共查询到19条相似文献,搜索用时 93 毫秒
1.
2.
基于风电场的日前数据对风电场功率进行了预测,之后引入储能系统以应对预测偏差对实时运行开机发电容量的影响.在仿真中结合风电实际出力,通过调整储能系统的功率和容量的配比来预测偏差,之后根据仿真数据对系统可靠性进行了分析和评估. 相似文献
3.
风电场功率预测物理方法研究 总被引:31,自引:2,他引:31
对风电场输出功率进行预测是增加风电接入容量、提高电力系统运行安全性与经济性的有效手段,风电场功率预测的物理方法不受历史数据的限制,可用于新建风电场的功率预测。对基于物理原理的风电场功率预测方法进行研究,提出了适用于工程应用的预测方法,该方法采用解析原理分析风电场局地效应与风电机组尾流影响,具有鲁棒性强、计算时间短等特点。通过与某风电场实测功率比较,表明预测方法可以实现对风电场各种典型出力方式的预测,整体预测与逐点预测的准确性满足功率预测的工程应用要求。受数值天气预报(numerical weather prediction,NWP)计算网格分辨率与模式的影响,预测方法对风电场输出功率快速变化的预测能力相对较差,提高NWP数据的准确性是改善预测结果的有效手段。 相似文献
4.
5.
风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用。根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测。以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性。 相似文献
6.
风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用.根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测.以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性. 相似文献
7.
基于统计升尺度方法的区域风电场群功率预测 总被引:2,自引:0,他引:2
对区域性风电场群输出功率进行预测是增加风电接入容量,提高大规模风电接入条件下电力系统运行安全性和经济性的有效手段。文中对区域预测建模技术进行研究,利用输出功率相关系数矩阵和预测精度指数进行代表风电场选取和权重系数计算,采用基于少数代表风电场的统计升尺度方法,并利用华北电网2011年1月至6月风电场实际数据进行统计升尺度建模和方法验证。验证结果表明,相比于传统的累加法,统计升尺度方法可改进所实现的区域风电功率预测模型的区域预测精度,同时减少区域预测模型对单个风电场数据完备性的依赖。 相似文献
8.
9.
10.
11.
12.
针对风电功率预测中多环节交互影响的复杂性,文中提出一种风电功率预测误差的精细化评价方法,旨在利用数值天气预报、气象观测数据、风电运行数据等多源异构信息,定量分析功率预测各关键环节对预测总误差的影响程度。首先,解析了风电功率预测运行机理,将预测过程分解为数值天气预报、风能-功率转换建模、预测结果校正3个关键环节。然后,设计了基于核密度估计的风电异常数据分区间辨识方法,建立了风资源-电力特性的简化模型。最后,基于气象、电力等多源运行数据驱动,提出功率预测各环节等效误差的量度方法。算例结果表明,所提方法可定量评估各环节预测对功率预测误差的影响。 相似文献
13.
高精度的风电功率预测对于电力系统的安全经济运行具有重要意义。基于大量风电功率历史数据,结合相关性分析和K近邻算法,提出一种新的多输出模型的风电功率超短期多步预测方法。以东北地区2个风电场实测风电功率数据为例进行分析计算,使用国家能源局提供的风电功率实时预测评价指标对两种多步预测方式进行评价。结果表明该方法预测精度高,方法简单,具有一定的工程实用价值。 相似文献
14.
15.
关于短期及超短期风电功率预测的评述 总被引:9,自引:2,他引:9
讨论风电功率预测及其误差对电力系统的影响,从信息流观点解读风电功率预测过程,归纳影响风电功率预测精度的因素,并对风电功率预测的研究现状加以归类与梳理。在此基础上,讨论对风电功率预测结果评价指标的要求,提出误差评估指标应该反映整个时间窗口内的预报质量,并展望风电功率预测可能的突破。 相似文献
16.
17.
风力发电的出力直接取决于风速,因此需要提高风速的预测精度。考虑到风速点预测精度的提高有较难克服的瓶颈,文中提出一种针对风速的区间预测方法,将集对分析原理引入风速的区间预测中,利用风向、温度、气压、湿度等影响因素的训练数据,并考虑风速点预测的结果误差分布及风速变化率的影响,确定未来某时间段内风速的预测值所属的分类集合,以该分类集合的上下限作为风速预测区间的上下限,从而实现了风速的区间预测。以国内某风电场的数据进行训练和预测,验证了基于集对分析理论的风速区间预测方法的有效性,同时所提方法的预测结果可以用于风电场功率预测。 相似文献
18.