基于等效风速的风电场等值建模

随着风电场联网规模的不断扩大,风电功率波动对电网影响愈加显著,风电场建模已成为一项重要研究课题。本文提出了用一台等值机来表征场内风电机组整体性能的风电场等值模型,该等值机组在等效风速作用下所产生的风电功率与所有机组输出功率相等,适用于含风电场的大规模电力系统仿真。构建了基于输出功率最大相关性原则的等效风速选取方法,提出...     

一种处理风电场静态功率等值分散性的等效风速法

随着风电场规模不断的扩大,其输出功率的波动性对电网的安全经济运行带来的不利影响也越发明显。把握风电场输出功率波动特性是开展风电联网运行分析的迫切需求,直接关乎到分析结果的准确性、合理性。由于风电场输出功率取决于自然风速,各机组安装处所感受到风速存在时空差异性,直接导致了同一风电场内部不同位置的机组出力的差异,即输出功率的分散性。为描述风电场内各机组输出功率的分散性,本文提出一种处理风电场静态功率等值分散性问题的等效风速法。利用等效风速作为风电场等值模型的输入,解决了传统风电场静态等值模型无法解决风电场出力的分散性问题,提高了等值模型的精度,对准确评估风电场联网运行性能具有重要作用。有助于电网调度合理安排生产计划,减少系统备用容量,提高含大规模风电场电网运行安全性和经济性。     

风电场风速等效方法研究--定风速等效研究

搭建由异步发电机构成的三行三列风电场仿真模型,通过加权聚合方法将九台风机有效地等值为一台风机。提出了加权平均法和利用风能利用系数Cp反推法两种风速等效方法,验证这两种等效方法在短期风速不造成桨距角动作情况下对风电场等值前后的影响。结果显示两种风速等效方法均能得出有效的等值风电场的等效风速,在输入短期恒定风速且不造成风场中桨距角动作的情况下对等值前后风电场输出功率所造成的误差均在允许范围内,且利用Cp反推法效果更为优越。     

风电场发电功率短期预测组合模型研究

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

基于风速功率关系带的时间序列法预测研究

在运用时间序列法预测风速及风电功率的基础上,采用分层统计法对16台风电机组的风速功率数据进行统计分析,得出基于实测数据的风速功率关系带,用于提取有效历史功率点,达到提高风电功率预测精度的目的．运用MATLAB软件编程实现预测,并选取合适的误差衡量指标进行误差分析．     

短期风电功率的预测方法

介绍了目前已有的风电功率短期预测方法,包括物理方法和统计方法,综述了国内外已有的风电场功率预测系统及其应用情况,指出了我国风电功率预测系统的研究进程及发展趋向.     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

基于门控递归单元神经网络的风速误差修正模型短期风电功率预测

随着风力发电的日益普及,风电功率预测已成为辅助电网调度和电力交易的基础.针对短期风电功率预测问题,提出一种基于门控递归单元神经网络的数值天气预报风速误差修正模型.首先,提取数值天气预报风速误差的标准差作为权重,并根据数值天气预报风速时间序列对这些权重进行重新排列,得到权重时间序列.然后,提出基于双向门控递归单元神经网络...     

风电系统风速预测算法的马尔科夫理论修正模型

针对风速的强时序性和强随机性,提出了一种新型的基于马尔科夫理论的改进风速预测算法,该算法利用小波分解与重构获取各层平稳风速信号,并分别对各层平稳信号进行时间序列建模预测。由于以上算法在风速剧烈变化时存在预测失真,依据风速的马尔科夫转移特性,利用时变马尔科夫一步转移概率矩阵修正各层加权叠加后的风速预测值。以风电系统为例进行了研究,仿真结果表明:该方法具有较高的预测精度。     

基于多维AR模型的风速时程模拟

目的 生成空间多点的顺风向风速时程,比较不同阶AR模型的模拟效果,评价由BIC准则判定的AR模型最优阶数的合理性.方法 根据工程中普遍采用的顺风向脉动风速谱,利用MATLAB软件编制空间多点风速时程的自回归线性模型程序,并嵌入BIC准则以判定多维AR模型的最优阶数,使用不同阶模型对风场进行模拟并比较各阶模型的模拟效果.结果 通过对西堠门大桥风场的模拟发现,BIC准则判定得到的AR模型最优阶数为2阶,同时2阶模型取得了不错的模拟效果;不同阶模型的模拟效果有较大差异,1阶模型离散性较大,6阶、8阶模型模拟精度稍好,4阶模型模拟效果最好.结论 BIC准则判定得到的AR模型最优阶数偏低,但根据其最优阶数进行的模拟也可取得不错的模拟效果;模型阶数对模拟效果有很大影响,阶数过低将导致结果离散性较大,阶数过高并不一定取得更高的模拟精度,选择合理的模型阶数既可取得最优的模拟效果又可节省计算时间.     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

风电场风速预测的研究方法

介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.     

考虑风电场功率爬坡的超短期组合预测

随着大规模风力发电接入电力系统,准确的风电场功率预测对于整个电力系统的安全稳定运行均意义重大.而风电功率爬坡事件则是产生风电功率预测误差的重要原因,尤其是当风速数据变化较快时,所引发的功率爬坡会导致预测误差较大.因此研究考虑风电场功率爬坡事件的预测就显得日益紧迫.文中基于极限学习机理论,提出了一种考虑风电场功率爬坡的超短期组合预测模型.经算例验证表明,文中方法能够准确识别风电场的功率爬坡事件并有效提高风电功率超短期预测的精度,具有一定的理论意义和实用价值.     

含有风电场的电力系统并行潮流分析

首先用改进的灰色预测模型进行风速预测。根据预测的风速得到风力发电机组有功功率,在简化的风力发电机稳态模型的基础上,给出含风电场系统的并行潮流计算方法;计算结果仍保持较高的计算精度,表明由普通PC机构建PC并行算法是可行的,方法具有一定的实用价值。     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络(Temporal Convolutional Network, TCN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理,用TCN提取多特征数据的时间序列特性,将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度,引入变分模态分解(Variational Mode Decomposition, VMD)对误差序列进行分解,分别对分解后的误差子序列构建BiLSTM模型进行误差预测,用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验,仿真结果验证了所提方法能有效预测风速,并在极端天气发生时,对风速具有较高的预测精度.     

基于CNN–LSTM的风电场发电功率迁移预测方法

随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络（CNN–LSTM）的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明：基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了...     

综合考虑风剪切塔影效应的脉动风速模型

风速是影响风机输出功率的重要因素。运用谐波叠加法在Matlab软件中进行仿真建模和分析,建立脉动风作用下的模型,并使用Von Karman目标功率谱对模拟风速谱进行校核,以保证风速时程曲线的准确性。通过分析风机风轮和塔架等特点,阐述了风速和方位角的关系。综合考虑脉动风、风剪切和塔影效应对轮毂风速、平均风速的影响,通过分析风轮扫掠面上各点的风速动态模型,得到模型时空分布特性。结果表明,该模型既考虑自然风的突变性和不确定性,又考虑了风机自身结构特性引起的风速周期性波动,能够理想的反映实际风速,对于模拟风机运行状况具有直接意义。     

基于二次分解的改进时间序列超短期风速预测研究

提出了一种基于CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD (variational mode decomposition,VMD)二次分解的ARIMA (autoregressive integrated moving average model,ARIMA)-GARCH (generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA (autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7. 1%。     

巨型钢框架结构等效模型研究

对人字型支撑和十字交叉型支撑的巨型钢框架结构的等效方法进行了研究。采用连续化的数学模型，特巨型柱、巨型梁视为空间连续体，研究了其等效刚度的计算方法，并进一步建立了与原杆系模型相对应的等效模型。应用等效模型和原杆系模型进行了弹性静、动力的分析与对比，结果表明两者吻合较好。