基于随机Markov链的风向时间序列模型研究

基于随机Markov链模型提出了一种风向时间序列模拟模型。该模型选取气象学中较为细致的风向划分方法-16风向,作为Markov链模型状态空间划分的依据。模型验证表明,随机Markov链模型生成的风向时间序列较好的保留了原始数据分布特性、自相关特性、功率谱特性等统计特性。这证明,通过Markov链建模,然后生成任意时间长度的风向时间序列的方法是可行的,且在加入阈值修正后,该模型的短期风向预测效果较好。

基于马尔可夫链的自然风风向建模

根据马尔可夫链基本理论,基于自主构建的小型气象站实测得到的高采集频度基础数据,以自然风风向为研究对象,对自然风风向建模并基于该模型生成随机时间序列,构建上海地区的自然风风向变化的转移概率概率矩阵模型。通过统计参数的分析证明:该方法对分析随机变化的风向特征具有通用性。最后,基于实测数据和该方法分析出的上海地区风向变化转移概率矩阵。

考虑风向和大气稳定度的海上风电功率短期预测

对于海上风电功率的预测,传统预测模型未计及因风向与大气条件改变引起的输出功率差异。为了提升预测精度,在考虑大气稳定度的同时,根据风向与功率损失构建出功率风向(power-direction,Pd)模型,并在此基础上提出基于编码-解码(Encoder-decoder)框架的海上风电功率预测方法。该方法可根据Pd模型更新尾流效应损失,并有效平抑预测功率波动,区分不同大气层结稳定度下的尾流效应。首先,通过长短期记忆神经网络(long-short term memory,LSTM)等预测模型验证大气稳定度及Pd模型的有效性,然后使用Encoder-decoder对实际海上风电场进行风电功率预测。实验结果表明,考虑大气稳定度并使用Pd模型的Encoder-decoder方法,其均方根误差较单一Encoder-decoder预测方法降低了2.39%。

考虑扇区划分的自然风风向建模

以随时间变化的自然风为研究对象,考虑风向扇区划分的方法,计算指定时间段内的风向时间维变差,基于统计学方法马尔科夫链模型理论与实验基地实测自然风数据,构建呼和浩特郊区典型风况下自然风风向变化的转移概率矩阵模型,并根据模型生成随机时间序列进行反向验证,意在建立更完整的风模型。