基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用.根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测.以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性.     

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。     

基于等效平均风速的风力发电功率预测

目前应用风速气象数据预测风力发电功率的方法存在较大误差,难以满足工程应用的精度要求.文中基于能量守恒原理提出了风力发电机组等效平均风速的概念,并通过为期1年的现场实验分析得到等效平均风速与最大风速和平均风速的函数关系,由此提出了基于等效平均风速的风力发电功率预测方法,并与以往基于平均风速的风力发电功率预测方法进行了工程应用效果对?栽 比,表明基于等效平均风速的预测方法较基于平均风速的预测方法在预测精度方面有明显提高.     

风电场短期风速预测探讨

针对我国在风电场短期风速预测的研究还不能达到令人满意程度的现状，通过分析国外在风电场短期风速预测领域的研究情况，结合实例提出并详细阐述了时间序列法在这一领域中的应用，结果表明所建模型具有一定的实用价值。     

基于相似日和风速连续性的风电场短期功率预测

对风电场进行短期功率预测能够有效减小风电场出力波动对电力系统的影响,降低电力系统的运行成本和旋转备用。综合考虑天气因素以及风速连续性的影响,提出基于相似日和风电连续性的风电场短期功率预测方法。首先,完成BP神经网络训练样本的选择,然后利用预测日前一天的风速作为输入,完成预测日功率的预测,最后将此模型运用于威海某风电场,并与仅考虑风速连续性得到的预测结果相比较,分析预测误差,结果表明前者预测精度更高。     

基于混沌时间序列的大型风电场发电功率预测建模与研究

通过对风力发电系统的发电功率时间序列进行低维非线性动力学建模,表明该时间序列呈现混沌特性。在此基础上,利用混沌时间序列的相空间理论建立了风力发电功率神经网络预测模型,对风力发电功率的短期预测进行了分析和研究,并得到了较高的精度。本文研究数据均来自大唐赛罕坝百万千瓦级风电场。     

风电场短期风速的改进Voherra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Voherra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。     

风电场短期风速的改进Volterra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Voherra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于风速预测与储能的可调度风电场并网功率控制

由于风速变化的随机性,大规模风电场并网给电网调度带来困难,进而影响系统的稳定性。为了提高风电场的可调度性,本文提出了基于风速预测与钒电池储能的风电场并网功率协调控制系统。采用BP神经网络法对未来一天的风速进行预测,通过预测的风速值计算风电场向电网发送的功率,并将预测值提交到电网调度机构。同时,在风电场的出口处接入钒电池储能系统,快速响应弥补风电场实际发出功率与预测功率的误差,从而提高电网依据风功率预测进行风电场发电调度的可信性,改善了风电场与电力系统之间的协调运行能力。     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

黑龙江省大力发展风力发电的探讨

风力发电是一种利用风能资源发电,节约煤炭、石油等不可再生能源,保护环境的最新能源解决方案。针对世界和我国风能资源的分布及风电建设情况进行了研究和探索,结合黑龙江省的风力资源特点及黑龙江省的人文地理实际,提出了要在黑龙江省大力发展风电产业。并对当前风电发展过程中遇到的困难提出了建设性的意见和解决办法。     

两种基于自适应神经模糊推理系统的风功率预测方法

随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于PSO-BSNN的短期风速预测

考虑到风的随机性和波动性,提出一种基于粒子群(PSO)优化B样条神经网络(BSNN)的短期风速预测方法。利用相空间重构方法确定BSNN的输入空间向量,BSNN可以灵活地改变对输入空间的划分和对隐层基函数的定义,对任意的网络输入,隐层基函数的输出只有少数非零,使网络输出简单,收敛速度快。但在传统的BSNN中,对输入空间节点位置的均匀划分是粗糙的,预测结果容易陷入局部极小而影响预测精度。粒子群优化算法是一种智能搜索方法,它具有较强的搜索能力并且容易实现,利用PSO优化BSNN输入空间的节点位置划分,可避免BSNN陷入局部极小并提高预测精度。仿真结果表明,基于PSO-BSNN的预测模型比传统的BSNN和BPNN预测模型具有更高的预测精度。     

基于风速相关性的风电场群汇聚效应分析

多个风电场汇聚后的输出功率特性具有明显的汇聚效应,这是处于不同位置风电场风能资源差异性的外在体现。本文运用Copula理论对地理位置相近地区风速的相关性进行量化分析,进行最优Copula函数类型选择以及参数的确定。通过对两两风电场风速相关性的量化分析,提出一种能够反映风电场群输出功率汇聚效应的Monte Carlo模拟方法。在已知风速历史数据的前提下,分析了场间风速含有相关性对风电场群汇集后输出功率特性的影响,从而为风电场群功率外送输电容量规划提供必要的参考。