利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好。利用2008年全年风电场每台风机的实际功率...利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好。利用2008年全年风电场每台风机的实际功率与对应时刻轮毂高度风速、风向、气温、相对湿度和气压回报资料,使用支持向量机(Support Vector Machine,SVM)回归方法建立了每台风机10min一次的风电场功率预报模型,并利用该模型进行了2009年为期一年的预报试验,检验模型的预报性能。结果表明,集WRF模式和SVM方法建立的风电功率预报方法具有较好的预报效果。各月预报相关系数在0.71~0.82之间,归一化均方根误差在9.8%~16.5%之间,归一化平均绝对误差在5.4%~10.5%之间;全年预报相关系数为0.79,归一化均方根误差为13.3%,归一化平均绝对误差为8.3%。展开更多
文摘利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好。利用2008年全年风电场每台风机的实际功率与对应时刻轮毂高度风速、风向、气温、相对湿度和气压回报资料,使用支持向量机(Support Vector Machine,SVM)回归方法建立了每台风机10min一次的风电场功率预报模型,并利用该模型进行了2009年为期一年的预报试验,检验模型的预报性能。结果表明,集WRF模式和SVM方法建立的风电功率预报方法具有较好的预报效果。各月预报相关系数在0.71~0.82之间,归一化均方根误差在9.8%~16.5%之间,归一化平均绝对误差在5.4%~10.5%之间;全年预报相关系数为0.79,归一化均方根误差为13.3%,归一化平均绝对误差为8.3%。