基于气象因子的BP神经网络风电场风速预测

探讨了风电场风速预测对电力系统稳定运行、经济调度、运行效益及电力市场环境下风电场参与市场竞争能力的重要影响和意义,建立了考虑风电场气象因子影响的BP神经网络风速预测的一种新模型,该模型兼顾了相似日特征的作用和影响.运用该模型对新疆某实际风电场进行了日平均风速、最大风速、最大风速方向进行了连续20天的预测,平均相对误差分别为8.07%,10.09%,9.05%.预测结果表明了该方法的有效性、实用性和可靠性.     

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。     

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。     

风电场缺失测风数据插补方法的分析

在对风电场进行风资源评估时,常需要对缺失测风数据进行插补,然后据此订正成代表年风速。文章以广东地区某风电场风资源分析为例,采用以下3种不同的线性相关插补方法 :方法一,相关关系构建基于主测风塔和参照测风塔同期所有的测风数据(除去缺测数据);方法二,相关关系构建基于不同季节的测风数据;方法三,相关关系构建基于不同风向扇区(一般16个)的测风数据。误差分析结果表明,方法三误差最小,方法二次之,方法一误差最大。     

风电场测风数据插补方法研究及插补结果偏差分析

为解决在风资源评估阶段,数据插补应用条件及插补结果偏差难以量化、插补算法难以选择等相关问题,通过大量数据模拟实际缺失情况,采用插补方法将数据补全,利用均方误差(MSE)、威布尔分布k值、平均风速、风功率密度、风电机组发电量5个评价指标构建指标体系,与真实数据进行了对比及偏差分析,在此基础上得出了数据插补应用的相关系数水...     

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.     

风电场测风数据的插补和修正

阐述了风资源数据的处理过程和对测风数据的插补及修正的方法;建立了达坂城测风塔不同高度风速的相关性方程,通过相关性方程的精确度对比,说明用非线性分析得出的修正数据更接近实际情况。     

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。     

数控机床插补原理分析

叙述了数控机床插补计算原理,通过实例重点阐述了对直线和圆弧的逐点比较插补计算方法,为数控机床软件设计提供数学依据。     

基于CPTU的地质参数分析及其在海上风电场的应用

  [目的]  海上工程勘察中钻孔取样的扰动较大,易造成室内土工试验的可靠性不足。孔压静力触探(CPTU)在海上原位测试中具有独特的优势,在国际国内获得了广泛应用。  [方法]  为此,分析了国内外基于CPTU测试结果的地层划分和土体参数的分析方法,并对土体参数分析公式的适用性进行了评价。在此基础上,将国际上普遍采用的分析方法应用于我国海上风电场工程。  [结果]  结果表明:国外的经验参数可能高估土体的某些参数,需结合我国海域地层的区域性特征进行进一步研究。  [结论]  针对江苏、浙江和福建海域等区域性土,通过模型试验和多种手段原位测试的对比,对经验公式进行验证或改进,并对经验参数进行标定是可行的,可为我国海上风电场工程应用提供指导。     

基于Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

一种实时校正的改进BP神经网络超短期

摘要： 风电机组出力可由风速计算得出,提高风速预测精度对减小风电并网冲击、合理调度风能资源至关重要。基于风电场气象及风速数据的时间连续性,提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。     

基于特征选择和BP神经网络的风电机组故障分类监测研究

为了减少风电场的经济损失,采用ReliefF特征选择与BP神经网络相结合的方法,对风电机组进行状态监测研究.基于风电场实际运行数据,重点分析了桨距角不对称故障.结果表明:ReliefF特征选择与BP神经网络相结合的方法可以有效地分辨出是否发生了桨距角不对称故障,且准确率较高.     

基于BP神经网络的解耦方法在直流锅炉控制系统中的应用

分析了直流锅炉运行时各变量之间的耦合关系;针对直流锅炉参数多变、强耦合的特点,提出了一种改进的误差反向传播算法(BP)神经网络分散解耦方法,对直流锅炉汽温-压力控制系统进行解耦,然后采用基于BP神经网络的PID控制方法对解耦后的2个近似独立的单输入单输出系统进行控制.仿真实验结果表明:BP神经网络分散解耦控制算法具有很强的自学习功能和自适应解耦能力,能取得良好的控制效果.     

分段分形插值在风速时间序列中的应用

为提高分形插值的准确性,提出分段分形插值,建立多个迭代函数系。为验证分段分形插值准确性,采用全域随机湍流风模拟程序Turb Sim对SMOOTH和Kaimal两种湍流风谱模型进行风场仿真,并随机选取点作为初始插值点,对初始点进行分段分形插值。结果表明:分段分形插值能有效提高垂直比例因子选取的准确性,相同时间段内,分段分形插值平均标准误差低于传统非分段分形插值,30 s时,分段分形差值的平均标准误差为0. 910,而当时间段为50 s时,平均标准误差仅为0. 695;分段节点作为初始插值点被使用了两次,间接地增加了初始点个数,提高了分形插值精度;分段分形插值降低了生成点个数,便于分析数据局部波动信息。     

基于粗糙集理论的遗传神经网络风速预测模型

风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。