基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

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。     

基于特征选择的RELM风速短期预测

准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值。文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法。首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度。     

基于STCP-BP的风速实时预测方法研究

为提高实时预测精度,提出一种新的基于时空相关性和BP神经网络的风速实时预测方法。该方法首先基于风速演变的物理特性,依据目标预测点若干个邻域点的风速及风向信息,建立时空相关性预测(spatio-temporalcorrelation predictor,STCP)模型并得到不等时间间隔的预测风速;然后依据目标预测点的风速序列建立BP神经网络预测模型进行风速的实时预测;最后将STCP结果以一定的滑动时间窗与BP预测模型得到的实时预测风速进行适当加权组合得到最终的预测风速。以某区域多个风电场实测数据为例进行仿真测试,结果表明,与BP预测模型相比,该文提出的STCP-BP组合预测方法可有效提高风速的实时预测精度。     

基于多位置NWP的超短期风速预测研究

数值天气预报(NWP)是影响风电场超短期预测精度的主要因素。采用数据挖掘技术中的主成分分析方法,对位于一个风电场多个位置的NWP各指标数据进行主成分提取,获取几个综合指标,使得新的输入变量维数降低,分量间相关性减小。在此基础上,利用BP神经网络和泛化回归神经网络(GRNN)建立超短期风速预测模型,实验结果显示,基于主成分分析提取的GRNN预测模型预测精度更高。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

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1h和24h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。     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

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。     

变速恒频风力发电系统风速短期预测方法研究

采用现有方法预测短期变速恒频风力发电系统的风速时,因未分析风力机的运行特性而导致无法准确预测系统的输出无功功率、输出有功功率和短期风速,且预测结果的平均绝对误差和均方误差大,为此提出变速恒频风力发电系统风速的预测方法。首先对风力机的运行特性进行分析,然后采用支持向量机回归算法构建风速预测模型,最后利用风速预测模型完成变速恒频风力发电系统风速的短期预测。实验结果表明,所提方法可准确地预测系统的输出无功功率、输出有功功率和短期风速,且预测结果的平均绝对误差和均方误差小,验证了所提方法的整体有效性。     

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.     

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。     

风电机组塔架的脉动风速时程模拟

本文简述了谐波合成法中的自回归模型(AR)模拟出给定风速功率谱的风速时程序列,并验证其与目标谱(Davenport谱)的一致性,从而得到作用在各节点的脉动风荷载时程样本的方法。本文采用谐波合成法,建立了脉动风速时程的AR模型,编辑出脉动风速时程模拟程序,并对某风电机组塔架进行脉动时程分析,验证了该脉动风速时程模拟的可行性与有效性。     

风电场风速对风机叶片性能影响的模拟分析

建立了风机叶片的三维数学模型,采用计算流体动力学软件Fluent对风机叶片流场进行了模拟分析,通过调用Static Structural模块进行叶片形变分析,并在Workbench平台下实现了流固耦合.基于该方法研究了不同风速下的流场分布情况和叶片变形情况.结果表明:本文计算值与文献[14]中的测量值吻合较好,两者最大误差不超过5%,验证了本文数学模型和计算方法的正确性;随着风速的增大,叶轮表面的速度值也在增大,气动压强分布的不均匀性更加明显;当风速由5m/s增大至12.5m/s时,叶片的最大形变量增大了0.91m,叶片形变量与风速呈非线性变化关系;挥舞是叶片的主要振动形式.     

风力发电系统中风速预测方法综述

对于发电控制系统来说,风力发电的间歇性及其时变性是其面临的一个最根本的难题。伴随着风力发电系统并入电网这一形势的快速发展,精确的预测方法就变得尤为重要。对风速预测方法进行了归纳总结,通过分析与比较各自特点,进一步指出了它们的应用范围及发展方向。     

基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。     

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。