基于分布函数优选的风电机组可靠性建模与分析研究

可靠性模型是可靠性分析的基础,传统的可靠性建模以整个系统为研究对象,通过利用所有故障数据对系统的分布函数进行拟合、参数估计和模型优选,以确定系统的分布类型及分布函数,进而计算系统的可靠性指标。风电机组是一个典型的复杂机电系统,各子系统的功能、结构以及故障形式各不相同,用一个分布函数来确定整个系统的故障分布显然不合适。对此,基于收集整理的风电机组故障数据,提出基于分布函数优选的风电机组可靠性建模和分析技术,利用常用的指数分布、正态分布、对数正态分布、威布尔分布和伽马分布,对风电机组各子系统的故障间隔时间进行分布函数拟合、参数估计和拟合优度分析,确定了各子系统故障间隔时间的分布函数和子系统可靠度函数。在此基础上,采用Copula连接函数,在考虑子系统故障相关性的基础上,建立了风电机组的整机可靠度函数模型,并以某海上风电机组的故障数据为例进行了实例分析,验证了所提方法的可行性。

基于矢量比例积分控制器的海上风电并网冲击电流谐波滤除方法

为了最大程度滤除海上风电并网冲击电流谐波,维护海上风电系统的平稳运行,提出基于矢量比例积分控制器的海上风电并网冲击电流谐波滤除方法。设计降阶矢量比例积分控制器,计算海上风电并网中的冲击谐波电流参考值,构建闭环控制结构。通过闭环控制传递函数计算系统对电流谐波的响应值;利用降阶矢量比例积分控制器,根据传递函数响应值,实现谐波滤除。测试结果表明,设计的闭环反馈控制结构传递相位响应达到±100°,频率最大幅值为-20~80 dB(A),相较于传统开环控制调节能力更强。滤除谐波后,电流保持在-0.25~0.25 A之间,电流更均匀,功率波动低于1 MW,有助于海上风力系统的平稳运行。

SOFM-LM-BP神经网络在光伏发电量预测中的应用

针对并网型光伏电站发电量具有间歇性、易对大电网造成冲击等特点,分析影响光伏电站发电量的主要气象因素,包括辐照度、天气类型、温度,建立了一种基于SOFM-LM-BP神经网络发电量预测模型。该模型采用SOFM神经网络对输入样本进行分类,再将分类后的样本采用LM学习算法训练,从而得到光伏发电量的预测系统。通过预测值与真实值对比可知,该预测模型的预测精度较高,克服陷入局部极小值等缺点。

基于电流可逆斩波电路的光伏储能系统建模与仿真

针对由于光伏发电系统出力的随机性和波动性而导致的储能系统中蓄电池充电电流不稳定的问题,研究了基于电流可逆斩波电路的超级电容器和蓄电池混合储能的理论依据和电路结构。首先在理论上分析了现有混合储能系统并联方式的不足以及电流可逆斩波电路的优势,该电路通过控制开关管的工作状态来调节输入侧的电压及控制电流方向,实现超级电容器和蓄电池之间能量的转移。其次,通过在MATLAB上建立电路模型,设计合理的仿真实验,验证了经电流可逆斩波电路并联的混合储能结构,能使铅酸蓄电池的充电电流和电压更稳定。

光伏电站应对电费回收风险措施及经济性分析

分布式光伏电站所在的屋顶企业可能面临经营不善的情况,当屋顶企业濒临破产,电费支付困难时,应做提前谋划,提出应对策略,并分析其可行性。本文通过对某分布式光伏电站由"低压余额"上网模式改成"高压全额"的方案和屋顶租金抵扣部分电费,剩余企业电费无法回收的方案进行了分析,通过计算第2年-25年收益,选择最佳应对策略。

面向直驱风力发电系统的控制算法优化设计

针对直驱风力发电机组的功率输出不稳定、频率波动超出安全范围问题,该文提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。以直驱风力发电系统的频率误差和输出功率为优化目标函数,并将系统的频率变化及风力发电机的转矩限制作为约束条件,利用时间卷积神经网络(TCN)与门控循环单元(GRU)构建预测模型。可行性验证结果表明,在低风速及高风速下有功功率输出的标准差分别为0.04 MW及0.05 MW,轴转矩标准差分别为0.01 MNm与0.05 MNm,推力标准差分别为0.04 MN和0.05 MN,证明了该策略可有效降低直驱风力发电系统输出功率的频率波动。