基于修正风速的风电场等效功率特性模型研究

风电机组功率曲线中的风速应为轮毂高度处的来流风速,而现在普遍采用机舱处风速仪测得的风速,由此建立的风电场功率模型会引入误差。为了减少这种误差,更准确地反映风电场的实际功率特性,提出了一种基于修正风速的风电场等效功率特性模型,该模型利用风轮单元流管模型将实测风速修正成风轮前风速,以此建立风电场等效功率模型。以某两个风电场为例进行验证,结果表明该模型预测发电量精度比现有风电场等效模型分别提高了1.28%和1.73%,且计算简易可行,为提高风电功率预测精度和风电场优化运行提供重要理论依据。     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于动态权重的风电功率组合预测方法研究

风电功率预测对风电并入电网、电力系统的调度和电网安全稳定运行有着重要的影响。由于风电场发电功率受风速、风向、地理、气象等多方面因素的影响,既具有时间相关性,也具有空间相关性,单一的预测模型往往达不到预期效果。为提高风电场发电功率预测精度,主要针对风电功率预测建立基于动态权重选取得组合模型进行研究,通过该组合模型来对风电场的发电量进行预测,并且应用多个评价指标来对预测结果进行评价,通过对吉林西部某风电场实测数据的预测,验证了模型的有效性。     

考虑风电场功率爬坡的超短期组合预测

随着大规模风力发电接入电力系统,准确的风电场功率预测对于整个电力系统的安全稳定运行均意义重大.而风电功率爬坡事件则是产生风电功率预测误差的重要原因,尤其是当风速数据变化较快时,所引发的功率爬坡会导致预测误差较大.因此研究考虑风电场功率爬坡事件的预测就显得日益紧迫.文中基于极限学习机理论,提出了一种考虑风电场功率爬坡的超短期组合预测模型.经算例验证表明,文中方法能够准确识别风电场的功率爬坡事件并有效提高风电功率超短期预测的精度,具有一定的理论意义和实用价值.     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

基于改进PSO算法的风力机优化布置

为了更充分地利用风能资源,提高风电场发电量及风电投资成本节省度,提出了一种无网格改进粒子群优化风力机布置的算法.该算法通过增加设计变量个数,直接优化各风力机的安放坐标,取消了划分网格对于风力机安放位置的限制,结合动态罚函数法对风力机间距进行约束的方式进行风力机优化布置工作,提高了该算法的连续性和约束性.通过与其他文献优化结果对比,该算法在风机优化布置问题上具有更强的实用性,不仅实现了合理确定风机布置数量,而且可实现风力机布置位置的连续化,有效提高了风电场总发电量.在此基础上,应用无网格优化模型,研究了风机布置优化方案的度电成本对风速变化的响应程度.研究结果表明:当风力机优化布置方案得到最佳风速时,优化模型将无法再降低风电场的度电成本,此后,风速对风电场度电成本的影响将达到最低,即风电场的发电效率达到最大,风电机组之间相互影响程度也相应达到最低.     

应用双支持向量回归机的风速预测模型

风速对风电场功率输出起着十分重要的作用,但由于风速具有很强的随机性,使得对其预测的精度不高。针对上述问题,以双支持向量回归机为主要工具,结合风电场的实测风速数据建立了风速预测模型;给出了模型的特征以及相关参数的,并与标准支持向量回归机的预测结果进行了比较。实验结果表明:双支持向量回归机在预测精度上优于标准支持向量回归机,为风电场的风速预测提供了参考。     

二十面体网格和经纬网格全球模式在中国区域模拟效果对比

为了评估二十面体网格全球模式MPAS和经纬网格全球模式WRF在中国区域的模拟效果,对比了两模式对2010年10月23—28日中国区域的涡度场、降水场、高度场和温度场的模拟效果,结果表明:在30和60 km准均匀模拟下,MPAS和WRF模式对中国区域500 h Pa高度处涡度场的模拟效果都比较好,但都难以模拟出局地的涡度极值中心,两模式模拟效果相当;从第3天的日累积降水的模拟结果来看,两模式基本都能模拟出降水分布情况,MPAS模式模拟结果整体要优于WRF,WRF对降水中心的模拟要优于MPAS;MPAS对高层高度场和温度场的模拟较好,WRF对中、低层的模拟较好,且WRF的预报时效性比MPAS长;网格分辨率的提高对MPAS模式模拟效果的改善不大,而WRF模式的模拟效果得到了提高.     

基于Lorenz扰动分布和VMD的神经网络风速预测研究

针对风速的随机性、非线性和不确定性特征,提出基于VMD和Lorenz扰动的神经网络模型进行风速预测。首先,对风速数据采用变分模态分解(VMD)进行预处理,得到特征模态分量,然后采用BP神经网络对每个分量进行预测,并且将分量预测结果进行重构得到风速点预测值,最后以风速点预测为基础,根据核密度估计的Lorenz扰动序列概率分布进行风速区间预测。以西班牙风电场和中国风电场为实例进行预测,预测结果显示:(1)VMD算法可以提高神经网络模型点预测结果的精度;(2)根据Lorenz扰动序列分布进行风速区间估计,不仅量化了大气中不确定的影响因素,而且区间预测结果可靠性较高。     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

耦合风电场参数化模型的天气预报模式对风资源的评估和验证

为了验证耦合风电场参数化模型的天气预报模式（WRF-WFP）对大规模风电场风资源特性评估的准确性,以我国河北省张北县百万千瓦风能基地为研究对象,分别采用耦合与未耦合风电场参数化模型的天气预报模式开展相关的模拟试验,利用在平坦及复杂地形场区的测风塔的观测数据对风速及其概率密度函数分布以及风向进行验证分析. 研究结果表明：耦合与未耦合风电场参数化模型的天气预报数值模式对风资源特性的评估均有较高的可靠性,且对平坦地形区域的模拟精确性优于山地地形区域;由于前者考虑了风电场的尾流效应,对风速预测的精确性比后者高约4.5%. 该数值模式可为风能丰富地区的风电场微观选址、大规模风电场的运行特性及其对大气边界层影响的评估提供可靠的技术支撑.     

基于支持向量机的短期风电功率预测

风电场风速及风电机功率预测的准确性对电力系统运行有着重要的意义。基于支持向量机理论,结合江西省某风电场的风速和功率历史数据,建立了支持向量机风速预测模型,预测未来4 h的风速和功率。仿真结果表明:该模型预测的风速和功率平均相对误差分别为6.35%,16.83%,要优于BP神经网络的25.37%,25.43%。     

基于Gumbel copula联合概率分布的电力系统综合净负荷预测

近年来,太阳能和风能在电力系统中的渗透率不断提高。由于风能和太阳能具有的高度不确定性和间歇性,在其并网时需要采用复杂多变的操作策略才能维持电网稳定运行。对于多个或单个不确定变量进行净负荷的汇总可以有效降低系统运行规划的复杂性。由此,提出了一种基于Gumbel copula联合概率分布的新型净负荷预测(net load forecasting,NLF)模型用以对负荷、风能和太阳能发电的预测误差进行有效应对,此外所提模型还引入了基于预测值的Grey指数修正模型以提高预测的精准度。其中由于Gumbel copula联合概率模型的稳定性好,其基本能够覆盖所有极端预测误差,在保证系统可靠运行前提下,基于有限的输入实现了快速精准的预测。实验结果表明,所提模型在极短期净负荷预测上具有较好的效果。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

风电场发电功率短期预测组合模型研究

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。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。     

基于主成分分析和LightGBM算法的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析和GBM算法的风电场发电功率超短期预测方法。该方法首先进行PCA主成分分析将与风电功率相关程度低的维度剔除,降低数据的冗余性,然后利用GBM算法建模实现风电场发电功率的超短期预测。实验结果表明基于GBM算法的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期的功率预测上的精度。     

基于多维度与主成分分析的年最大负荷分解预测

为提高年度最大负荷预测准确度,更好地服务电网公司电网规划与运行科学精准管理,结合最大负荷可分解特性,文章将年度最大负荷分解为基础负荷和空调负荷;并从经济增长、城镇化进程、居民与服务业需求、气象和电网供电能力5个维度系统总结了基础负荷和空调负荷共计11个影响因素指标,构建了基于多维度与主成分分析的年最大负荷分解预测模型。安徽省某地市的实例表明,文章提出的年最大负荷分解预测模型由于综合考虑了分类负荷特性及其多维度影响因素,预测准确率高,可作为电力市场分析预测和电网规划人员开展年度最大负荷预测的一种有效方法。     

直驱风电系统低电压运行特性研究

针对永磁直驱风电系统,分析了机侧和网侧变流器的控制策略。为增强风电系统低电压穿越的能力,提出一种网侧变流器运行于无功优先输出模式的控制策略。在电网电压跌落时,风电机组可依据国网公司并网技术规范要求的电网的无功电流需求以及电网电压的跌落深度迅速向电网提供无功支撑,提升电网电压。仿真结果表明该控制策略可有效提高永磁直驱风电系统的低电压穿越能力。     

变速恒频风力发电机组输出特性分析

以变速恒频风力发电系统为研究对象,依据发电机数学模型和交流电机矢量变换控制原理,设计了交流励磁变速恒频(VSCF)发电机定子磁链定向的矢量变换控制系统,对转子侧变换器建立了外环定功率控制内环定电流控制的双闭环控制结构,实现双馈发电机定子有功P和无功Q的解耦控制,从而获得最大风能捕获的高效发电运行。并在PSCAD/EMTDC仿真环境下建立了变速恒频风力发电机组的整体动态数学模型。以渐变风和阵风为例,对由5台单机容量为2 MVA双馈感应电机(DFIG)组成的风电场并网前后的运行特性进行仿真研究,通过仿真分析,揭示了风电场并网运行的动态特性,并验证了数学模型和控制策略的正确性和有效性。