平均风速时距取值对风电场出力计算的影响

针对风电场平均风速的时距取值与风电机组出力对风速的实际响应时间不匹配的问题,基于风机功率曲线、风电场风速测量及风电机组出力特性,分析了风电场测风频率与风机出力特性的匹配程度及不同的平均风速时距取值对风电场出力计算结果的影响,提出了平均风速时距合理取值的建议。     

珠三角地区台风条件下不同时距风速的换算关系

[目的] 为全面了解台风条件下的不同时距风速换算关系,并为珠江三角洲沿海地区各类电力工程的设计风速评价复核提供依据。 [方法] 利用海岛气象站1991—2009年间共计14次登陆热带气旋影响期间的3 s、10 min、1 h平均风速资料,统计了3 s与1 h平均风速,以及10 min平均与1 h平均风速之间的阵风系数,并分析了上述阵风系数随平均风速、风向以及台风路径的变化情况,在此基础上确定了不同时距风速的换算关系。 [结果] 结果表明：阵风系数与平均风速和地表粗糙度关系密切,对台风路径不敏感。阵风系数随平均风速的增大而逐步减小并稳定在一定范围内;离岸风倾向于比向岸风出现更大的阵风系数。 [结论] 研究成果验证了世界气象站组织推荐的阵风系数取值在珠三角沿海地区具备适用性。     

逐时风速概率分布研究

风速概率分布及其参数是体现风能资源统计特性的最重要指标之一。以山东省4个风电场测风塔和气象站测风年的逐时风速为样本,采用正态分布、指数分布、威布尔分布、伽马分布和Logistics分布对逐时风速概率分布进行研究,以Akaike信息准则判断概率分布的适用性。研究结果表明,威布尔分布、伽马分布和Logistics分布能更好的拟合小时风速的实际情况。     

基于融合长短时记忆网络的风电场超短期风速预测研究

准确的风速预测是风电功率预测的重要基础,对于电力系统的安全、稳定和经济运行有着十分重要的意义。文章通过考虑临近风电场之间的风速时空相关性,提出了一种融合长短时记忆网络的多风电场超短期风速预测模型。首先,通过堆叠的长短时记忆网络提取单个风电场的时间序列特征。之后,通过张量拼接层以及全连接层融合多个风电场的时间序列特征。最后,使用线性全连接层输出所有风电场的未来风速预测值。采用江苏省3个临近风电场两年的数据来验证文章提出的模型。与4种常用方法的对比结果表明:融合长短时记忆网络在四个季节内的超短期风速预测结果均能达到最优;通过序列特征融合的方式可以考虑多个风电场之间的时空相关性。文章提出的时间序列特征提取和空间特征融合方案直观、有效,多个风电场的风速预测精度得到明显提升。     

基于混合深度学习模型的风速区间预测研究

风速的不确定性使风速预测难度加大,从而使风能难以被有效利用,为解决这个问题,基于卷积网络、共享权重长短时记忆网络、注意力机制和高斯过程回归,提出一种混合深度学习模型进行风速区间预测。首先采用卷积与共享权重的长短时记忆两者相融合的网络对风速序列进行特征提取,然后加入注意力机制有侧重地对特征向量加以利用,最后通过高斯过程回归进行区间预测。将该模型应用于2个风速数据集进行测试,从点预测、区间预测2个方面与其他风速预测方法进行对比。实验结果表明,所提预测模型能获得高精度预测结果及合适的预测区间。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于风速时空信息的BP神经网络

基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法.对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息.利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测.最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和...     

内蒙古地区风资源评估与风场特征风速的推导

对内蒙古二十四个地区的风能资源进行评估,得到风谱图.首先提出了利用WAsP软件对1998年至2008年期间内蒙古二十四地区的风资源资料中的基础进行分析;然后利用风速威布尔分布函数和风力发电机组输出功率的威布尔的概率密度函数,求两个函数的极值,推导出切入风速和额定风速的公式.最后以内蒙古六个地区为例,计算不同风资源条件下的切入风速和额定风速.     

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1h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。     

基于神经网络的风电场风速时间序列预测研究

在电力市场中,风电所占电网的比例越来越大.但由于风的波动及其不可控性,风电场的发电量也在随机变化,所以很有必要对其产能进行预测.风速是影响产能最直接最根本的因素.本文利用时间序列神经网络对风电场的风速提前一小时进行预测,为电力调度提供参考,并为更长时间(半天,一天或两天)的风速预测提供理论基础.     

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。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

风电场50年一遇安全风速计算方法的对比分析

利用耿贝尔Ⅰ型极值概率法和MeteodynWT软件(CFD模型),结合气象站与风电场的风速关系,推算了不同复杂程度的风电场轮毂高度处50年一遇的安全风速,并将计算结果进行对比分析。分析结果显示:2种方法计算得到的风电场极大风速存在一定的差别;对于平坦地区,耿贝尔Ⅰ型极值概率法计算得到的极大风速与MeteodynWT推算结果相差较小,但对于一些复杂地区,2种方法计算得到的极大风速结果相差很大。     

涉外锅炉钢结构的风荷载计算及分析

在锅炉钢结构设计中,基本风速或基本风压是确定设计风压值的基础,如果基本风速或基本风压取值不正确,会导致设计的结构不安全或不经济。基于不同国家规范如何进行风速的换算及设计风压如何取值是目前涉外项目风荷载计算的关键问题。以特里尼达和多巴哥余热锅炉项目为例,对美国UBC97规范与中国荷载规范基本风速的含义和设计风压表达式进行了对比,给出两规范下风速换算和设计风压的计算过程。结果显示,UBC97规范的基本风压值是中国规范的基本风压值的1.442倍,而前者的设计风压值则是后者的设计风压值1.52倍。     

基于风速时间序列分形与传统插值对比研究

风速时间序列具有波动强烈、数学上处处连续、处处不可导特征,为解决风速时间序列的插值问题及提高其精度,采用数学分形学理论的分形插值方法,基于Kaimal和NWTCUP湍流风谱模型进行风场模拟。从得到的风速时间序列中随机抽取数据作为初始点,将分形插值方法与三次样条和Hermite传统插值方法进行对比。结果表明:分形插值方法不仅具有保持原始风速时间序列所具有的本质和内在联系,如自相似性、长程相关性和标度不变性等非线性动力学系统特征信息,而且比三次样条和Hermite传统插值方法更适合剧烈震荡的风速时间序列的插值。