基于自适应PSO-SVR的风速风功率预测

提出了一种基于自适应粒子群支持向量机的风电场风速风功率预测方法。该方法通过自适应粒子群算法优化参数的支持向量机的风速风功率预测。PSO算法作为一种新型的基于群体智能的随机优化算法,简单且易于实现,通过对粒子群算法惯性权重的改进及种群的变异操作,使得算法具有更强的参数优化能力。仿真算例和预测结果表明,该方法具有较高的预测精度。     

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。     

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。     

基于支持向量机的风速与风功率预测方法研究

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入电网,对电力系统的安全、稳定运行带来严峻挑战.对风速风功率进行预测,对风电场的出力进行短期预报,是解决这一问题的有效途径.对风速风功率预测方法进行了研究,从物理和统计方法对SVM(支持向量机)预测方法作了分析,支持向量机在风速风功率预测中有非常大的应用空间,并进行了预测实验.     

风速及风电功率预测研究综述

随着风力发电功率占比日益提高,风电功率的波动对电网安全运行的影响日益加剧。加大电网的旋转备用容量能够解决风电场出力波动的问题,但直接增加了电网运行成本。因此,对于含大规模风电接入的电网,风速及风电功率的准确预测对保证系统安全稳定运行、降低风电消纳成本有着至关重要的作用。在综合分析大量国内外文献资料的基础上,对风速及风电功率预测方法的研究现状进综述,总结常用预测算法的优缺点,给出风速及风电功率预测误差的评价指标体系,并对风速及风电功率预测的发展前景进行展望。     

BP神经网络在风电场功率预测中的应用

随着大量风电场接入电力系统,风功率波动性对电网的冲击以及对调度部门制定功率计划影响越来越大。对于风电场而言,风功率预测是急于要解决的问题,对此本文先利用小波函数对风速信号进行分解,再通过改进BP神经网络建立低频和高频风速-功率模型,并对三种辨识模型的性能指标进行了对比分析,最后对LM-BP算法在风功率预测上的精确性提出了建设性的意见。     

短期风速-风电功率预测方法

传统灰色风速预测模型累加处理时不能预测突变风速,使风电功率预测误差过大.采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3％.再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型.应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果可信度大于93％.     

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.     

基于案例推理的极端天气下风功率预测系统研究

提高风功率预测精度是保障风电并网安全运行的关键,同时也是电力市场现货交易决策制定的支撑,而间 歇性、波动性风速是影响风功率预测精度的重要因素.提出了一种基于案例推理的极端天气下风功率预测方法,首先 利用混沌理论建立间歇性风速模型,进而确定极端天气预测案例库,其次建立基于案例推理的风功率预测模型,最后 结合山西省大同市某风电场的实际运行数据进行验证, 并与广义回归神经网络(GRNN)、最小二乘支持向量机 (LSSVM)和遗传BP神经网络(GABP) 三种方法的预测结果进行对比.仿真结果表明,该方法能够有效提升风电 功率预测精度,或可为极端天气时的风功率预测研究提供借鉴.     

基于风资源评估的风电机组设计风速分析

以新疆某风区的地形、风资源情况为研究对象,分析其历史风资源基础数据。通过计算、分析风能密度、风向频率及风能密度的方向分布、风速年变化、湍流强度、年发电量等主要参数,优化和确定有利于该地区的风力机设计风速和功率。通过例证分析了尾流的影响,指出进行风力发电机组选型和配置时应注意的问题。     

风电场风切变指数研究

根据山东某风电场实测资料,对风电场逐月、逐时、不同风速下的风切变指数进行研究并探究风切变指数不同取值对风电场轮毂高度处风资源的影响。在分析轮毂高度风资源时,建议采用高差较小的高度处风速根据综合风切变指数进行推导。     

海上风力发电的风速和风轮机的输出转矩

通过观测的风速数据拟合出风速的威布尔分布曲线,了解风资源的分布情况.并根据风的随机性建立风速变化模型,应用Matlab软件对风速波形进行仿真,进而建立变桨距风机转子的仿真模型.了解在最大风能下,对应的风轮机输出转矩的变化特性以及随着风速的变化所对应的功率变化曲线.仿真结果表明所建立的风力机模型能较好的跟踪风速的变化,实...     

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.     

风切变指数的确定对风电场风速推算的影响分析

基于内蒙古地区地形相似、相距约18 km的两个风电场内2个测风塔共10个测风高度完整一年的测风资料,根据普朗特经验公式推导出的风切变指数关系式,采用4种不同的方法计算各相邻高度间的风切变指数.根据风切变指数的计算结果分析风速随高度的变化情况,通过不同方法的对比分析,选择合适的方法计算风切变,为确定风电场适宜的轮毂高度提供参考.     

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。     

基于风机特性模拟的风力发电系统

分析了风力机和直流电动机的运行原理,给出了直流电动机模拟风力机的理论依据。提出了实现简单、特性优良的转速、转矩控制模拟方案,通过控制直流电动机电枢电流来实现风力机转矩特性的模拟。搭建了基于风力机特性模拟的直驱式变速恒频风力发电系统试验平台,实现了模拟风力机在不同风速、转速下系统的稳定运行状态,验证了模拟方案的可行性和正确性,满足了该风力发电系统并网逆变和最大风能追踪等方面实验室研发的需要。     

基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

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.