风电场邻近风电机组缺测风速集成填充方法

针对风电场中邻近多台风电机组集中出现缺损测量风速的工况,提出基于粒子群优化广义回归神经网络的风电机组缺损测量风速集成填充方法。以"成员等同性"原则引入动态时间规整算法、空间邻点法和Pearson相关系数法,分别搜寻与缺损测量风速风电机组风速演化最为相似的若干台风电机组及对应的测量风速时序,建立基于广义回归神经网络的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的熵权集成填充模型。实验结果表明:依据相似性风速序列进行缺损风速的填充能有效提高填充精度;粒子群算法优化广义回归神经网络,不仅提高了子模型的填充效果,更使得模型参数的调节有据可依,能适应不同风电场风速数据的特点;基于熵权的集成填充策略理论依据充分,集成填充的精度和稳定性优于单个子模型。

风电场风机测量风速缺损值的组合填充模型

针对风电场内邻近多台风机测量风速同时发生缺损的工况,提出基于小波神经网络的组合填充算法。首先,分别采用空间邻点法、Pearson相关系数法和动态时间规整算法对风电场内两两风机的测量风速相似性进行分析;其次,提取与缺损测量风速风机在缺损时刻前后风速演化最相似的若干台风机的测量风速,构建小波神经网络,进行单个模型的填充方法研究;最后,提出基于熵权的组合填充模型。实验结果表明,在进行非线性风速相似性度量时,动态时间规整算法优于Pearson相关系数法;基于相似性风速时序构建的神经网络,提高了模型的学习和泛化性能;组合填充模型的精度和平稳性优于单个模型。对风电场内每台风机进行模拟实验增加了模型的普适性。