基于WRF模式的风电场短期风速集成预报方法研究

风能始源于大气的运动,具有很大的随机性和间歇性。风速预测是风电场风功率预测的基础,其准确性具有重要的意义。对于复杂地形条件下,风速的预报一直是各国研究的难点和重点。为了提高风电场短期风速预报的准确性,本研究采用多种边界层参数化方案来集成预报风速,将各单一边界层参数化方案预报的风速及相应的实测风速数据,应用随机森林算法建立集成预报模型,对风电场的短期风速进行集成预报研究。试验结果表明,采用集成预报风速方法,预报的风速误差相比于单一边界层参数化方案预报的风速误差明显减小,对研究区域的风速、风向等气象要素有着较好的模拟效果,能够有效提高风速预报的准确率。     

风电场风电功率短期预报方法比较

通过开展湖北省九宫山风电场短期风电功率预报方法的研究,以不断提高预报准确率,为风电场提供更有价值的预报服务,该文利用MM5耦合CALMET模式模拟风电场风速资料,采用物理法和动力统计法探讨风电场各种情况下预报应用效果。结果表明:模拟风速释用订正能有效降低风速预报误差,但难以修正预报趋势;动力统计法更适用于九宫山风电场的复杂山区地形,可能由于该方法能自发适应风电场地理位置;采用实测数据建立的风电功率预报模型优于理论风电功率模型,这也与风机实际运行环境会影响风机输出功率有关。     

集成CFD与Kalman滤波的微尺度风电场风功率预报方法

基于Kalman滤波的风功率预测方法难以捕获风电场的风力空间分布特征,集成计算流体力学CFD模型和Kalman滤波能将风资源分布纳入风力发电预报框架,对提高微尺度风能利用率有重要意义。以黄土高原沟壑区的中国华电集团公司甘肃省环县南湫风电场为研究区,首先利用CFD模拟风电场风速分布特征和划分风区,再利用Kalman滤波订正BJ-RUC模式预报的各风区长时间序列风速变化,并对比不同风区的订正效果,最终基于发电能力评估风电场的风功率预报效果与效益。结果表明:(1)风电场内部的风机均不同程度地受到复杂地形的影响,围绕"马蹄形"山梁和山谷形成明显的"阶梯式"风区,风速差最高达2.78 m·s~(-1);(2)CFD与Kalman滤波的集成订正方法使风速预报准确率由BJ-RUC的20%~30%提高到90%以上,并使风功率预报准确率达到80%以上,显著提高了微尺度沟壑区风速-风功率预报精度;(3)风电场容量因子C_P平均在12.4%~16.8%之间,弃风率η为5.5%~17.5%,表明该电场的风功率预报精度明显受其发电效益制约;(4)还讨论了风电机组监控数据采集控制系统SCADA的数据质量、CFD计算效率和能源部门决策等不确定性因素对风速分区及风功率预报的影响。     

集合选优方法在短期风功率预测中的应用研究

为提高短期风速及功率预测的准确率,减小风电不确定性对电网系统的影响,尝试利用预测窗口期的风速观测进行数值天气预报的集合成员选优,挑选和实际风速更接近的相似预报成员,并构成选优集合进行机器学习模型的训练和测试。相较仅使用集合平均的常规方法,该方法考虑了不同集合成员之间的预报差异,避免了引入误差较大的集合成员,从而有利于改善预报风速偏差。利用不同海拔高度、不同地形特征的河南、甘肃两个风电场中不同集合的表现及敏感性试验结果,确定风电场最佳选优集合数量。相较于集合平均的结果,集合选优方案在不同天气过程中能较好地预报风速的起降,与实际风速更接近,且海平面气压场整体更接近ERA5。对不同风电场进行连续十一个月的风速及功率预测对比试验,结果表明,集合选优方法预报的风速日变化形态和月均风速较原集合平均方法均有改善。分析两个风场不同时长范围、不同速率变化的上坡风和下坡风观测数据可知,在0~2h及2~4h内,风速变化为2~4m/s的个例最多。对比集合平均结果,集合选优方案对于该类型上、下坡风的预测精度均有较为明显的提升。利用机器学习算法对选优集合预报进行训练,能进一步降低风速的绝对偏差和均方根误差,从而有效改善功率预测精度。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

基于短期历史资料的风能预报中风速误差循环订正新方法

风电场风能预报的准确性对于风力发电在并网过程中的稳定性有很大影响,提升风能预报水平能够有效减轻电网并网压力、降低经济运行成本。基于历史资料提出一种可快速更新的风速预报误差订正方法,该方法利用甘肃省风电功率预报系统的风速预报结果并结合实况资料对模拟风速的趋势、均值、方差进行订正,并应用于甘肃省内3个风电场(黑崖子、马昌山、南湫)的风速预报误差订正。结果表明:订正前风速的平均误差为2~3 m·s~(-1)、订正后为1~2 m·s~(-1),误差率改善17%~23%,本研究为风速误差订正提供了一个新思路和新方法。     

基于ELM的风电场短期风速订正技术研究

风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。     

WRF/CALMET/BP预报系统对内陆山区风电场的一次滚动预报检验

利用以中尺度数值模式WRF/CALMET作为风电场预报系统的动力模块,及BP神经网络法(BP-ANN)作为风电场预报系统的统计订正方法,对重庆市齐跃山风电场进行了一次时间分辨率为5 min的24 h风速、风功率的滚动预报试验,探讨了适用于中国典型内陆山区的风电场预报系统。结果显示：以WRF/CALMET/BP组成的动力—统计预报系统能够较好地模拟出内陆山区的风场特征,系统对正午至傍晚时段的风速预报准确率较高。WRF/CALMET动力模式对于风速中心振幅的模拟能力较好,经过BP神经网络订正后,模拟结果会趋于均值。不同风速段中,模式对低风速段(3～8 m·s^-1)的预报效果较好,BP神经网络对中风速段(8～14 m·s^-1)预报结果的订正效果最明显。     

风电场两种超短期风速预报方法的效果对比

针对风电场所需的时效在0~4 h,且时间分辨率不低于15 min的超短期风速预报。根据测风塔实时发回的实测风速序列,建立了基于BP神经网络的风电场风速时间序列外延预报模型。另一方面,建立 MM5模式预报风速与实测风速的误差序列,并利用BP神经网络作误差序列的外延预报,从而利用误差的预报值对MM5风速预报值进行订正,获得新的预报值。综合对两种方法的预报效果指标分析以及拟合曲线的比较结果表明:使用BP神经网络对MM5风速预报值进行修订的方法在总体上效果较优,特别是当影响风电场的天气系统变化明显,近地层风速变率较大时,该方法的预报效果更具有明显的优势。     

风电场不同高度的50年一遇最大和极大风速估算

风电场50年一遇最大和极大风速是决定风电机组极限载荷的关键指标, 也是风电项目开发中机组选型和经济评估的关键指标之一。该文重点从气象学角度, 结合我国风电项目开发的实际情况, 提出5 d最大10 min平均风速取样法, 用Ⅰ型极值概率分布来估算风电场不同高度50年一遇最大风速; 以附近气象站长期的历年最大风速及与风电项目内测风塔同期的逐日最大风速资料, 修正所得结果。再以实测到的大风速段的最大阵风系数, 推算风电场不同高度50年一遇的极大风速。并利用内蒙古巴彦淖尔市乌兰伊力更风电场300 MW项目1年的实测风资料及内蒙古乌拉特中旗气象站的测风资料, 估算乌兰伊力更风电场内不同高度上50年一遇的最大和极大风速。     

基于数值模拟和统计分析及智能优化的风速预报系统

风速预报是风力发电研究中的关键问题,也是一个十分困难的问题,其预测、评估技术还有待进一步提高.在预测短期风力(提前48～72 h对每小时的风速进行预测)时,通常采用数值天气预报模型进行预测.然而,初始扰动和模式物理过程的不确定性会影响气象数值预报的精度.将为数值天气预报模式提出一种新的后处理优化方法作为主要的思路,利用数据挖掘得到的关联规则来优化气象数值预报的结果,在中尺度模式WRF对风电场风速进行预报的基础上,将模式预测与统计分析及智能优化算法相结合,针对中国风电场的气候特征,利用一种新的修正模式误差的方法,极大地提高了风电场风速预报精度,提出了适合中国风力发电场的有效风速预报系统方案.     

相似误差订正方法在风电短期风速预报中的应用研究

为降低风电场短期预报风速误差,减少风电场短期风功率偏差积分电量,提高风电场发电功率预测准确率,分季节研究了相似误差订正方法对ECMWF单台风机预报风速的订正效果.结果表明:相似误差订正后不同风机预报风速的误差差距减小;预报风速的平均绝对偏差和均方根误差明显降低,其中夏季和秋季华能义岗风电场两个指标降低幅度均超过0.1 ...     

风电场风速数值预报的误差分析及订正

使用WRF模式对内蒙古某风电场区域内的2011年1-6月,50m高度的风速进行了模拟,并结合实测风速对模拟结果进行了评估。在此基础上再利用自回归模型(AR模型)和持续法对WRF模式模拟结果进行了订正预报,订正结果表明:AR模型和持续法都能有效地减小WRF模式风速的模拟误差,AR模型订正效果优于持续法。为能对订正预报时效进行延长,提出了"假设观测值"概念。在AR模型的基础上建立一种新的订正模型称之为New AR模型。其订正预报结果表明:新模型能在12h时效内,改善WRF模式风速模拟精度,其中6h的改进效果较好。     

基于数值模式的月尺度近地层气象要素预报技术研究

利用WRF模式对美国NCEP发布的CFS气候预测业务产品在中国区域内进行动力降尺度预报,可得到预报时效为45天的逐6小时、30 km分辨率基础气象要素预测产品。再利用全国气象站观测资料和3个风电场70 m高度风速、温度观测资料对2015年冬季预测结果进行检验评估和分析,最后通过线性方法对地面要素预测结果和70 m高度风速、温度预测结果进行统计订正。结果表明:（1）2 m温度和相对湿度的全国预报平均绝对误差分别为4.71 ℃和18.81%,在华东、华中和华南地区误差较小;（2）10 m风速预报平均绝对误差为2.42 m/s,在东北、华北和西北地区误差较小;（3）线性订正后,2 m气温、相对湿度和10 m风速的预报绝对误差分别减小1.05 ℃、5.29%和1.47 m/s,并且订正后误差随时间变化更平稳;（4）订正后70 m高度风速和温度的预报绝对误差均减小,风速平均误差减小最大可达1.29 m/s（B塔）,气温平均绝对误差减小最大可达3 ℃（C塔）。研究结果表明,基于CFS产品和WRF模式的、与月尺度风电预报关系密切的气象要素预报性能较好,未来可将该方法尝试于风电场的月尺度功率预测产品研发。      

鄱阳湖区风电场风电功率预报研究

风力发电作为一种无污染可再生的能源,已逐渐成为许多国家能源战略可持续发展的重要组成部分。风电场风能预报是风力发电开发中的关键技术问题。为研究鄱阳湖区风力发电预报技术,采用中尺度模式WRF和微尺度模块CALMET对鄱阳湖区长岭风电场进行了200 m水平分辨率风能预报,并根据长岭机组理论功率曲线表和实测数据拟合出理论和实际发电机组功率曲线模型及平均有功功率与发电量模型。根据WRF+CALMET模式预报风速及建立的发电机组功率曲线模型和平均有功功率与发电量模型,预报了长岭风电场发电量。结果表明:长岭风电场23座风机逐小时风速预报值与观测值相关系数为0.42~0.61,均方根误差为2.59~3.68,相对误差为-13.7%~17.4%;对整个风场,预报风速与观测风速的相关系数为0.55,均方根误差为2.8,相对误差为-4.79%。实测发电量值高于预报值,平均偏大39.7 kW,相对误差为-12.6%,预报值与实测值相关性较好,相关系数达到0.52。总体来说,根据中尺度数值模式预报的风速结合风功率、发电量模型预测出的发电量与实测值较为接近,但各月差异性较大。     

基于均生函数的风电场风速短临预报模型

风电场风速短临预报是风电预报业务的重要环节之一.选取2011年1、4、7和10月河北及内蒙古两地的两座测风塔观测资料,综合采用均生函数、灰色关联度和多元回归等多种统计预报方法,建立了一套分站点的、15 min动态滚动的未来0～4 h风速短临预报模型.实际对比分析表明,所建模型比传统ARMA模型的月平均预报误差减少了2.2％～10.8％,在实际中具有重要的应用价值.     

基于WRF模式和自适应偏最小二乘回归法的风能预报试验研究

利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相对准确的风场预报基础上,利用2008年1月-2009年4月风电场200台风机的实际功率记录数据和同期气象要素场预报资料,采用自适应偏最小二乘回归法和单机预报法建立了每台风机未来48h逐15min输出功率记录数据与同时刻轮毂高度预报的风速、风向、气温、湿度及气压之间的非线性统计预报模型。为了对该模型的稳定性和准确性进行长期的客观评估,独立进行了2008年1-12月的预报试验,分别建立了12组独立的非线性统计预报模型。试验结果表明:(1)WRF模式预报的各月风向分布、风频大小与实测风向有较好的一致性;盛行风向基本一致,风频大小相当,风向分布特征也较为一致。(2)WRF模式预报的50m和70m高度逐时平均风速与实测值的相关系数介于0.6～0.8之间,均方根误差介于1.5～2.6m.s-1之间。(3)2008年1-12月逐15min风电场风电功率预报值与风机输出功率记录值的相关性较显著,可较好地预报出各月风电功率的时间变化趋势。两者相关系数介于0.58～0.90之间,均达到了99.9%置信度。(4)各月逐15min风电功率预报值与风机输出功率记录值的误差较小,相对于总额定装机容量而言,均方根误差介于2.76%～12.89%之间。     

风电场风速数值预报的动态修订方法的探讨

针对风电场风功率预测所需的定点、逐时风速预报,对利用中央气象台发布的MM5格点输出的数值预报风速插值到福建沿海某个风电场测风塔高度的预报结果进行误差分析,发现由于海陆交界的特殊下垫面等原因,存在一定的系统误差;根据误差的后延相关性和测风塔实时发回的气象资料,探讨了利用前期误差观测值和测风塔湍流指标对MM5数值预报风速进行动态修订的方法,建立了订正值方程,结果表明,订正后的预报风速平均绝对误差降低31%~54%,有效提高了预报精度。     

基于风速高相关分区的风电场风速预报订正

为了提高风电场风速预报和功率预测的精度和准确率,并考虑风机测风数据的不稳定因素,以多年服务的内蒙古中部某风力发电场A为研究区,在勘察风电场地形及风机布局后,按照季节、风向进行风机间风速时空相关性分析,划分出风机轮毂高度风速高相关为典型特征的风机网格分类片区,采用卡尔曼滤波方法,通过直接和间接两种订正方案,分别进行风机片区风速订正。结果表明:风速高相关风机片区的划分,对于提高风电场风速预报及功率预测精度和准确率具有一定作用,利用风电场区测风塔梯度观测风速,对风机片区进行间接订正,可有效改善数值模式预报风速,15个片区类型下相关系数由0.18~0.72提高至0.67~0.91,误差绝对值由1.6~2.9 m·s-1降低至1.0~1.5 m·s-1。     

基于小波分解和布谷鸟搜索算法的小波神经网络风速预测（英文）

风速预测是风电场运行和风电并网过程中的关键技术之一。由于风速序列呈现出明显的间歇性和波动性,使用单一模型进行时预测难以取得满意的结果。本文发展了三种混合多步预测模型,并将他们与已有的风速预测模型相比较。这三个模型结合了小波分解、布谷鸟搜索算法和小波神经网络,分别记为CS-WD-ANN,CS-WNN和CS-WD-WNN。研究采用中国山东省两个风电场的实测数据进行模拟试验和模型比较,结果显示CS-WD-WNN表现最佳,具有最低的统计误差。