Very Short-Term Generating Power Forecasting for Wind Power Generators Based on Time Series Analysis

In recent years, there has been introduction of alternative energy sources such as wind energy. However, wind speed is not constant and wind power output is proportional to the cube of the wind speed. In order to control the power output for wind power generators as accurately as possible, a method of wind speed estimation is required. In this paper, a technique considers that wind speed in the order of 1 - 30 seconds is investigated in confirming the validity of the Auto Regressive model (AR), Kalman Filter (KF) and Neural Network (NN) to forecast wind speed. This paper compares the simulation results of the forecast wind speed for the power output forecast of wind power generator by using AR, KF and NN.

基于数据预处理的ARIMA模型超短期风电功率预测

为了提高超短期风电功率预测的精确度和稳定性,文章提出了基于预处理数据的ARIMA时间序列自回归差分移动平均模型风电超短期预测算法。以黑龙江省某风电场的实测数据为例,对测风塔数据进行预处理,对风电场数据异常值进行处理,并对风电功率影响因素相关性进行分析,对所得到的数据进行差分处理,从而适应ARIMA模型的预测。结果表明,此方法可以有效提高预测精度和覆盖率。

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。

基于ARMA模型的海上风机随机风场模拟

为分析风荷载作用下的海上风机结构动力响应特性,提出采用数值仿真的方法模拟其空间域内的随机风场。利用MATLAB软件编制基于ARMA(autoregressive moving average)模型的脉动风速时程模拟程序,并嵌入AIC(Akaike’s information theoretic)准则以判定ARMA模型的最优阶数,最终,针对江苏黄海某海上风机项目进行数值仿真分析,将模拟脉动风速功率谱与目标Davenport谱进行对比。计算结果表明:根据AIC准则确定的ARMA模型最优阶数可兼顾模型模拟精度和计算成本;模拟脉动风速时程功率谱函数在0.3 Hz以下的低频区间波动较大,与目标谱函数存在一定差距,在中高频段两者规律差距较小,整体模拟精度较高。

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法,该文对风速预测进行了研究,提出了预测风速的时序神经网络法。该方法用时间序列法建模,得到风速特性的基本参数,并用这些参数选择神经网络的输入变量;为了提高预测精度,提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。

时间序列与神经网络法相结合的短期风速预测

利用时间序列-神经网络法研究了短期风速预测。该方法用时间序列模型来选择神经网络的输入变量,选用多层反向传播(back propagation,BP)神经网络和广义回归神经网络(generalized regression neural network,GRNN)分别对采样时间间隔为10min、20min和30min的风速序列进行预测。结果表明,时间序列结合GRNN的方法精度更高,具有一定的实用价值。

风电功率GARCH预测模型的应用研究

根据风速变化的特点,选择了适于描述波动变化特性时间序列的GARCH方法。分析风速小时变化曲线的残差项,发现其存在着ARCH效应,满足ARCH的建模条件。采用美国夏威夷岛Lalamilo的风速数据,建立了ARCH和GARCH风速变化时间序列模型,预测日的日逐点预测误差的平均值为25.1%。经过与ARIMA算法的比较,预测的精度有所提高。运用风电机组出力与风速的关系,转换后得到了所需要的风电机组出力。对集群性不同的时间序列进行了多次数值计算,发现GARCH模型对波动性序列具有更好的适应性。

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法。首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值。算例结果表明,该方法大幅提高了风速预测精度。

基于差分自回归滑动平均模型的风电场短期风速预测

目前,风力发电的并网规模越来越大;但是鉴于风力发电特有的间歇性和随机性,难免会对电力系统的稳定运行和电能质量造成巨大影响;也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效地解决该问题。依据风速序列的自相关性以及时序性,提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型。重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测,给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA(p,q)模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明:该组合模型可以有效提高风速预测精度,具有一定实用性。

遗传神经网络在风电场风速估计中的应用

风速的波动会影响风电场发电量的随机变化,对风速比较准确的估计可用于提高风力发电控制系统的性能。但由于风速的随机性和非线性,用常规的方法难以预测。将时间序列分析法、神经网络及遗传算法相结合,提出一种预测风速的建模方法。采用时序分析法确定网络输入变量数,用遗传算法动态调整BP网络的连接权值和阈值的方法来逼近和学习风速的非线性。实验结果表明,该模型性能良好,能有效跟踪风速和风力机发电功率的变化趋势,具有良好的估计精度。

风力机尾流效应影响下输出功率预测仿真研究

传统风速预测模型未考虑尾流效应对风电场输出功率的影响,使风电功率预测误差过大。在尾流效应风速模型的基础上提出尾流效应影响因子矩阵,对整个风电场机组输入风速进行修正。然后采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3%。再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型。应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果较好。

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。

基于时间序列法的风电场风速预测研究

文章采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30m处,每10min采集一次得到的风速数据,建立ARMA模型,实现提前1h的风速预测,为更长时间(半天、一天或两天)的风速预测提供理论基础。

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。

基于时间序列法的风电场风速预测研究

采用Box—Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30 m处,每10 min采集一次得到的风速数据,建立ARMA模型,实现提前1 h的风速预测,为更长时间的风速预测提供理论基础。

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明:通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^(-1),结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。

基于局域波分解及时间序列的风电场风速预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。本文基于局域波分解和时间序列分析的方法,对风速预测进行了研究,并提出了局域波分解-时间序列分析的综合预测方法。通过对实际测量统计的风速时间序列进行局域波分解,使之分解成为有限个基本模式分量和一个趋势分量,并对分解出的各个分量用时间序列分析的方法进行预测,最后叠加得到预测的风速信号。由于局域波分解可以将一个非平稳的风速信号序列分解成有限个相对平稳的风速信号序列,所以此方法能够有效地提高预测精度。

基于时间序列的风速和风功率预测

短期的风速和风功率预测对风场的运行及并网发电是非常重要的。采用时间序列方法,通过Matlab编程,建立了ARIMA和SARIMA预测模型对24小时后的平均风速和风功率进行预测。最后,对两个预测模型的结果作了对比分析。结果表明SARIMA模型的预测结果是好于ARIMA模型。