考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。

基于动量理论的风力机三维工程全尾流模型研究

为综合研究风力机尾流特性,将尾流区域分为近尾流区域和远尾流区域,并考虑风切变效应引起的风速差对尾流速度的影响,提出一种基于动量理论的三维工程全尾流模型(3DFM)。与风场实测数据对比,3DFM模型的近尾流区预测精度高达95.82%,远尾流区预测精度高达95.00%,验证了模型的有效性和准确性。根据来流风不同大气稳定状态修正尾流膨胀系数和风切变系数,详细研究大气稳定状态对尾流速度分布和恢复的影响。研究结果表明大气层越稳定,风切变系数越高,下游相同位置处的尾流区域面积越大,尾流速度恢复得越慢。

基于RF-WOA-VMD-BiGRU-Attention的神经网络模型在海浪预测中的应用

海上风电场的海况数据极其复杂导致用于海浪高度预测的输入参数极其不稳定,筛选出关键信息,提高输入参数的质量可以极大地提高海浪高度预测的准确性。以乐亭菩提岛风电场近一年的海上数据为基础,构建了一种基于随机森林(random forest, RF)、鲸鱼优化算法(whale optimization algorithm, WOA)、变分模态分解(variational mode decomposition, VMD)和双向门控循环单元(bidirectional gated recurrent unit, BiGRU)的海浪预测模型。该模型利用随机森林对环境特征等输入变量进行筛选,有效减少数据冗余,然后基于WOA-VMD模型自适应确定最优参数和自适应分解原始序列,提高数据质量并消除数据噪声的干扰。此外,针对海浪预测提出了一种基于注意力机制优化的BiGRU算法,随机森林的注意力机制将为BiGRU的隐藏层状态分配不同的权重,加强关键信息的影响。实验结果表明该模型和其他模型对比,输入质量更高,预测精度更高,拟合程度更准确,对风电场海浪预测有着重大意义。

人员技能培训对海上风电运维安全的必要性

针对海上分电运维安全对技术人员的要求,简单分析人员技能培训对海上风电运维安全的必要性,系统论述其现状和问题,浅谈海上风电运维安全管理工作难点,并综合探讨如何加强技术人员技能培训工作。