风电场风功率预测系统研究

对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力。文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据。提出并实现了"自适应逻辑网络"(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段。现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性。     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应...     

基于GA-LSSVM的短期风功率预测

结合LSSVM和GA的优点,提出了一种基于GA-LSSVM的风功率预测方法,利用预测误差作为GA优化的评价函数,通过反馈机制优化预测模型的参数,最终建立起参数最优的风功率预测模型。通过对实际数据的仿真,结果表明本文所提出的GA-LSSVM预测模型的有效性。     

基于深度学习的多尺度风功率预测的研究

能源结构的改革,新能源行业的高速发展,风电装机容量的逐步增加,使得风电在整个电网体系中占比增多,风电功率预测对风电安全、稳定及高效并入电网具有重要意义,但准确预测风电功率存在一定难度,基于此现状本文展开了相关研究。首先,介绍了风电领域发展背景及国内外研究现状;其次,从数据预处理、特征选择及风功率建模方法 3个方面讲述了风功率预测的整体建模流程;再次,通过实验分析了不同特征选择方法、不同组合算法及不同时间尺度对风功率预测实验结果的影响;最后,结合实验分析,给出了基于深度学习的多尺度风功率预测相关结论。     

基于mRMR和VMD-AM-LSTM的短期风功率预测

为了提高模型预测风功率的准确率,提出了一种基于最大相关-最小冗余筛选、变分模态分解、注意力机制和长短期记忆神经网络的短期风功率预测方法.首先使用变分模态分解算法将风功率序列分解成几个中心频率不同的分量;再对各个分量结合最大相关-最小冗余筛选出的气象特征分别建立注意力机制和长短期记忆混合预测模型;最后将各个分量的预测结果...     

基于AM-LSTM的风电场内多点位风电功率预测

为了提高大型风电场的风电功率预测的准确性,构建基于多点位的注意力机制(AM)和长短期记忆神经网络(LSTM)混合预测模型.对于风电功率影响因素特征提取模块,利用属性简约方法,在保证不影响原有的分类效果上,去掉多余属性,大幅度提高预测效率.对于风电功率预测模块,首先,利用15分钟数据间隔,不同高度的风速等作为模型输入,然后通过LSTM处理输入的时间序列与风电功率之间的非线性关系,接下来通过AM进一步优化LSTM的权重,最终得到风电功率的预测结果.通过国外某电场数据的验证:将数据集按照季度分开,各个模型预测结果最为优的是第四季度,对于基于多点位的注意力机制和长短期记忆混合预测模型的均方根误差和平均绝对误差分别比前馈神经网络预测模型降低48.8％和17.4％,比单一长短期记忆神经网络预测模型降低37.2％和7.8％.     

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R²等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。     

基于CNN的区域风功率预测方法

针对目前国内外风功率预测精度普遍不高,预测效果难以为电力系统调度提供可靠保障的现象,提出了一种基于CNN的区域风功率预测方法.采用k阶最小二乘法曲线拟合和BN归一化对历史数据进行预处理,将总数据集划分为训练集、验证集和测试集,数据矩阵化作为网络的输入,训练结束后保存最优模型,通过滚动预测的方法得出最终预测结果.算例结果...     

基于果蝇优化算法的风功率预测数据可信度量化分析

针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,该模型设置线性最小二乘系统作为支持向量机的损失函数。选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数据可信度。     

风电场有功控制系统

介绍风电场有功控制系统的原理和功能。     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

基于GMDH网络的风电功率短期预测

风力发电是当今新能源领域最具有前景的发展方向,而准确有效地预测风电场的输出功率对于风电场的顺利并网运行具有重要的意义。从实际的风力发电场中获得了有关风速、风向以及实际输出功率等历史数据,建立了基于GMDH神经网络的风电短期功率预测模型并将其运用于实际的风电场功率短期预测当中。最后,通过将预测结果和实际输出功率比较,表明GMDH方法在风电功率预测中具有较高的预测精度。     

风电场无功功率自动控制系统的应用

在风力发电系统中,保证风电场安全可靠运行,提高运营经济效益,是运行风电场的首要课题.系统评估了一种无功功率控制系统在新疆达坂城某风力发电场的应用,针对永磁直驱风力发电机组,综合无功分配和调节两方面,给出了风电场无功控制的综合调配方案,实现风电场无功和电压的自动控制.通过风电场运行数据对比,验证了无功自动控制系统的经济性...     

计及风力发电的配电网动态无功优化研究

风力发电的随机性增加了配电网无功优化的困难程度,在对风力发电随机特征进行分析的基础上,以配电网总有功损耗最小为目标,建立了计及风力发电影响的配电网动态无功优化数学模型,并将改进后的退火蚁群算法应用于该优化模型的求解。建立IEEE33节点配电网系统仿真计算实例,通过与其它优化模型及方法的对比分析验证了本动态优化模型及蚁群求解方法的有效性和优越性。本研究成果可为风力发电在配电网的接入及其无功优化提供有效的技术指导和参考。     

风光互补发电系统设计方法研究

风光互补发电系统是将风力发电和太阳能光伏发电组合起来构成的发电系统。整个发电系统由光伏电池阵列、光伏方阵直流防雷汇流箱、控制器、逆变器、交流防雷配电柜、防雷接地装置、蓄电池组、测量设备等各部分组成。阐述了风光互补发系统各部分的构成特点及设计中应注意的问题。     

面向微电网风力发电的系统充裕性评估研究

由于风力发电输出功率突出的间歇性和波动性等缺陷,其不确定性因素难以给出概率值与严重性的综合度量。提出了一种含风电场的发电系统充裕性分析模型,根据时序风速数据建立风力机功率特性曲线,通过反比例分摊的方法来简化并建立了多状态模型和单台机组输出容量概率表,结合状态枚举法进行了发电系统充裕性指标计算。采用卷积法将风电和传统发电进行卷积计算,从切入风速、切出风速、额定风速、风机数目等几个方面分析了风机类型对系统充裕性的影响。为系统决策者提供充裕性指标依据,并为电力系统的规划及运行提供决策支持,以寻求能够改善系统充裕性水平的措施。     

基于思维进化算法的风电功率预测研究

风电作为可再生能源,具有波动性、间歇性和随机性的特点,容易造成电力系统的不稳定。通过对风电功率进行预测,不仅可以保证电能质量,而且可以降低电力系统运行成本。传统的几种风电功率预测技术均存在一定的局限性。针对上述问题,提出一种基于思维进化算法的风电功率预测方法,并构建了预测模型。结合风电场风电实测数据进行仿真分析,结果表明所提出的方法可以有效可靠地进行风电功率预测,具有良好的工程应用前景。     

风电并网的仿真研究

根据双馈感应电机的特点,利用风电机组的数学模型,基于MATLAB/SIMULINK构建了包含风电场的电力系统的仿真模型。对风机的投入与切除,以及风电机组出口发生三相短路故障的两种情况进行了动态仿真。仿真结果表明,在风电机组0.8s接入系统和3.5s脱离系统时,系统略有波动但很快建立新的平衡;在风机出口故障时系统经历短期的波动后恢复了稳定,此结论为研究大规模风电并网提供了理论研究依据。