基于Copula函数的风电场风速建模分析

韭菜坪风电场为贵州省的一个大型山区风电场,风电场内各机组的风速具有一定相关性。本文采用多元正态Copula函数及秩相关矩阵度量的方法来量化分析该风电场内风速的相关性,以建立更能反映该风电场特性的风速模型。多元正态Copula函数能有效地将威布尔分布的风速序列、风速累积概率分布序列及标准正态分布序列连接起来,实现相关风速变量的转换及建模预测。该方法为今后分析韭菜坪风电场风速特性对该地区电网安全稳定性的影响提供一定的技术支持,也可为山区及大型风电场规划选址提供参考。     

大规模直驱风电场快速仿真方法

提出了单台直驱风机的简化模型,对比了简化模型与详细模型在单台、多台风机情况下的仿真精度与仿真时间方面的差异,分析了在单台简化模型与单台详细模型下的风电场故障特征,得出风机位置与风速的分布特性对故障特征影响不大的结论。所提出的简化模型大幅降低了仿真计算量、提高了仿真速度。     

基于风电场动态时空关系的风速分布模型研究

通过测风塔风速和风向数据计算风电场各机组的动态空间位置,基于Matlab平台在综合风电机组尾流效应和时滞效应数学模型的基础上,建立了风速在各台风机上的分布模型。算例以实际风电场为研究对象,将测风塔的实测数据输入该模型计算场内各风机风速,分析了尾流和时滞因素对风速模型及风电场出力的影响,结果表明尾流降低出力、时滞平滑出力。最后将风速模型转换成全场输出功率模型,并与风电场实测出力数据进行比较,验证了所建风电场风速模型的有效性。     

考虑风速时空分布及风机运行状态的风电场功率计算方法

大规模风电并网背景下,准确计算风电场输出功率对调度控制和电网安全运行至关重要。以区域内测风塔观测的分钟到小时级平均风速和风向为输入,研究风机地理分布以及风机启停对尾流模型的影响,计及风速在空间分布的时延效应,建立了考虑风速时空分布特性的等效风速模型。在此基础上,进一步考虑风机的机械特性及运行状态,提出了风电场功率计算方法。以某实际风电场地理数据和风机参数为基础的仿真算例验证了所提方法的可行性和合理性。     

基于风速变异系数的山地风电场模型风力机机械功率计算方法

文中利用变异系数作为风速非一致性指标,提出了一种山地风电场详细模型中风力发电机组功率的计算方法。该方法先建立山地风电场风速时空分布特征表,根据特征表中的变异系数及其置信水平获取风速的上分位点和下分位点。通过这种方式,可以形成一个带有最大值和最小值的风速域。进而得到该山地风电场的一个对应的风电机组机械功率域。利用PSS/E软件、案例分析在中国西南地区某高海拔山地风电场展开,涉及切入风速和平均风速两种工况。通过与传统平均风速方法的时域仿真结果比较,验证了所提方法的有效性和准确性,以及将变异系数作为风速非一致性指标的合理性。有益于考虑高比例山地风电风速非一致性和不确定性的电力系统动态特性分析。     

计及随机波动风速、风向的风电场建模方法研究

提出风电场建模方法建立风电场随机模型,对风电场运行特性进行仿真,为实现大规模风力发电的可预测、可控制目标服务。通过对风电场等值模型与详细模型的仿真比较,验证建模方法的合理性,并得出在研究风电场动态特性及其对电网影响时应考虑风速、风向的随机波动建立风电场模型。     

低风速地区风电场定制化设计方案

针对低风速地区风资源情况复杂的问题,采用低风速风电场定制化开发Dinkelbach算法,以风电场经济效益最优为目标,对选用不同风机型号和轮毂高度的方案进行比较,通过实际案例分析,确定风电场最佳混排方案,可为拟建风电场提供最优化风机选型等设计,为低风速地区风电场定制化开发。     

风电场GM-WEIBULL风速分布组合模型出力预测

针对风电出力的随机性及间歇性,采用灰色理论建立灰色预测-威布尔风速分布组合模型,并对威布尔风速分布参数进行了求解,根据实际地形下风电场风速数据准确预测了风电场的风速分布及有效风电出力密度,进而求得了风电场风机出力功率及发电量等重要数据.     

基于Johnson分布体系的含风电场发电系统可靠性评估

提出了一种基于Johnson分布体系的多维变量建模方法,并将其应用于含风电场发电系统年度可靠性指标计算中。该方法利用风速历史数据和持续负荷曲线构建风速和负荷与标准正态变量的关系,即模拟风速和负荷的概率分布特征,进而通过模拟相关多维标准正态变量来实现对风速相关性的模拟,避免了因假设风速概率分布模型可能导致模拟精度低的缺点。通过算例分析,验证了算法在模拟负荷和风速分布时的精度以及应用于含风电场发电系统可靠性评估中的适用性。在此基础上分析了风电场风速相关性对含风电场发电系统可靠性指标的影响。     

风电场风速分布模型研究综述

风速分布模型是用于风电场资源评估、风电场规划与建设以及发电系统可靠性评估等方面不可缺少的数学基础。本文主要综述了反映中长周期的风速分布特性的数学模型,如伽马分布、对数正态分布、瑞利分布、威布尔分布和Burr分布;并以威布尔分布为例,介绍了常用的各种参数估计方法。文中分析比较了各种方法的优缺点,并对今后风电场风速分布模型的研究进行了展望。     

基于风速时间周期特征的风电并网系统风险评估方法

目前的风电并网系统风险评估方法多采用风速的概率分布模型,评估的是系统全年的风险指标,不能反映风速和系统风险的时变特征。提出了风速的时间周期特征,并将其描述为风速长期、平缓的月变化趋势和短期、快速的日波动特征两部分的叠加。用时间周期拟合函数表示风速的月变化趋势,用服从特定概率分布的随机变量表示风速的日波动特征,通过对多年风速样本进行曲线拟合来建立风速的时间周期特征模型。根据该模型模拟得到的时变风速建立风电场出力模型,采用蒙特卡洛模拟方法计算风电并网系统中长期风险指标,反映了系统风险的时变特征。以IEEE-RTS79系统及某风电场实际风速为例,验证了所提方法的有效性。评估结果可为电力系统规划、中长期调度和月发电计划制定等提供重要参考。     

基于主成分分析法的直驱式风电场分群方法

为了建立较为精确的风电场等值模型,提出了一种基于主成分分析法的直驱式风电场分群方法。首先对直驱式风电机组进行建模和分析,得到了表征风电机组运行状态的全部状态变量。然后利用主成分分析法提取了3个主导变量,它们代表了全部状态变量90%以上的信息,可较准确地反映机组的运行点。最后为了进行对比分析,在算例中分别以3个主导变量和风速为分群指标进行分群计算,并在Matlab/Simulink平台上搭建了风电场的详细模型、以主导变量分群的等值模型及以风速分群的等值模型。通过比较三种模型在风速波动及电网故障情况下动态特性的仿真结果,验证了所提分群方法的正确性及较高的精确性。以该方法分群建立的风电场等值模型的精确性较高。     

基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization, PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。     

基于证据理论的风速不确定性建模

风速决定了风电场的输出功率,风速模型是研究含风电系统运行与规划的重要基础。提出一种基于证据理论的风速不确定建模方法。采用证据理论中基本可信度分配的概念描述风速;提出依据实测历史数据确定基本可信度分配的焦元和信任函数的实现方法,并设计等概率区间和等取值区间2种建模策略。以某风电场实测风速为例对基于所建模型和基于概率分布及区间分布的模型进行仿真比较,结果表明所提模型能确定风速的似然累积概率分布和信任累积概率分布,能更有效地描述和处理风速不确定性信息。     

风速传感器实测风速不确定度评定对比研究

在风速传感器实测风速不确定度的评定中,传统方法是将实测风速测量模型简化后采用GUM(guide to the expression uncertainty in measurement)进行评定。但GUM并不适用于复杂模型,为了研究实测风速不确定度评定的可靠方法,对风速传感器分别采用GUM和MCM(Monte Carlo method)进行不确定度评定,对比分析评定结果,并利用MCM评定结果验证GUM的适用性。结果表明,简化模型下GUM和MCM评定结果差异较小,但只有标准不确定度取一位有效数字时,GUM评定方法通过验证,评定结果一致性好;实测模型下MCM和简化模型下GUM评定结果对比得到,两者包络形状相似,但实测风速最佳估计值明显偏大,GUM评定方法不能通过验证;改变部分输入量分布时,两种方法得到实测风速最佳估计值非常接近,但GUM评定得到包含区间比MCM明显增宽,概率分布相差较大,GUM评定方法不能通过验证。因此,应当根据模型的复杂程度、输入量分布情况以及测量结果准确度的要求选择合适的评定方法,如果输入量分布均服从正态分布且对测量准确度要求不高,可使用GUM进行评定,反之建议使用MC...     

基于APSO-GSA和相关向量机的短期风电功率预测

精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

基于比恩法的风电场风速-功率曲线建模误差分析

以预测风速为输入进行风电功率预测时,风电场风速-功率曲线的建模精度至关重要。提出一种基于比恩法的风电场风速-功率曲线建模方法,并分析不同风速区间下各建模误差的变化情况。分析结果表明,忽略风速-功率传变特性差异导致风速较小时建模曲线偏高,风速较大时建模曲线偏低,而忽略风速空间分散性对建模曲线的影响则相反,因此两者对建模精度的影响有明显的抵消现象,且各建模误差的变化情况与风速大小密切相关。