基于风电场风机片区的风速插补方法研究

选取内蒙古某一风电场为研究区,在对本场风机、测风塔测风数据进行质控后,按照不同月、风向对风机风速进行相关性分析,划分出风机轮毂高度风速高相关片区16类.以片区的某一台风机为例,统计该风机一年逐时数据的缺失、异常情况,并选用自回归差分移动平均法(ARIMA)、风机片区时空插补法进行风机风速异常及缺失值插补.检验结果表明:插补后风机风速与实际值非常接近,基于风机片区的时空插补平均偏差约为0.68m/s,ARIMA方法的平均偏差约为0.82m/s,两种方法的插补结果7月优于1月;ARIMA插补适用于0~6h短时插补,而基于风机片区的时空插补适合于任意时长的插补,但是对片区风机的风速完整性有要求.总之,ARIMA与基于风机片区的时空插补方法均有较好的效果,且可根据实际情况具体选择.

基于BP神经网络方法的风电场风速插补分析应用

[目的]准确的风资源数据对风场的风资源评估和发电量计算有着重大意义。由于机械故障、天气因素和人为影响等原因,风场内风速数据出现采集时间短、间断点多、数据失真等诸多问题,给风资源的评估带来不小的麻烦。[方法]现阶段风电行业内采用基于相关测量预测方法(MCP,Measure-Correlate Predict)(可称之为传统插补方法)进行间断数据的插补和拟合,准确性略显不足。文章针对风机风速插补和测风塔测试风速插补两种应用场景,提出基于BP神经网络算法的风资源数据预测插补方案,进行模型建立和预测。[结果]结果表明:BP神经网络插补效果优于传统插补方法,且平坦地形测风塔风速插补优于复杂地形风速插补。[结论]研究表明:基于BP神经网络方法的风电场风速插补技术适用于风电场风速插补应用,对风资源评估的准确性有明显提升。