Intelligent control for large-scale variable speed variable pitch wind turbines

Large-scale wind turbine generator systems have strong nonlinear multivariable characteristics with many uncertain factors and disturbances. Automatic control is crucial for the efficiency and reliability of wind turbines. On the basis of simplified and proper model of variable speed variable pitch wind turbines, the effective wind speed is estimated using extended Kaiman filter. Intelligent control schemes proposed in the paper include two loops which operate in synchronism with each other. At below-rated wind speed, the inner loop adopts adaptive fuzzy control based on variable universe for generator torque regulation to realize maximum wind energy capture. At above-rated wind speed, a controller based on least square support vector machine is proposed to adjust pitch angle and keep rated output power. The simulation shows the effectiveness of the intelligent control.

利用双通道激光雷达验证低信噪比反演算法

针对相干测风激光雷达(LiDAR)在低信噪比(SNR)下反演算法的可靠性和精度难以验证的问题,搭建了一种双通道的脉冲相干测风LiDAR系统,可以同时获取高、低SNR的2组数据,并使用高SNR通道的结果作为真值,比较利用不同的算法在低SNR通道进行矢量风速估计的结果。该系统避免了使用其他观测设备作为真值时难以配准或观测目标不统一的问题。本文研究利用雷达获取的观测结果验证了各个算法的有效性,并在各个算法间进行了横向对比。最终,依据各个算法的性能表现和计算复杂度,指明了各个算法具有优势的使用场景。该结果对于充分利用现有系统、使用新算法提高低SNR下的数据获取效率,或在指定探测指标的前提下降低激光能量等硬件要求、实现系统小型化有一定意义。

基于SVM的我国北部沿岸海上风速估算方法研究

沿岸海上观测站点稀少,而沿岸陆地观测站点相对密集,开展海陆分布导致的海陆风速差异特征研究,实现由陆地观测风速估算海上风速,有助于提高海上大风预报服务能力。利用我国北方地区两组浮标及其邻近陆地观测站点的2016—2020年逐小时平均风速和阵风风速数据,统计分析海陆风速差异特征及规律,采用支持向量机方法,构建了基于陆地平均风速、陆地阵风风速、海陆站点距离、月份及观测时次的海上风速估算模型。利用另外两组海陆观测站2021年观测数据对估算模型进行检验,结果表明:对于6级及以上的平均风速和7级及以上的阵风风速,模型具有较高的估算准确率,模型估算的两个检验组的海上站点平均风速(阵风风速)RMSE分别为2.40 m·s^(-1)(3.20 m·s^(-1))和2.35 m·s^(-1)(2.57 m·s^(-1)),较ERA5分别减少了24%(14%)和23%(20%)。在一次温带气旋和冷空气共同影响的大风过程中,模型估算的两个检验组的海上平均风速(阵风风速)平均绝对误差分别为1.6 m·s^(-1)(2.3 m·s^(-1))和1.1 m·s^(-1)(1.5 m·s^(-1)),在极值时刻的平均风速(阵风风速)误差分别为-1.3 m·s^(-1)(-0.6 m·s^(-1))和-1.2 m·s^(-1)(-3.1 m·s^(-1)),均优于ERA5计算结果。基于支持向量机的海上风速估算模型能够利用陆地观测风速估算出较为准确的海上大风,可降低海上观测资料不足的影响,具有一定的应用前景。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

风力发电机高速旋转齿轮箱轴承变速故障信号检测研究

高速运转会导致轴承产生大量的振动和噪声,使得故障信号与背景噪声相混合,难以准确检测,一旦出现轴承变速故障将会威胁风力发电机的正常运行。为解决这一问题,提出风力发电机高速旋转齿轮箱轴承变速故障信号检测方法。通过小波阈值和经验模态分解方法,对采集到的风电机高速旋转齿轮箱轴承振动信号去噪处理;基于奇异值分解方法,提取风电机高速旋转齿轮箱轴承振动信号特征向量;通过灰狼算法-支持向量机模型,实现对其轴承变速故障检测。实验结果表明,所提方法的风力发电机高速旋转齿轮箱轴承变速故障检测的准确率高。

基于SVM和最大熵模型的桥梁极值风速预测研究

大跨度桥梁对极值风荷载作用十分敏感,基于桥址处长期实测风速数据得到合理的极值风速至关重要。由于在桥址处进行长期风速监测较难实现,研究极值风速预测方法对于大跨度桥梁抗风研究具有重要意义。以泉州湾高速铁路斜拉桥为工程背景,提出一种基于支持向量机(SVM)和最大熵模型的极值风速预测方法。通过临近风速观测塔与桥面风速仪同步实测短期风速数据建立SVM风速预测模型,预测得到桥面长达3 a的平均风速数据,进而采用最大熵方法计算得到桥梁高度处不同重现期内极值风速,最后采用时域分析方法进行桥梁抖振响应分析,探讨不同风速下桥梁抖振响应的差异。研究结果表明:SVM模型应用于风速预测效果比较理想,测试集预测风速与实测风速均方根误差(RMSE)和平均绝对误差(MAE)分别为0.115和0.252。基于桥面预测平均风速样本,采用最大熵理论计算得到100 a重现期极值风速为21.52 m/s,小于泉州湾高铁斜拉桥抗风设计时采用的极值风速49.4 m/s。SVM模型预测得到的极值风速对应的主梁跨中位置横向、竖向和Rotx扭转抖振位移响应峰值与采用设计风速为49.4 m/s的桥梁抖振响应比较,降幅分别为80.3%,79.6%和78.7%。桥梁抖振响应受平均风速影响较大,选择准确的桥址处极值风速对桥梁抖振响应研究至关重要。研究结果可应用于仅有短期实测风速数据的桥梁得到合理的极值风速,为大跨度桥梁抗风研究提供参考。

基于集合经验模态分解和优化支持向量机的风速预测模型

针对风速序列在时序上的间歇性、波动性等特征,提出一种基于集合经验模态分解方法和粒子群优化算法优化支持向量机的组合型短期风速预测方法。采用分解算法进行扩展集成,采用组合-合作型预测模型实现各分量的准确预测,再将其进行重构得到最终预测结果。通过对中国北方某风电场的风速数据进行实例验证,证明了该模型能克服单一预测模型预测精度不高的问题,并拥有较优的泛化性能。

基于CEEMD-SVM的风速混合预测模型研究

由于风速有随机性、波动性特点,风力发电会有不确定性,这使风力资源难以直接利用。本文基于“分解-预测”的思路,提出一种基于完全集合经验模态分解和支持向量机(CEEMD-SVM)的风速预测模型。实验结果表明,该模型相比其他预测模型在风速预测方面表现出显著优势。其预测结果为合理的调度风力发电资源提供了数据基础。

基于CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型,实现了黄土高原陇东区风电场月平均风速的准确预测.首先,采用CEEMDAN算法对收集到的风速时间序列进行去噪,以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷;其次,采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化,以克服SVM参数选择敏感的缺陷;最后,用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测,预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.

小时风速的向量自回归模型及应用

短期风速预测对并网风力发电系统的运行有重要意义。该文简述了短期风速预测的价值和方法,分析了小时风速的日变化特点。在此基础上,提出将单变量小时风速时间序列向量化,以消除日周期非平稳,进而建立了向量自回归(vector autoregression,VAR)模型,并用于小时风速预测。算例表明,正常天气条件下,该模型可以预测提前72 h的短期风速。该文提出的方法和模型具有一定的普适性,可用于其它领域的时间序列建模与预测。

某机场航站楼屋面风荷载特性研究

基于风洞试验的结果分析了某机场航站楼屋面风压系数的特性,该机场航站楼屋盖表面以负压为主,大部分区域负压绝对值较小且分布均匀,迎风边缘部分负压绝对值及负压梯度均较大。接着结合计算流体动力学方法模拟了主要风向角下风速矢量的分布特性,进一步阐释了屋面风压分布形成的机理。

基于变分模态分解和LSSVM的风电场短期风速预测

针对风速序列的随机性和非平稳性带来的难以准确预测的问题,提出一种基于变分模态分解和最小二乘支持向量机的风速预测模型。首先利用变分模态分解将风速序列分解为一系列限带内禀模态函数以降低其非平稳性对预测性能的影响,然后对各模态分别建立最小二乘支持向量机预测模型,并利用改进的差分进化算法对其关键核参数寻优,最后将各子序列预测结果叠加组合得到最终风速预测值。实例研究表明,所提出的预测模型在短期风速预测上有较高的预测精度。

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,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能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。

一种风电场短期风速组合预测模型

为了提高短期风速预测精度,提出一种变权系数的支持向量机组合风速预测模型。选择基于不同核函数的支持向量机作为单项预测模型以保证单项模型之间的差异性,对核参数用粒子群算法寻优选取以保证各单项模型的精确性。组合预测方法采用以预测误差平方和最小为准则的可变加权系数组合预测方法,以计算各单项模型在风速预测不同时刻的权系数。仿真实验表明,所建立的变权组合预测模型在短期风速预测上具有良好的预测效果,预测精度优于各单项模型和固定权系数的组合模型。

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究,选择了不同的输入向量(历史风速时间序列,历史风速和温度,历史风速、温度和风向,历史风速、温度和时间)作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。

高层建筑实测风场环境的非平稳性分析研究

首先采用应用较广泛的矢量分解法,对超高层结构西塔顶部的实测数据进行处理,总结了矢量分解法的三个方面的局限。然后针对这些局限且为获取较准确的脉动风速时程,考虑了风速非平稳特性,给出了获取螺旋桨风速仪的正交两方向的脉动风速时程的平稳模型与非平稳模型的数值表达公式。依据上述两种风速模型,进一步从湍流强度、阵风因子、概率密度分布和风速谱等指标进行对比分析,结果表明非平稳风速模型能更精确地描述高层建筑顶部实测风速数据的真实状态。

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。

基于空间相关法的风电场风速多步预测模型

风电场风速的准确预测对于评估风电场接入电网的安全性与经济性有重要意义。本文基于空间相关法与支持向量机方法,提出了一种新的风速多步预测混合模型。文中首先提出使用相关系数作为判据的方法,选择模型的最优输入参数,以建立精确的分风向空间相关模型。在详细分析风向对预测精度的影响后,结合支持向量机(SVM)方法,以消除风向变化对空间相关模型的不利影响,最终得到预测精度高、性能稳定的混合模型。文中使用某风电场的实测数据进行建模验证,并与几种经典的风速预测算法相比较,结果证实该混合模型的预测精度有显著提高。

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。