基于最优平滑阶数的风电功率曲线建模策略研究

由于同一风速下的风电功率存在较大范围的波动,传统风电功率曲线建模方法难以获得较高的精度。提出一种基于最优平滑阶数的风电功率曲线建模策略,首先基于时间序列平滑的预处理方法得到新的输入风速,并以相关系数最大为目标函数选择最优的平滑阶数,再利用BP神经网络拟合得到风电功率曲线。基于西南地区某风电场单机实测数据的仿真研究表明,以最优平滑预处理得到的风速为输入建立的风电功率曲线模型精度显著高于已有方法中以原始风速为输入建立的风电功率曲线模型。

基于电功率曲线的皮带抽油机示功图预测

抽油机电参数的测量与载荷测量相比,具有成本低、数据稳定性好的优点。通过电参数预测示功图可以有效降低传感器维护和校正的成本,容易实现连续测量。根据皮带抽油机的结构原理和运行特点,推导出皮带抽油机悬点位移、速度和加速度的数学模型,通过能量守恒原理,建立基于电功率曲线预测示功图的方法,计算误差小于10%,可以用于生产管理。

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素。基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况。对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数。为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型。通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型。用我国某风场的数据验证了方法的有效性。

基于灰色-辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。

风电功率模拟生成模型研究

近年来,电力系统进行中的显著变革之一是其对风能的扩大利用。系统运营者在以往的统计数据基础上对风电功率进行长期的规划研究。该研究的主要内容是人工建立风电曲线来模拟风电厂的实际运转状态。文中研究的核心问题是如何通过随机过程模拟生成风电功率曲线,首先建立风电功率模拟生成模型,再考虑到季节性和一天内变动等实际问题对模型进行修正。其次,建立适合模型的随机微分方程,并结合分布函数和自相关函数设置边界条件。再次,通过设计算法模拟随机微分方程中包含的布朗运动分量来简化方程形式,并利用Matlab软件进行求解。最后以中国和西班牙两个国家的数据做了算例分析,主要从各月和全年风电功率平均值和方差,以及各月和全年概率密度分布等方面来验证模型的可行性和解法的合理性。

风电场功率曲线异常数据的清洗与建模

风电场风速功率数据中通常包含大量异常数据,难以反映风机的真实工作情况,影响风电功率预测的准确性,进而造成一定的经济损失.针对该问题,分析异常数据的特征,提出滑差-四分位异常数据剔除方法,并利用高次多项式和Logistic函数对剔除后的数据进行风速-功率曲线建模,最后用和方差、均方根误差和确定系数验证该方法的适用性和有效性.实例分析表明,该方法简单高效、通用性强,可显著提高风电机组功率特性分析的准确度.

基于联合概率分布和置信边界模型的风力发电机功率曲线自适应修正算法

数据驱动的风电机组功率曲线在许多领域都发挥着重要的作用。为改进数据质量,需要合理地消除无效和非自然的数据。在变桨距风力机的分区运行区域中,通过期望最大化来估计阿基米德Copula函数的加权混合以建立联合概率分布,从而提出一种基于置信边界的功率曲线建模方法来识别异常数据,并建立一个自适应建模评价系统。应用一种双向马尔可夫链插值方法恢复连续丢失的数据。通过算例分析验证了该方法的有效性。

影响风力发电机功率的因素分析

基于风力发展的优势背景,对风力发电技术进行了探究,并针对影响风力发电的因素进行了探究。风力发电要发挥出其针对独特优势,就必须保证风力发电有条不紊的进行。基于此,文章对影响风力发电机功率的因素进行了探究,一方面为了促进风力发电的不断发展;另一方面也是为了完善我国风力发电事业的建设。

风电场弃风异常数据簇的特征及处理方法

风电场的历史运行数据尤其是风速和风电功率数据对风电场的运行管理和电力系统的运行调度都具有重要意义。在实际运行中,风电场的弃风现象较为严重,弃风会导致风速—功率散点图中存在大量横向分布的堆积型异常数据,这会对构造风电场的等值功率曲线产生较大的影响,从而降低风电功率预测精度,进而对风电场的运行管理和电力系统的运行调度造成不利影响。文中在分析风电场弃风异常数据特征的基础上,提出一种基于四分位法和聚类分析的异常数据组合筛选模型,首先采用两次四分位法剔除常规的分散型异常数据,再使用聚类法剔除堆积型异常数据,并采用二次聚类的思想来解决k-means聚类中k的取值问题。算例分析表明,该模型可有效剔除弃风造成的异常数据簇,对不同的风电机组和风电场有较强的通用性,具有一定的工程实用价值。

考虑健康状态的风电机组发电量预测模型

针对现有风电机组发电量预测方法很少考虑机组健康状态的影响,从而降低了预测准确性的问题,提出一种考虑健康状态的风电机组发电量预测模型。首先引入组合权重描述机组多个性能观测序列之间的相关性,建立基于改进多观测序列隐Markov模型(HMM)的健康状态模型,分别用健康状态等级序列与劣化概率描述健康状态劣化过程。采用预处理后的机组风电场数据采集与监控(SCADA)系统风速和功率数据,利用比恩法建立不同健康状态下的风电功率曲线模型。将机组健康状态劣化过程按时间序列融合到风电功率曲线,建立考虑健康状态的风电机组动态功率曲线模型,并结合基于Weibull分布的风速模型实现发电量预测。以SL2000/100风电机组发电量预测为例,验证了该方法的有效性。