智能算法的风电场风速-功率特性建模

2017-10-04 14:37:11 贤集网  点击量: 评论 (0)
基于统计方法的风电场风速-功率特性建模,并没有将风电场完全看为黑箱,对风电机组本身的风速-功率特性依然有较大依赖。基于智能算法的风电场风速-功率特性建模则完全将风电场视为黑箱,以风电场实测数
      基于统计方法的风电场风速-功率特性建模,并没有将风电场完全看为黑箱,对风电机组本身的风速-功率特性依然有较大依赖。基于智能算法的风电场风速-功率特性建模则完全将风电场视为“黑箱”,以风电场实测数据为基础,通过大量的样本训练或多次的迭代修正来获取风电场风速-功率特性。
 
  风电场风速-功率特性本质上是非线性输入与非线性输出之间的关系。据此,很多学者提出了利用BP神经网络、Elman神经网络等智能算法并根据风电场实测数据进行辨识,进而获取风电场风速-功率特性的思路。
 
  以风速和风向作为神经网络的输入量,经过实测数据的样本训练,建立风电场风速-功率模型。风机捕获功率的大小既与风速有关,又与桨矩角有关,因此文中选取实测风速和桨矩角作为BP神经网络的输入量,以风电场输出功率为输出量进行样本训练,最终得到风电场风速-功率模型。
 
  BP网络建立的模型由输入输出历史数据作为神经网络的训练样本,具有局限性,所建立模型只能作为静态模型使用,而风电场具有动态变化的特点,为此提出了能够适应时变特性的Elman神经网络来构建风电场的风速-功率模型。
 
  风电场输出功率受众多因素影响,虽然计及机组工况的风电场风速-功率建模能较好地考虑到场内各机组工况的差异性,但场内机组数量大,完全计及所有机组工况并不现实,也不具有操作性;另外尾流效应和时滞效应受气温、风向等因素影响,建模困难、量化计算难度大。
 
  采用统计方法和智能方法的风电场风速-功率建模是以实测数据分析为基础的,两者有效地规避了上述问题,但实测数据只能表征风电场在某一时间区间、某一运行方式下的特性,尽管可通过大量的数据分析消除时间因素对所构建模型的影响,但得到的模型不能囊括风电场的所有运行方式;而且风电场输出功率不仅与当前风速有关,还与风速过程有关,因此进一步研究还需深入展开。
大云网官方微信售电那点事儿

责任编辑:lixin

免责声明:本文仅代表作者个人观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
我要收藏
个赞