基于ARMA-ARCH模型的风电场风速预测研究

风速预测对风电场规划设计和电力系统的运行都具有重要意义.对采样时间为15 min的风速时间序列建立自回归移动平均(ARMA)模型,利用拉格朗日乘数法检验ARMA模型残差的自回归条件异方差(ARCH)效应,建立ARMA-ARCH模型.分别使用ARMA模型和ARMA-ARCH模型对风速时间序列进行短期预测,并比较两者精度.结果表明,ARMA-ARCH模型具有更高的预测精度,具有一定的实用价值.     

基于风速预测的风电场容量可信度研究

针对目前应用时间序列法进行风速长期预测时趋于平均值的限制,提出一种以年为序列,长期预测与短期拟合相结合实现风速的长期预测的方法。利用中国北方两个地区1996年7月到2010年6月的日平均风速资料预测了这两个地区2010年7月到2011年12月的日平均风速,并且与威布尔分布相结合生成该地区年小时风速。该方法可以体现风速的季节差异,并且更加符合实际情况。在此基础上,运用可靠性分析的方法进行容量可信度评估,为风电场规划提供了依据。     

风电场风速及风功率预测研究综述

对现有风速及风电功率预测研究方向和研究方法进行了总结分析,分析对比各自的特点,并在此基础上提出以下建议以进一步研究。     

基于Mycielski算法的风电场风速预测

对已有的风速预测方法进行了总结归类,并使用一种新颖的基于Mycielski算法进行风电场风速预测,建立了基于该算法的预测模型,并且同持续法风速预测进行对比,同时对二者的误差进行了分析.实验结果表明,基于Mycielski风速预测模型在风速平滑段有着非常高的预测精度,其均方根误差与误差方差均小于持续法,误差为零的概率高于...     

基于时间序列法的风电场风速预测研究

采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30米处,每10分钟采集一次得到的风速数据,建立ARMA模型,实现提前一小时的风速预测,为更长时间(半天、一天或两天)的风速预测提供理论基础。     

基于组合预测的风电场风速及风电机功率预测

风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行有重要意义.文中提出一种基于相似性样本的多层前馈(BP)神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性;结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电机功率预测.通过对国内某地区的实测风速数据分析,验证了该预测方法能够提高风速预测的准确性,具有较大的实用价值.     

基于时间序列法的风电场风速预测研究

采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30 m处,每10 min采集1次得到的风速数据,建立ARMA模型,阐述了数据预处理、模型参数识别及模型诊断、检验。实现提前1 h的风速预测,为更长时间(0.5~2 d)的风速预测提供理论基础。     

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。     

风电场出力特性及风速超短期预测研究

风电出力具有随机性和波动性特点,通过开展风电特性分析及风电场出力预测,可以减轻风电不确定性对电网的影响。分析了风力发电特性,概述了风电出力预测方法,并建立基于误差校正的BP神经网络模型来进行风速预测,实例计算分析结果表明,该模型有效提高了预测精度。     

风电场风速及风功率预测方法研究综述

随着全球能源形势日益严峻,传统的化石能源面临枯竭危机,清洁的可再生能源尤其是风能越来越受到人们重视,将来很可能替代化石能源成为主要能源。风速及风功率预测这一基础性研究课题对于风电场规划、风功率的控制、风电并网后电网的安全经济运行有着重要的意义。本文就风速及风功率预测模型进行了归纳整理和比较分析,对各种模型进行了客观评价,最后指出了未来预测模型的发展趋势。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报（NWP-numerical weather prediction）的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

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SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究,选择了不同的输入向量（历史风速时间序列,历史风速和温度,历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1 h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于局域波分解及时间序列的风电场风速预测研究

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。本文基于局域波分解和时间序列分析的方法,对风速预测进行了研究,并提出了局域波分解．时间序列分析的综合预测方法。通过对实际测量统计的风速时间序列进行局域波分解,使之分解成为有限个基本模式分量和一个趋势分量,并对分解出的各个分量用时间序列分析的方法进行预测,最后叠加得到预测的风速信号。由于局域波分解可以将一个非平稳的风速信号序列分解成有限个相对平稳的风速信号序列,所以此方法能够有效地提高预测精度。     

基于SSA-BP的风电场超短期风速预测方法研究

在风电场风速预测方法中,BP神经网络是常用的方法之一。针对BP神经网络相关参数选取不当影响预测结果的问题,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的权值W及阈值B的优化方法,构建SSA-BP超短期风速预测模型。从数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中收集得到的风速数据,预处理后及分类之后,使用该模型进行预测。实验表明,与BP、遗传算法(genetic algorithm,GA)-BP、粒子群算法(particle swarm optimization,PSO)-BP预测模型相比,SSA-BP预测模型可有效提高风电场风速预测的准确率,且收敛速度快、寻优能力强。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的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力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

风电场输出功率年度预测中有效风速预测研究

风电场风电功率预测在风能利用中具有重要意义。利用历史年份的小时平均风速数据对下一年年度风速进行预测。对历史年份的小时平均风速数据以季度为单位进行小波分解,采用递推最小二乘法建立各分量的二元线性回归预测模型,将各分量预测模型等权求和集成为次年度对应季度的预测模型。对实测数据的仿真计算表明,提前一年的风速季度预测的平均绝对百分误差(mean absolute percentage,MAPE)为12.25%,提高了此类预测的精度。考虑具体风力发电机组的功率特性、机组效率和设备运行情况,可得次年度风电场输出功率值。     

基于灰色预测变化风速下的风电场经济评价

以全寿命周期风资源评估思想对未来运营期风资源进行预测分析,得出每年的预测风速,根据此预测风速,得到每年的预测发电量,再进行项目的经济效益评价,从而更加接近实际情况。然后对项目风资源进行敏感性分析,以测风年份风速为基数,以20%的幅度进行敏感性分析,最终得出各个年份的经济效益。根据全寿命风资源理论进行分析得出的结论需要提高风电上网电价,才能使项目盈利。