基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素。基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况。对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数。为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型。通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型。用我国某风场     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链（GM-Markov）与最小二乘支持向量机（LSSVM）预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

考虑数据和模型不确定性的短期风电功率概率预测

风电功率预测结果的不确定性包括数据不确定性和模型不确定性。首先,分析了两种不确定性的来源,给出了风电功率概率预测的目标和形式;其次,将风电功率条件概率分布的参数作为神经网络输出,并利用负对数似然损失作为损失函数,实现对数据不确定性的建模;然后,将神经网络的权重由确定的变量转变为随机变量,并采用概率分布表示,实现了对模型不确定性的建模;最后,提出了考虑数据不确定性和模型不确定性的风电功率概率预测方法。基于实际风电场数据分析了不同概率分布下预测的性能,结果表明,所提方法支持概率分布、区间、出力场景3种形式概率预测;并且考虑模型不确定性后,提升了概率分布预测的性能;也验证了在异常天气条件下,所提方法能够表征预测结果的不确定性。     

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。     

基于MEEMD-KELM的短期风电功率预测

风电功率时序信号是间歇性、波动性的非平稳信号,信号的平稳化处理是风电功率预测的关键。针对EEMD在分解风功率时序信号时存在模态混淆、伪分量和较大的重构误差等问题,将MEEMD用于风功率信号分解并与KELM模型相结合,提出了基于MEEMD-KELM的风电功率短期预测方法。该方法采用CEEMD将原始信号按频率高低依次分解,检测分量的排列熵值,通过熵值判断异常分量信号并将其从原始信号中剔除,再对分离后的信号进行EMD分解,得到的若干个IMF分量分别通过KELM模型进行组合预测。以上海某风场为例进行仿真实验,并与传统方法进行对比,结果表明该方法预测精度更优且更具稳定性。     

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％.     

基于风浪和灰色模型的波浪能发电系统输出功率短期预测

波浪能具有随机波动性,会对波浪能发电并网以及电力系统的安全稳定产生重要影响,准确预测波浪能可为电力调度控制带来极大便利。提出基于风-浪和灰色模型的波浪能发电系统功率预测方法,在波功率历史数据不足或缺省的情况下,能够依据风浪相关性及风速历史数据有效预测波浪功率。首先分析了风与波浪的相关性和时延特性,建立风-浪经验模型对波高进行短期预测,并利用灰色GM(1,1)模型对波浪短期预测结果进行残差修正。在此基础上,基于直驱式波浪能发电系统分析并建立了波高-功率转换模型。通过实例分析对波浪能发电功率的预测结果进行了验证。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于相空间重构的神经网络短期风电预测模型

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。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

基于功率预测的变速变桨距风电系统的优化控制

为了增强风电场主动融入大电网的能力,基于风速和功率的超短期提前一步预测,以最大风能捕获和输出功率平滑为优化目标,以发电机转速和桨矩角为控制变量,为了有效地减少桨矩角系统和机械系统的压力,制定了最小化控制标准,建立了相应的多目标优化模型。运用遗传算法求解出模型的优化解,将该优化解作用于风力发电机组来优化系统的性能。通过对1.5 MW的变速恒频风力发电系统进行仿真研究表明,与传统的最大功率追踪控制相比较,所提出的控制策略提高了发电机输出功率,同时抑制了输出功率的低频波动。     

风电场发电功率的建模和预测研究综述

随着大量风电并入电网中,为了合理制定发电计划,保证电力系统稳定运行,需要对风电输出功率进行预测.首先根据建模的方法和预测模型的对象两个分类标准,归纳总结了目前风电功率预测研究的模型和方法,然后简要概括了国内外的研究现状,最后提出了风电功率预测模型的改进方向.     

风电场发电功率的建模和预测研究综述

随着大量风电并入电网中,为了合理制定发电计划,保证电力系统稳定运行,需要对风电输出功率进行预测。首先根据建模的方法和预测模型的对象两个分类标准,归纳总结了目前风电功率预测研究的模型和方法,然后简要概括了国内外的研究现状,最后提出了风电功率预测模型的改进方向。     

直驱风力发电系统控制方法的研究

对基于直驱永磁同步发电机的最大功率追踪算法进行了仿真研究。依据灰色理论,采用动态GM（1．1）模型进行预测。Matlab仿真结果验证,该控制方案能很好的跟踪风力发电机输出最大功率点,具有更高的风能利用效率,系统工作稳定可靠的优点。     

基于混沌径向基函数的风电功率短期预测

风电功率预测方法分为两类,即直接预测法与功率曲线转换法。因风电功率具有混沌特性,故将混沌时间序列的相关理论引入到风速和风电功率预测中。鉴于预测精度在很大程度上取决于模型参数的选择,为此先用C-C法联合优化了重构相空间的参数,再用径向基RBF神经网络模型直接预测风电功率,或者由该模型得到风速预测值后,根据对应的风电机组功率特性曲线而推算出风电功率预测值。实例分析结果表明:所提出的两种方法均有较高的预测精度,其中基于混沌径向基RBF神经网络的风电功率直接预测法效果更优。     

一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

基于学习曲线法的风电成本研究

通过对风电成本和装机容量历史数据的统计和分析,建立了德国和中国风电成本的学习曲线模型,通过该模型分析了德、中两国风电成本的经济性。通过对风机容量增长率的几种假设,预测了2025年中国的风电成本,并对风电产业的发展提出了建议。