风向空间分散性及其对全场风电功率预测误差的影响

风电功率预测对风电场和电力系统的稳定运行都具有重要意义。通过提高风速预测精度可以改善风电功率预测精度。风电场的风不是时刻都垂直有效作用在风机上,风向代表了风速与风机间的夹角,进而决定了垂直作用在风机上的有效风速,因此风向也是影响风电功率预测精度的因素。分析了风向空间分散性及其带来全场风电功率计算和预测误差的机理,给出了各种误差间的相互关系。算例结果表明,考虑风向的空间分散性,比仅以平均风向计算有效风速得到的全场风电功率预测误差小。实例表明,在风速空间分散性基础上考虑风向空间分散性会进一步提高全场风电功率预测精度。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

风电场短期风电功率的神经网络方法预测研究

对风力发电进行有效的预测,则可降低电网调度的难度。根据从风电场获得的相关风速、温度、风向、风电功率等数据,建立基于BP神经网络的短期风电功率预测模型,预测提前1,2,4,24h的风电功率。对所得预测结果进行比较,从而判断各种短期预测模型的优劣。从对比的结果可知,神经网络模型预测不超过24h的风电功率时具有一定的可靠性。     

考虑风向和大气稳定度的海上风电功率短期预测

对于海上风电功率的预测,传统预测模型未计及因风向与大气条件改变引起的输出功率差异。为了提升预测精度,在考虑大气稳定度的同时,根据风向与功率损失构建出功率风向(power-direction,Pd)模型,并在此基础上提出基于编码–解码(Encoder-decoder)框架的海上风电功率预测方法。该方法可根据Pd模型更新尾流效应损失,并有效平抑预测功率波动,区分不同大气层结稳定度下的尾流效应。首先,通过长短期记忆神经网络(long-short term memory,LSTM)等预测模型验证大气稳定度及Pd模型的有效性,然后使用Encoder-decoder对实际海上风电场进行风电功率预测。实验结果表明,考虑大气稳定度并使用Pd模型的Encoder-decoder方法,其均方根误差较单一Encoder-decoder预测方法降低了2.39%。     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。     

梯度提升树算法在陕北风电场短期风电功率预测中的应用

为了对地形和气候条件复杂的陕北风电场短期风电功率进行准确预测,通过将（weather research and forecasting,WRF）模式输出结果和同期实测风电功率资料相结合,利用梯度提升树算法进行预报气象场和实测风电功率之间的统计关系分析,从而建立了一套陕北风电场短期风电功率预测模型。以陕北靖边某风电场为例,预测结果表明：所提模型年平均预测准确率伟15.7%;月平均归一化均方根误差在20%以下。模型对风电场风电功率预测精度较好。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义。从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数（Radial Basis Function, RBF）神经元网络的短期风电功率预测模型。运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近。通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定。     

考虑山东近海不同风能天气特征的风电功率区间预测模型

风电功率区间预测是应对大规模风电机组并网运行的有效手段之一。针对山东风电并网运行建立了一种考虑山东半岛不同风能特征的风电功率区间预测模型。对比了不同风能条件下半岛内风电场出力特征和风电功率历史预测误差分布特点,发现风电场出力分布范围随风速增加呈"先增后减"趋势,在出力分布范围较大的风速区间内,预测误差也相对较大。以风速、风向和预测功率为特征变量,在利用层次聚类法对样本数据进行聚类分析基础上,采用非参量核密度估计方法,建立了各类样本在不同风向条件下风速-风电功率预测误差的联合概率密度分布模型。将该模型与NARX(nonlinear auto regressive models with exogenous inputs)网络确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果,最后通过实际算例验证了模型的有效性。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义.从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数( Radial Basis Function,RBF)神经元网络的短期风电功率预测模型.运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近.通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定.     

基于ARIMA与双层BP神经网络相结合的风电功率预测方法

为满足风电运行、维护及调度管理需要,提高风电功率预测精度,提出了一种基于ARIMA与BP神经网络的组合风电功率预测方法。介绍了时间序列法与BP神经网络法的基本原理,采用了新的结合方式,综合考虑了风速、风向、以及风电场当地的物理限制,建立了预测模型。通过对某风电场的实测数据进行分析预测及对比,结果表明,该方法能有效提高风电功率预测精度,具有较好的实际应用价值。     

风场短期风速预测研究

提出一种基于支持向量机的短期风速预测模型,并通过小波分解和遗传算法实现模型中的数据预处理和参数寻优。模型包括数据处理单元、参数寻优单元和支持向量机单元,以历史风速值作为输入,输出未来时间段的风速值。同时,通过引入模型的可调参数,提高模型对应不同风场风速数据的普遍适应性。实验结果表明,模型的预测效果良好,并具有较好的适应性,可适应不同地区的风场数据。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

风电场风能资源评估

结合甘肃省玉门市低窝铺二期风电场工程对测风资料进行了分析,得出1年中各月份的平均风速,10m高及70m高处各等级风速的百分比,风向分布等,可得出主风向、年风功率密度及年风能可利用小时数,从而实现对风能资源的精确评估。     

风能与风力发电

阐述了风力发电的基本原理，世界风力发电的发展概况和风力发电对环境保护的作用。     

风电场风能资源评估及微观选址

风电场区域范围内的风能资源藴藏状况,是开发风力发电项目最基础的组成因素,能否客观的掌握其风能资源状况是项目成功和避免投资风险的关键所在。     

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...     

风切变指数在风电场风资源评估中的应用

以内蒙古地区3座70m高测风塔连续2年的实测数据来分析风切变指数的变化,结果表明:1)不同高度梯度的风切变指数受地面粗糙度及周围地形地貌的影响较大。2)计算相邻高度的风速时,采用相邻高度间的风切变指数计算得到的结果较好;计算相差较大的高度间风速时,采用拟合曲线得到的风切变指数计算得到的结果较好。3)利用3～25m/s的风切变指数计算各月风速及年均风速结果都与实测值最接近;而利用全部风速数据的风切变指数计算统计各月风速往往比实测值偏大;利用3～25m/s拟合曲线得到的风切变指数统计各月风速比实测值偏小。     

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。     

区域风能规划中的风资源参数及等效风速序列求解方法

在面积较广阔、建有多个风速观测站的区域风能规划中,缺乏能够描述区域等效风资源状况的风速数据以及相应的求解方法。针对区域等效风速序列及风速分布特性参数难于求解的问题,调查总结了常用风能规划模型中用于描述风速变化特性及风资源分布的重要参数,分析了参数选择对风能规划的影响,提出基于多维自回归模型的区域等效参数及区域等效风速序列求解方法,给出一种仅利用月平均风速合成风速数据的方法。以可再生电力混合优化模型为计算平台,以建有多个风速观测站的某区域为算例,参数求解方法及合成风速方法的合理性进行了验证分析。结果表明,2种方法都能够求得合理的区域等效风速数据;利用月平均风速合成风速数据的方法,能够合成具有一定可参考性的、适用于区域风能规划的风速数据。     

风能及风力发电问题

风能是一种重要的可再生能源,探讨了风能应用的可行性;介绍了我国目前风能利用的情况;分析了风力发电中的一些主要问题及产生的原因,并给出了克服这些问题的对策。