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.     

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OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。     

改进Informer网络的风电功率短期预测

准确预测风电功率对于提高电力系统的效率和安全性具有重要意义, 而风能的间歇性和随机性特点导致风电功率难以准确预测. 因此, 提出一种改进Informer的风电功率预测模型PCI-Informer (PATCH-CNN-IRFFN-Informer). 将序列数据划分为子序列级补丁, 并进行特征提取和整合, 提高模型对序列数据的处理能力和效果; 采用多尺度因果卷积自注意力机制, 实现多尺度局部特征融合, 提高模型对局部信息的理解和建模能力; 引入反向残差前馈网络 (IRFFN), 增强模型对局部结构信息的提取和保留能力. 某风电场数据实验结果表明, 与主流预测模型相比, PCI-Informer模型在不同预测步长下均取得了更好的预测效果, 在MAE指标上相比Informer模型平均降低了11.1%, 有效提高了短期风电功率的预测精度.     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

基于经验模态分解与多分支神经网络的超短期风功率预测

风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量,然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归（ARIMA）模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。     

基于分形理论的风电功率预测算法研究

近些年,风能成为世界上装机容量较大的可再生能源之一,风力发电的并网容量不断增加,给电网稳定运行带来不小挑战,风力输出功率预测精度的提升能够有效地减轻风电并网时对电网的冲击,同时为电网的调度和安全运营提供保障。为进一步提升的风电功率预测精度,借鉴分形理论并将其融合到风电功率预测模型中,同时结合自定义K最近邻算法(K-nearest-neighbor,KNN)。采用分形理论的基本思想,考虑基准功率曲线问题和气象特征值,利用分形插值可有效地获取相邻样本的局部信息,从而使得插值曲线更好地保留原采样信息的大部分特征,最后使用多评价指标维度对预测效果进行评估。以某风电场实测数据为例,与梯度提升决策树、随机森林、支持向量机预测模型进行比较,验证了提出的预测算法的有效性。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

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的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于时序指数平滑法的风电场功率预测研究

针对现有风电场功率预测方法存在预测时间短、预测精度低,不能跟踪风电波动性、间歇性进行可靠预测的问题,提出了一种基于时序指数平滑法的预测方法。该方法首先将原始数据利用指数平滑法进行去畸变量处理,得到较规则的功率数据,然后根据初步处理后的功率数据利用反馈式时序指数法进行预测。利用该方法对某大型风电场4台风电机组未来1天的发电功率进行了预测,预测结果与实测数据大致吻合,证明了该方法的可行性。     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information, MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、 AT注意力机制、 PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、 AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。     

低风速风力机最大风能追踪的互补滑模控制

针对风力机系统在最大功率点跟踪(MPPT)阶段易受风速等不确定因素的影响,为了进一步提高风力机的风能捕获效率,本文在滑模控制的基础上提出了一种互补滑模控制方法.首先,建立了含有干扰项的风力机系统的线性化模型,采用广义滑模面与互补滑模面相结合的方法设计了互补滑模控制器,并在理论上证明了此控制方法能够有效保证风力机转速跟踪误差的收敛性,且能提高转速跟踪精度.其次,采用风力机专业仿真软件FAST对美国可再生能源实验室(NREL)的600 kW风力机进行了仿真实验,结果表明本文所提出的控制方法不但能提高风力机的风能捕获效率,而且能有效减小转速跟踪误差.最后,将本文所提方法与现有常见的几种控制方法相比较发现:风力机系统在互补滑模控制策略下,具有更高的风能捕获效率和更小的转速跟踪误差.     

Wind farm power prediction based on wavelet decomposition and chaotic time series

In this paper, a prediction model is proposed for wind farm power forecasting by combining the wavelet transform, chaotic time series and GM(1, 1) method. The wavelet transform is used to decompose wind farm power into several detail parts associated with high frequencies and an approximate part associated with low frequencies. The characteristic of each high frequencies signal is identified, if it is chaotic time series then use weighted one-rank local-region method to predict it. If not, use GM(1, 1) model to predict it. And the GM(1, 1) model is also used to predict the approximate part of the low frequencies. In the end, the final forecasted result for wind farm power is obtained by summing the predicted results of all extracted high frequencies and the approximate part. According to the predicted results, the proposed method can improve the prediction accuracy of the wind farm power.     

基于改进鸟群算法优化聚类的风电场等值建模

为了提高风电场动态等值建模的精确度,采用风力发电机组的12个状态变量作为分群指标,使用改进鸟群算法(Improve Bird Swarm Algorithm,IBSA)搜索最佳聚类中心,通过K-means算法对风电场进行分群处理。在MATLAB/Simulink中搭建详细模型与等值模型,并与传统聚类算法进行对比。实验结果表明,该方法对等值建模的准确度有很大的提高,可以精确地表征风电场的对外特性。     

基于K-means和改进KNN算法的风电功率短期预测系统

为提高风电功率短期预测的准确性,针对KNN(K-Nearest neighbor algorithm)算法在风电功率预测中的不足,提出了基于K-means和改进KNN算法的风电功率短期预测方法;利用K-means聚类方法确定风电历史样本的类别,对KNN算法中搜索相似历史样本集的方式进行了改进和优化,构建了预测模型,并采用C/S架构实现了预测系统的设计;该系统具有自修正功能,能够随着预测次数的增加,不断修正预测模型,逐渐降低预测的误差率;以吉林省某风电场历史数据为样本进行了仿真分析,结果显示该算法与其它算法相比平均绝对误差和均方根误差最大下降1.08%和0.48%,运算时间提升了5.45%,在风电功率超短期多步预测中具有推广应用价值。