量控制可为系统提供短期频率支撑,然而惯性响应期间风电机组转速收敛缓慢,导致一部分转子动能被无故浪费;转速恢复阶段的有功突变易造成频率二次跌落。为此,提出基于转矩极限的改进风电机组虚拟惯量控制策略,实现在释放较少动能的前提下提供与传统策略相同的频率响应服务;并在频率步入准稳态时,借助时变功率函数开始转速恢复,实现转速快速恢复的同时缓解二次频率跌落。基于EMTP-RV仿真软件搭建包含风电场的电力系统模型,验证了所提策略的有效性。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法.对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息.利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测.最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和...     

基于最优邻域的动态加权混沌风速预测模型

提出了短期风速的混沌预测方法。首先利用关联积分法确定滞时和嵌入维数,重构风速时间序列的相空间。在此基础上,采用基于最优邻域的动态加权混沌预测模型进行风速预测。该模型综合考虑了邻近点权重和广义自由度,能够给出确定最优邻域的判定指标。实际计算中对2个测风点的数据进行了预测分析,结果表明,在合适的模型参数条件下,该方法可取得较好的预测效果,邻近点权重的引入确实提高了模型的预测精度。     

基于虚拟惯性的双馈异步风力发电机控制方法及其稳定性分析

针对传统的同步发电机缓慢运行可能会影响微网系统稳定的问题,研究虚拟惯性控制方法在双馈异步电机风力发电机中的应用。首先详细介绍引入虚拟惯性的2种控制方法及其数学模型,然后通过构建小信号模型研究所提出的控制方法对于孤岛模式下微网系统稳定性的影响,比较使用双馈风电机组旋转质量或超级电容器作为虚拟惯性源的优缺点以及风速变化的对于系统稳定性的影响。最后,基于Matlab/Simulink建立仿真模型,仿真结果证明,引入虚拟惯性可显著增加系统稳定性,但基于旋转质量虚拟惯性控制效果受风力发电机转速影响较大,基于超级电容器的虚拟惯性控制效果最佳。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

残差灰色风速预测最大风能追踪策略研究

该文引入灰色预测理论,用以往时刻的风速信息预测下一控制时刻的风速,并用残差修正方法来提高预测精度。根据该预测风速的大小来确定下一时刻最优功率点搜索的起始风电机组转速,再利用变步长转速扰动的最大风能追踪策略(爬山法)找到最优功率点。仿真表明,残差灰色风速预测方法具有很好的预测效果,有效缩小了最优功率点的搜索区间,缩短了搜索时间,提高了机组的运行效率。