降低风电场出力波动性有利于促进电网友好运行,而尾流优化控制是降低整场出力波动的重要措施。现有尾流优化控制大都基于稳态模型,却忽略尾流动态迟延特性。但尾流迟延在风速不确定性基础上会进一步增加风电场出力的波动性。为此,该文...降低风电场出力波动性有利于促进电网友好运行,而尾流优化控制是降低整场出力波动的重要措施。现有尾流优化控制大都基于稳态模型,却忽略尾流动态迟延特性。但尾流迟延在风速不确定性基础上会进一步增加风电场出力的波动性。为此,该文基于稳态尾流模型辅以迟延计算,构建风电场准稳态尾流模型以同时兼顾尾流干涉作用与动态迟延特性。在此基础上,提出一种考虑迟延的模型预测平稳控制方法(predictive control considering delay,MPC-D),以指令跟踪与功率波动最小为目标协调各机组出力。最后,在WFSim上构建含33台机组的风电场仿真模型,并基于此分析尾流迟延对风电机组以及整场运行性能影响。结果表明,所建准稳态尾流模型能同时模拟尾流速度损失、机组功率迟延和整场功率阶梯变化等特性。并且由MPC-D所得整场出力较基于稳态模型的控制方法平均相对误差、均方根误差以及滑动均方根误差均得到改善,同时能防止机组桨距角频繁动作。展开更多
针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风...针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。展开更多
文摘降低风电场出力波动性有利于促进电网友好运行,而尾流优化控制是降低整场出力波动的重要措施。现有尾流优化控制大都基于稳态模型,却忽略尾流动态迟延特性。但尾流迟延在风速不确定性基础上会进一步增加风电场出力的波动性。为此,该文基于稳态尾流模型辅以迟延计算,构建风电场准稳态尾流模型以同时兼顾尾流干涉作用与动态迟延特性。在此基础上,提出一种考虑迟延的模型预测平稳控制方法(predictive control considering delay,MPC-D),以指令跟踪与功率波动最小为目标协调各机组出力。最后,在WFSim上构建含33台机组的风电场仿真模型,并基于此分析尾流迟延对风电机组以及整场运行性能影响。结果表明,所建准稳态尾流模型能同时模拟尾流速度损失、机组功率迟延和整场功率阶梯变化等特性。并且由MPC-D所得整场出力较基于稳态模型的控制方法平均相对误差、均方根误差以及滑动均方根误差均得到改善,同时能防止机组桨距角频繁动作。
文摘针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。