风电场的风速以及风功率变化规律的研究
- 格式:doc
- 大小:95.00 KB
- 文档页数:3
风电场并网技术研究及风电功率预测近年来,随着环保意识的普及和对可再生能源的需求增加,风能成为了备受关注的可再生能源之一。
众所周知,风能是一种不稳定的能源,其产生的电力难以与电力系统实时负荷匹配。
因此,风电场的并网技术研究和风电功率预测成为了当下研究的热点。
一、风电场并网技术研究风电场并网技术研究主要针对的是如何将风电能够稳定地注入电力系统。
这其中有许多涉及到的问题,如频率稳定、电压调节、谐波消除等等。
而这些问题的解决,需要依靠电力电子设备的技术支撑。
风电电力电子设备主要分为两类:变流器和控制器。
其中,变流器是将风电机组中的交流电力转换为电网中需要的直流电流。
控制器则是用来控制变流器中的电力电子元件,以实现对电力的输出调节。
同时,为了提高转换效率和减小功率损耗,可以采用多电平逆变器等技术,以及使用磁耦合变压器和滤波电容等方式消除谐波。
除此之外,为了满足电力系统给出的功率要求,风电场还需要参与到电力系统的调度运行中。
这就需要风电场与电力系统之间建立良好的信息交流机制。
在这方面的研究中,一些智能化的技术被应用进来,如使用通讯网络实现风电场与电力系统之间的实时通讯,采用多智能体控制技术实现风电场间的分布式协同控制等等。
二、风电功率预测风电功率预测指的是在未来一段时间内,风电场产生的功率大小可以进行预测。
这对电力系统在运行调度、发电计划编制、市场交易等方面都具有重要意义。
但是,由于风能的不稳定性和时空分布的随机性,这导致风电功率预测面临着很大的技术难度和不确定性。
目前,风电功率预测主要采用的方法分为三类:统计学方法、物理学模型和人工智能方法。
其中,统计学方法主要是通过历史观测数据统计和处理得到各种指标,并利用回归分析、时间序列预测、神经网络模型等建立具有一定预测准确率的模型。
物理学模型则是基于风电机理进行建模,通过数学公式描述风电机组与风速之间的关系,并利用数值计算方法,求解出风电机组在不同时刻的发电功率。
风电出力特性研究及其应用风电是一种清洁能源,具有广阔的发展前景和重要的应用价值。
风电出力特性是指风力发电机组在不同风速下的发电功率变化特性。
了解和研究风电出力特性对于风力发电行业的发展和风电资源的合理利用具有重要的意义。
本文将针对风电出力特性的研究及其应用进行探讨。
一、风电出力特性研究1. 风电机组的工作原理风电机组是通过风力带动叶片旋转,通过传动系统带动发电机发电。
其出力特性受到多种因素的影响,包括风速、叶片设计、发电机性能、控制系统等。
在不同的风速下,风电机组的出力特性有着明显的变化。
2. 风速对风电出力的影响风速是风力发电的关键因素,不同的风速将导致不同的出力特性。
一般而言,当风速较小时,风电机组的出力较低;当风速达到额定风速时,风电机组的出力将达到最大值;当风速过大时,发电机组需要通过控制系统来调整叶片的转速,以避免因风速过大而导致损坏。
3. 风电出力特性的建模与分析为了更好地了解风电机组的出力特性,研究人员通常会对其进行建模与分析。
通过建立数学模型,模拟不同风速下的发电功率输出,并对其进行分析,可以帮助我们更好地了解风电机组在不同工况下的性能表现,为风电场的规划和设计提供参考依据。
1. 风电场的选址和规划了解风电机组的出力特性对于风电场的选址和规划具有重要意义。
在选址时需要考虑当地的风资源情况,并结合风电机组的出力特性来确定最佳的风电场布局。
通过对风速和出力特性的分析,可以帮助规划者选择最佳的风电机组型号和布置方案,最大限度地发挥风电资源的利用效率。
2. 风电场的运行优化在风电场运行阶段,理解风电机组的出力特性有助于优化风电场的运行策略。
通过实时监测风速和出力特性,可以调整风电机组的工作状态,以提高风电场的发电效率和经济性。
也可以通过对出力特性的分析来制定风电机组的维护计划,延长设备的使用寿命,降低运行成本。
3. 新能源智能电网的建设随着新能源的不断发展和普及,风电出力特性的研究也对智能电网的建设具有重要意义。
风电场中的风速预测研究随着环保意识的提高,可再生能源日益成为我们的重要选择,其中风能是一种无疑的选择。
风能在发电中非常重要,然而当风速变化无常时,这会给风电场带来很大的困难,导致风电场的发电效率下降,甚至无功离线。
因此,风速预测成为风电场运营中的重要问题。
本文旨在介绍风电场中的风速预测以及其研究。
一、风速预测的意义首先,我们需要了解风速预测的意义,以及为什么它是如此重要。
风速的变化对于风电场的发电能力具有重要的影响。
就如同电力系统需要负载预测一样,风电场需要风速预测来制定更好的运营计划。
当风速变化无常时,风力涡轮机的输出功率就会随之波动。
这种波动可以导致电力系统的破坏,甚至损失。
风速预测可以帮助管理者更好地计划维护和调度工作,从而提高风电场的发电能力和健康运行时间。
此外,预测还可以使发电量达到最大值,同时保障发电的可靠性。
二、风速预测的方法现在,我们来看一下风速预测的方法。
可供选择的风速预测方法有很多,其中我们可以通过气象学方法预测风速。
常见的气象学方法是基于大气物理参数的模型,例如,“微风-双参数”和“湍流-三参数”模型。
这些方法通常需要直接测量有关大气物理系统的参数。
此外,还可以使用人工智能进行风速预测,例如使用人工神经网络模型和遗传算法来进行风速预测。
这些模型可以对风速变化进行更好的预测,但是它们需要大量的数据进行学习,因此,合适的数据对于预测的准确性非常重要。
最后,还可以通过现场实时测量数据进行风速预测。
这种方法通常使用现场测量数据进行风速预测的统计分析,比如,使用转速仪器测量风机的由风力涡轮驱动的转速,从而推测出风速。
三、影响风速预测准确性的因素然而,随着风电场规模越来越大,风速预测的难度也随之增加。
因此,我们需要考虑影响预测准确性的因素。
首先,风场的特性对风速预测的准确性有显着影响。
例如,在平原区域,由于地形的平缓,风速的变化要比在山区中更加柔和,因此,预测就更加准确。
在山区中,则需要考虑风向的变化和地形的不规则性。
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的日益重视和清洁能源需求的增加,风电作为一种绿色、可再生的能源,正逐渐成为能源结构中的重要组成部分。
然而,由于风能的间歇性和不确定性,风电场的风电功率预测成为了提高风电利用率和并网安全的关键问题。
本文旨在探讨风电场风电功率预测的方法及其应用。
二、风电功率预测的意义与重要性1. 优化电网调度:通过准确的预测风电功率,电力公司可以更有效地调度其他电源,减少备用容量的浪费,实现电力系统的优化运行。
2. 提高风电利用率:准确的预测有助于提高风电场的运行效率,减少因风力波动导致的弃风现象,从而最大化利用风能资源。
3. 降低运维成本:预测有助于提前发现并处理潜在的设备问题,降低因设备故障带来的损失。
三、风电功率预测的主要方法1. 物理模型法:基于风速、风向、大气压力等物理因素构建数学模型进行预测。
该方法考虑了风能的物理特性,但受限于气象数据的准确性和实时性。
2. 统计学习法:利用历史数据和统计方法进行预测。
包括时间序列分析、机器学习算法等。
该方法对历史数据要求较高,但在数据处理和模式识别方面有显著优势。
3. 混合预测法:结合物理模型法和统计学习法的优点,同时考虑风能的物理特性和历史数据信息,以提高预测的准确度。
四、具体应用方法及实例分析1. 时间序列分析法:该方法利用历史风电功率数据建立时间序列模型,通过分析时间序列的规律性来预测未来的风电功率。
例如,基于ARIMA模型的短期风电功率预测。
2. 机器学习算法:利用神经网络、支持向量机等机器学习算法进行预测。
如深度学习模型在风电功率预测中的应用,通过对大量历史数据进行训练,建立复杂的非线性关系模型,提高预测精度。
3. 混合模型应用:结合物理模型法和统计学习法的混合模型在风电功率预测中的应用。
例如,结合风速物理模型和神经网络算法的混合模型,既能考虑风能的物理特性,又能充分利用历史数据的规律性。
五、挑战与未来展望尽管现有的风电功率预测方法取得了一定的成果,但仍面临一些挑战:1. 数据质量问题:气象数据的准确性和实时性对预测结果有重要影响。
风电场功率输出的波动性分析风电场是一种依靠自然风力转化为电能的可再生能源发电设施。
与传统的化石燃料发电方式相比,风电具有环保、可持续、资源丰富等优势,因此在全球范围内得到了广泛的发展和应用。
然而,由于风力的不稳定性,风电场的功率输出存在一定程度的波动性,这是限制风电发展的一个重要问题。
本文将从多个角度探讨风电场功率输出的波动性,并提出相应的应对措施。
首先,风速是影响风电场功率输出波动性的主要因素之一。
风速的不稳定性导致了风力机发电量的波动。
在逆变器电压和频率固定的情况下,发电功率与风速的关系符合三次方定律,即风速呈三次方增长,发电功率则呈功率增长。
这种非线性关系导致风速小幅度变化时,风电场功率输出会有较大的波动。
解决这一问题的方法之一是通过风速预测,利用先进的气象学模型和监测设备来提前预测风速的变化,从而调整风力机的运行状态,减少功率输出的波动。
其次,风电场的电网连接也会对功率输出的波动性产生影响。
由于电力系统的负载变化和其他发电设施的运行状况,电网的负荷变化不可避免地会对风电场的功率输出产生影响。
当电网负荷较轻时,风电场的功率输出可能超过负荷需求,此时需要通过电网来消纳多余的功率。
相反,在电网负荷较重时,风电场的功率输出可能无法满足负荷需求,此时需要从电网购买电力。
为了解决这种功率输出波动性带来的问题,需要建立灵活的电力市场机制和电网调度系统,通过供需平衡和电力交易来调节风电场的功率输出。
此外,风电场的设备健康状况也会对功率输出的波动性产生一定的影响。
风力发电机等设备的老化和故障都会导致功率输出的不稳定。
为了降低设备故障率和提高设备的可靠性,风电场需要建立定期的设备巡检和维护制度,及时发现和修复设备的问题,避免设备故障对功率输出造成的波动。
最后,风电场的空间布局也会对功率输出的波动性产生一定的影响。
通常情况下,风电场的风力机是均匀分布在一定的区域内,但由于地理环境和资源限制,有时会出现部分风力机集中分布的情况。
_风电场运行数据分析_风电场运行数据分析随着可再生能源的快速发展,风电场成为可再生能源的重要组成部分。
风电场的运行数据可以提供对风电场运行状态和性能进行评估的有效指标。
通过对风电场运行数据的分析,可以帮助优化风电场的运行,提高发电效率和安全性。
风电场的运行数据主要包括风速、功率、温度、湿度、机组状态等多个方面。
其中,风速是影响风电场发电效率的重要因素之一、通过分析风速数据,可以评估各个时段的风速变化情况,找出风速较高的时段,为优化风机的运行策略提供依据。
另外,通过分析风速和功率的关系,可以建立风速-功率特性曲线,揭示风机在不同风速下的发电能力,为电网调度和发电计划提供参考。
除了风速和功率,温度和湿度也是影响风电场运行的重要因素。
高温和高湿度会影响风机的散热效果,降低风机的发电效率。
通过分析温度和湿度的数据,可以找出温湿度对风机运行的影响规律,为优化风机的散热系统提供指导。
另外,温度和湿度的数据还可以用于分析风机的可靠性和寿命预测,提前发现可能存在的故障和问题。
机组状态是风电场运行数据中的另一个重要方面。
通过分析机组状态的数据,可以了解风机的运行状况和故障情况,及时发现问题并采取措施进行修复。
例如,通过分析机组状态数据可以发现电气系统的异常,提示可能存在的线路故障或设备故障。
此外,机组状态数据还可以用于评估风电场的可靠性和安全性,为持续优化风电场的运营管理提供参考。
综上所述,风电场运行数据分析是优化风电场运行的重要手段。
通过对风速、功率、温度、湿度、机组状态等数据的分析,可以深入了解风电场的运行状况,发现潜在问题并采取相应措施。
这对于提高风电场的发电效率、降低运营成本、增加发电量具有重要意义。
未来,随着数据分析技术的不断发展,风电场运行数据的分析将会变得更加精准和高效,进一步提升风电场的运行效果。
风电场风功率预测系统研究随着可再生能源的发展,风电场已成为一种主要的电力发电方式。
然而,由于风速的不稳定性和不可预测性,风电场的发电效率和稳定性存在一定的挑战。
因此,开发一种风功率预测系统对于风电场的运行和调度至关重要。
风功率预测系统可以通过分析历史风速数据、天气数据等多种因素,来预测未来一段时间内的风功率变化趋势。
这对于风电场的运行和调度具有重要的指导作用,可以减少风电场的停机时间,提高电力发电效率。
首先,风功率预测系统需要收集和整理大量的历史数据。
这些数据包括风速、风向、气温、大气压力等多种气象因素。
根据历史数据的变化趋势和规律,可以建立起一个合适的数学模型来预测未来的风功率。
其次,风功率预测系统需要考虑其他因素对风速的影响,如地形、海拔、风机布置等。
这些因素会对实际的风速产生一定的影响,因此需要分析并加以考虑。
然后,风功率预测系统需要选择合适的预测方法。
目前常用的预测方法包括基于统计学的方法,如回归分析、时间序列分析等,以及基于机器学习的方法,如人工神经网络、支持向量机等。
这些方法可以根据风电场的实际情况来选择合适的预测方法。
最后,风功率预测系统的实施还需要结合实时的监测数据和监测设备。
通过实时监测风速和风功率的变化,可以对预测结果进行修正和调整,提高预测的准确性和可靠性。
综上所述,风功率预测系统的研究对于风电场的运行和调度至关重要。
它可以帮助风电场准确预测未来的风功率变化趋势,提前做好调整和计划。
这将不仅可以减少风电场的停机时间,提高电力发电效率,还可以降低对传统能源的依赖,促进可持续发展。
因此,继续加强对风功率预测系统的研究和开发,将对风电场的发展产生积极影响。
风速及风电功率预测研究综述段学伟;王瑞琪;王昭鑫;郎澄宇;孙树敏;赵鹏;郑伟【摘要】随着风力发电功率占比日益提高,风电功率的波动对电网安全运行的影响日益加剧.加大电网的旋转备用容量能够解决风电场出力波动的问题,但直接增加了电网运行成本.因此,对于含大规模风电接入的电网,风速及风电功率的准确预测对保证系统安全稳定运行、降低风电消纳成本有着至关重要的作用.在综合分析大量国内外文献资料的基础上,对风速及风电功率预测方法的研究现状进综述,总结常用预测算法的优缺点,给出风速及风电功率预测误差的评价指标体系,并对风速及风电功率预测的发展前景进行展望.【期刊名称】《山东电力技术》【年(卷),期】2015(042)007【总页数】7页(P26-32)【关键词】风速;风电功率;预测;物理方法;统计方法;误差【作者】段学伟;王瑞琪;王昭鑫;郎澄宇;孙树敏;赵鹏;郑伟【作者单位】国网山东省电力公司电力科学研究院,济南250002;山东省特高压输变电技术与装备重点实验室(山东大学),济南250061;国网山东省电力公司电力科学研究院,济南250002;国网山东省电力公司,济南 250001;国网山东省电力公司电力科学研究院,济南250002;国网山东省电力公司电力科学研究院,济南250002;国网山东省电力公司电力科学研究院,济南250002;山东中实易通集团有限公司,济南250002【正文语种】中文【中图分类】TM72风电开发利用已经有了相当长的历史,在现代能源结构中占据着非常重要的位置。
2013年之前,世界风电发展迅速,装机容量由2003年的39.9 GW增长至2013年的319.9 GW,年均增幅约23.14%,其中美国、中国、印度等国家发展尤为迅速。
到2014年,全球风电新增装机容量达到51.48 GW;中国风电新增装机容量23.35 GW,同比上升45.1%,总装机容量高达115 GW,位居世界装机容量第一[1]。
风电场风速预测的研究方法陈丹丹;李永光;张莹;刘祥【摘要】介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.【期刊名称】《上海电力学院学报》【年(卷),期】2011(027)003【总页数】5页(P247-251)【关键词】风速预测;人工神经网络;卡尔曼滤波;时间序列【作者】陈丹丹;李永光;张莹;刘祥【作者单位】上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090;上海电力学院能源与环境工程学院,上海200090【正文语种】中文【中图分类】TK81风能是重要的绿色能源,随着风力发电成本的大幅下降,已具有与传统发电能源竞争的潜力[1,2].但由于受温度、气压、地形、地理位置等诸多因素的影响,风能具有很强的随机性,因此风力发电的稳定性较差,并网后会严重影响电能质量和电力系统的正常运行[1,3,4].风电装机容量增加后,为了抑制风电波动给电网带来的冲击,需相应增加常规机组的旋转备用容量,这会增加系统的运行费用[3,5-7].通过研究发现,如果能对风电场风速作出较准确的预测,则有利于及时调整电网的调度计划,以提高风电的经济性[5,8-14].此外,由于风电设备运行的环境较为恶劣,易出事故,因此也需要对风场的风速作出预测[9].目前,国内外对于风电场风速的预测一般可分为用于风电场规划设计的中长期预测,用于电力系统的功率平衡和调度、交易、暂态稳定评估等的30 min到72 h的短期预测,以及用于发电系统控制的分钟级超短期预测[10,15-18].比较常用的方法有人工神经网络法[5,11,19-23]、卡尔曼滤波法[24,25]、时间序列法[26,27]等.1 风速预测的基本方法1.1 人工神经网络法人工神经网络由大量的简单处理元件以拓扑结构连接形成,可以有效处理很多复杂问题.运用人工神经网络预测风速则是结合了天气预报模型和人工神经网络的功能,通过神经网络分析天气预报模型所提供的温度、压力、风速,以及风机本身采集的数据等信息,可以预测风电场中每一台风力发电机周围的风速.该方法的缺点是输入数据的选取及网络结构不易确定[9].根据神经网络连接及计算方法的不同,人工神经网络法中常用的有多层前馈神经网络(Back Propagation,BP)、广义回归神经网络(Generalized Regression Neural Network,GRNN)等.BP 网络结构如图1所示,它包括输入层、一个或多个隐层,以及输出层,层间的神经元单向连接,层内神经元则相互独立[23].图1 BP神经网络结构GRNN网络结构如图2所示.图2 GRNN网络结构文献[11]基于BP神经网络算法建立了风电功率预测的神经网络模型,并进行了误差带预测.研究结果表明:神经网络的结构和输入数据对预测结果有一定的影响;将实测功率数据作为输入可以提高30 min内的预测精度.这为弥补该预测方法的缺陷提供了可能的解决途径,即利用实测功率及时修改神经网络的输入,以提高预测精度.1.2 卡尔曼滤波法由线性系统离散方程可推导出卡尔曼滤波法的预测递推方程[24].1.2.1 最优滤波方程式中:(k+1|k+1)——对k+1时刻的状态估计;K(k+1)——k+1时刻的卡尔曼增益矩阵.由此可看出,卡尔曼滤波算法可用最新测量值来修正前一时刻的估算值,具有动态修改权值的优点.1.2.2 最优增益矩阵方程式中:P(k+1|k)——从k时刻到k+1时刻的单步预测误差协方差矩阵;R(k)——V(k)的协方差矩阵.1.2.3 单步预测误差协方差方程式中:Q(k )——w(k)的协方差矩阵.1.2.4 滤波预测的误差协方差方程式中:P(k+1|k+1)——对k+1时刻滤波预测的协方差矩阵;I——单位矩阵.利用卡尔曼滤波算法,将风速作为状态变量来建立状态空间模型,可以实现风速预测.但建立卡尔曼状态方程及测量方程比较困难,并且这种方法适用于噪音统计特性已知的情况下对在线风速进行预测,但噪音统计特性往往很难得出[24,25].1.3 时间序列法(1)随机时间序列法利用大量的历史数据来建立数学模型,进而推导出预测模型,以达到预报的目的.该方法的优点是序列本身具有时序性和自相关性,为建模提供了足够的信息,只需要有限的样本序列,就可以建立预测模型.但该方法也有局限性,低阶模型的预测精度较低,而高阶模型参数的确定难度较大[12,24,26].(2)混沌时间序列法是根据风电出力时间序列的混沌属性,以及非线性动力学的相关理论在短期内进行的预测[14,26-35].因此,将风速时间序列进行相空间重构,可以将其应用于短期风速的预测.(3)滚动式时间序列法对传统时间序列法进行改进,其建模思路为[36]:模型在进行超前多步预测计算时,迭代得到t时刻的预测值后,利用该预测值重新估计模型参数,得出包含该预测值的新的模型方程,再进行t+1时刻的预测计算.计算结果证明该方法能有效提高预测精度,改善延时问题,并且具有建模简单、可获得预测显式方程等优点.此外,衍生的时间序列法还有基于EMD的短期风速多步预测法,以及基于EMD 和LS-SVM的短期风速预测法[37-40].1.4 混合算法(1)时间序列和卡尔曼滤波的混合算法利用时间序列建立一个能反映信号变化规律的低阶模型,再从该模型推导出卡尔曼滤波预测递推方程,实现信号预测[24,36,41].该混合算法有效弥补了单纯时间序列法建模预测的不足,而且在不提高所建时序模型阶次的情况下提高了预测精度.(2)时间序列和神经网络的混合算法利用时间序列法建模,得到风速特性的基本参数,而后将这些参数作为神经网络的输入变量[5,10,42].文献[5]和文献[42]计算结果表明,运用该方法进行风速预测时,绝对平均误差在22%左右,优于时间序列法.2 风速预测方法的综合分析2.1 各预测方法的分析比较风速预测的方法主要有人工神经网络法、随机时间序列法和混沌序列预测法.人工神经网络法[11]的理论基础是非线性数学理论[43],具体的网络设计方法可利用径向基函数法、最小二乘法、傅里叶变换等不同的数学方法对人工神经网络的非线性函数进行逼近.另外,也可以用现有的软件如MATLAB中的神经网络工具箱等来建立人工神经网络.运用人工神经网络法能够预测风电场中每一台风机周围的风速,因此,当负荷变化时,可快速决定风机的停启,方便风电场调度.但由于人工神经网络的输入参数及网络结构不易确定,而输入变量的选择直接影响神经网络的收敛速度甚至收敛性,因此需要慎重选择输入的样本.而利用时间序列模型来选择输入变量则可以相对方便地确定神经网络的输入参数,将两种方法结合起来可有效提高收敛速度,并改善预测效果.随机时间序列法的实现相对简单,只需要单一的风速时间序列即可建模,但预测精度需要取决于模型的阶数,阶数低则预测精度低,而阶数高则模型参数计算难度大.为解决这一问题,可采用滚动式时间序列法,或者将时间序列分析和卡尔曼滤波法结合使用.这两种算法的实质都是在计算中利用当前步的计算结果及时更新参数,以优化计算模型.时间序列分析和卡尔曼滤波算法的结合可避开建立高阶模型和推导测量方程,在降低建模难度、减少计算工作量的同时提高了预测精度[24].在预测风速的过程中,当部分时间点的风速明显大于或小于均值时,可以将其看作非线性系统中的混沌行为,利用数值分析方法建立的全局或局域性的线性预测函数,即为混沌序列预测法.目前常用的3种预测法理论上是等价的,性能也相同[33],可以根据实际需要选择合适的模型.混沌时间序列可通过调整有关参数来控制预测精度,但由于系统对初值较敏感,因此只能用于短期风速预测.混沌时间序列法除了用于风电场短期风速预测外还可以预测电网负荷[30].比较各方法的预测周期,人工神经网络法在网络设计、操作等均较优的情况下能够作出48 h内工程允许误差范围内的预测,而时间序列法及混沌时间序列法一般只用于2 h内的预测.从单个风电场的实际需求来看,2 h内的预测能够较好地满足风机调控的需求,而从整个电网需求出发,则需要更长时间范围的预测,以便于电网提前调控分配各区域的发电指标.需要注意的是,越长时间范围的预测,在时间点上的预测失真往往越严重.因此,在实际预测风速时,需要根据不同对象的需求、综合考虑预测方法实现的成本等选择不同的预测方法.2.2 算例误差分析比较预测周期一般有预测时间及预测步数两种表示方法.根据算例采样点的时间间隔长度,可以将精选后的预测时间和步数进行等效换算.文献[11]利用人工神经网络法进行风速预测时,综合考虑了实测风电功率作为输入数据和风轮不同高度处的风速数据对于预测结果的影响.计算结果表明,综合考虑风轮下边缘处及轮毂高度处的风速,比单独利用轮毂高度处的风速作为神经网络的输入值的预测精度要高,且当预测周期越短时,预测误差越小.文献[28]利用随机时间序列法对我国西北某风电场进行风速预测,得出提前10 min的风速预测值,从该算例所用的时间序列样本为每10 min采样1点来看,其预测周期及预测步数都很短,因此计算精度较高,预测平均误差为7%.而根据文献[36],时间序列超前1步的预测精度较高,可达6.49%,但随着预测步数的增大,误差也迅速增大,超前10步以上的预测精度由于误差太大已不适用于工程计算.文献[27]、文献[34]和文献[35]利用混沌时间序列法进行风速预测,其中文献[27]预测样本为每小时采样1点的风速序列,进行提前1天的风速预测,预测精度为8.19%.文献[36]利用滚动式时间序列法超前3步预测,预测样本为每分钟采样1点的风速序列,预测结果误差为7.01%,随着超前预测步数的增大,预测误差也增大,但利用时间序列和卡尔曼滤波的混合算法对相同样本进行预测时,超前1步的预测误差仅为3.19%.文献[10]利用时间序列和神经网络的混合算法进行提前1天的风速预测,平均误差为21%,考虑到本算例预测周期比较长,而且是对海风进行预测,由于海风比陆地风随机性更大,预测也更加困难,因此本算例的精度不算太低.文献[27]的算例也进行了提前一天的风速预测,其预测精度较高的原因可能有:一是混沌系统对初值敏感,本算例选取的初值较好;二是所预测的风场风速变化较平缓;三是该算法精度比较好.目前风速预测的平均误差为25% ~40%[5],然而以上各种预测方法的算例计算误差为3.19%~22%,且其中绝大多数误差在10%以内,其原因为文献算例中的预测周期较短,多数只计算了提前3步甚至提前1步的预测,因此得出的预测精度远远高于平均值.此外,选取的风速数据样本的采样间隔时间也会影响计算结果.一般来说,采样间隔时间越长,预测结果的平均值越准确,但是对风速变化规律的预测会失真.文献[27]、文献[28]和文献[36]所采用的数据样本采样间隔时间各不相同,但是由于所预测的周期较短,因此对预测结果没有明显影响.目前,国内对于短期风速预测的研究还存在以下不足:一是需要根据风速的历史数据预测将来的风速,如果不知道历史风速数据,则不可预测;二是没有实现风电功率的预测,风速预测的算法并不完全适用于功率预测;三是由于功率杂散分布,由风速推导风电功率将导致误差进一步增大.3 结语风速预测有针对一种方法的改进或者将几种方法结合使用的趋势.预测的准确度和预测方法、预测周期、地理位置等有关.一般预测周期越短,预测地点的风速变化越缓和,预测精度越高.风电的发展离不开风速预测.随着各种预测法的发展和完善,我国风电事业也会得到进一步的发展.参考文献:【相关文献】[1]迟永宁,李群英,李琰,等.大规模风电并网引起的电力系统运行与稳定问题及对策[J].电力设备,2008,9(11):16-19.[2]丁明,张立军,吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备,2005,25(8):32-34.[3]耿天翔,丁茂生,刘纯,等.宁夏电网风电功率预测系统开发[J].宁夏电力,2010(1):1-4. [4]孟祥星,王宏.大规模风电并网条件下的电力系统调度[J].东北电力大学学报,2009,29(1):2-7.[5]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].电机工程学报,2005,25(11):1-5.[6]UMMELS B C,GIBESCU M,PILGRUM E,et al.Impacts of wind power on thermal generation unit commitment and dispatch[J].IEEE Trans on Energy Conversion,2007,22(1):44-51.[7]颜巧燕,温步瀛,江岳文.风电并网后系统备用容量需求分析[J].电力与电工,2009(2):26-29.[8]吴炳琦.风电机组运行的预测预警和自动监控保护[J].电气技术,2008(3):5-11.[9]吴国炀,肖洋,翁莎莎.风电场短期风速预测探讨[J].吉林电力,2005(6):21-24.[10]吴兴华,周晖,黄梅.基于模式识别的风电场风速和发电功率预测[J].继电器,2008,36(1):27-32.[11]范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测[J].中国电机工程学报,2008,28(34):118-123.[12]傅蓉,王维庆,何桂雄.基于气象因子的BP神经网络风电场风速预测[J].可再生能源,2009,27(5):86-89.[13]屠强.风电功率预测技术的应用现状及运行建议[J].电网与清洁能源,2009,25(10):4-9. [14]王丽婕,廖晓钟,高爽,等.风电场发电功率的建模和预测研究综述[J].电力系统保护与控制,2009,37(13):118-121.[15]雷亚洲,王伟胜,戴慧珠.风电对电力系统运行的价值分析[J].电网技术,2002,26(5):10-14.[16]DAI Hui-zhu,WANG Wei-sheng,LI Han-xiang.Special report relationship between wind farms and power grids[J].Engineering Sciences,2009,7(2):13-19.[17]陈兆庆,王峥,陆艳艳,等.华东沿海风电场出力预测的研究和探讨[J].华东电力,2010,38(3):384-387.[18]张彦宁,康龙云,周世琼,等.小波分析应用于风力发电预测控制系统中的风速预测[J].太阳能学报,2008,29(5):520-524.[19]SIDERATOS G,HATZIARGYRIOU N D.An advanced statistical method for wind power forecasting[J].IEEE Trans.on Power Systems,2007,22(1):258-265.[20]FLORES Juan J,LOAEAZ Roberto,HÉCTOR Rodríguez,et al.Wind speed forecasting using a hybrid neural-evolutive approach[J].Micai,2009,58(45):600-609. [21]MENDEZ Juan,LORENZO Javier,HERNANDEZ Mario.Experiments and reference models in training neural networks for short-term wind power forecasting in electricity markets[J].Iwann,2009,55(17):1 288-1 295.[22]ALEXIADIS M,DOKOPOULOS P,SAHSAMANOGLOU,et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1):61-68. [23]杨刚,陈鸣.基于BP神经网络的风速预测和风能发电潜力分析[J].华东电力,2010,38(2):304-309.[24]潘迪夫,刘辉,李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术,2008,32(7):82-86.[25]BOSSANYE E A.Short-term wind prediction using Kalman filters[J].Wind Engineering,1985,9(1):1-8.[26]KAMAL L,JAFRI Y Z.Time series models to simulateand forecast hourly averaged wind speed in Wuetta Pakistan[J].Solar Energy,1997,6l(1):23-32.[27]罗海洋,刘天琪,李兴源.风电场短期风速的混沌预测方法[J].电网技术,2009,33(9):67-71.[28]高文元,刘尊朋,王鹏,等.基于时间序列法的短期风速建模[J]. 甘肃科技,2009,25(7):14-16.[29]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].武汉:武汉大学出版社,2002:57-80.[30]温权,张勇传,程时杰.负荷预报的混沌时间序列分析方法[J].电网技术,2001,25(10):13-16.[31]LINSAY P S.An efficient method of forecasting chaotic time series using linear interpolation[J].Phys Lett A,1991,153(6-7):353-356.[32]NAVONE H D,CECEATTO H A.Forecasting chaos from small data sets:a comparison of different nonlinear algorithms[J].Phys A:Math Gen,1995,28(12):3 381-3 388.[33]任晓林,胡光锐,徐雄.混沌时间序列局域线性预测方法[J].上海交通大学学报,1999,33(1):19-21.[34]王丽婕,廖晓钟,高爽,等.并网型大型风电场风力发电功率-时间序列的混沌属性分析[J].北京理工大学学报,2007,27(12):1 076-1 080.[35]蒋传文,侯志俭,张勇传.基于关联度的高嵌入维混沌预测方法研究[J].系统工程与电子技术,2002,24(12):65-66.[36]潘迪夫,刘辉,李燕飞.风电场风速短期多步预测改进算[J].中国电机工程学报,2008,28(26):87-91.[37]米增强,杨奇逊,樊小伟.一种基于EMD的短期风速多步预测方法[J].电工技术学报,2010,25(4):165-170.[38]王晓兰,李辉.基于EMD与LS-SVM的风电场短期风速预测[J].计算机工程与设计,2010,31(10):2 303-2 307.[39]戚双斌,王维庆,张新燕.基于支持向量机的风速与风功率预测方法研究[J].华东电力,2009,37(9):1 060-1 063.[40]周培毅,张新燕.基于时间序列与支持向量机的风电场风速预测研究[J].陕西电力,2009(12):1-4.[41]陶文斌,张粒子,潘弘.基于双层贝叶斯分类的空间负荷预测[J].中国电机工程学报,2007,27(7):13-17.[42]蔡凯,谭伦农,李春林,等.时间序列与神经网络法相结合的短期风速预测[J].电网技术,2008,32(8):82-8.[43]徐富强,郑婷婷,方葆青.基于广义回归神经网络(GRNN)的函数逼近[J].巢湖学院学报,2010,12(6):11-16.。
风力发电系统中的功率预测与优化策略研究引言:随着气候变化和对可再生能源的需求增加,风力发电系统在世界范围内得到了广泛的应用。
然而,风速的不确定性以及风电机组的变化工况使得风力发电系统的功率预测和优化成为一个具有挑战性的问题。
因此,对风力发电系统进行功率预测和优化策略的研究变得尤为重要。
一、风力发电系统功率预测1.1风速预测方法风力发电系统的功率输出与风速之间存在着紧密的关联性,因此准确地预测风速是功率预测的关键。
目前常用的风速预测方法包括物理建模方法、统计学方法和机器学习方法。
物理建模方法利用气象学和流体力学原理,模拟大气环境中风的变化,但由于模型复杂性和计算量大,应用范围受到限制。
统计学方法通过分析历史风速数据的统计特性进行预测,如时间序列分析和回归分析。
机器学习方法基于大量的历史风速数据,通过训练模型来预测未来的风速。
1.2功率曲线建模风力发电机组的功率输出通常与风速呈非线性关系,因此建立准确的功率曲线模型对功率预测至关重要。
传统的方法是利用经验公式拟合功率曲线,但误差较大。
近年来,基于机器学习的方法,在海量数据的基础上,使用神经网络、支持向量机等算法来建模功率曲线,取得了较好的预测效果。
二、风力发电系统功率优化策略2.1风机控制策略风机控制策略是实现风力发电系统功率优化的关键措施之一。
控制策略的目标是在保证风机的安全运行的前提下,最大限度地提高功率输出。
现有的控制策略包括变桨角控制、电磁转矩控制和最大功率点跟踪等方法。
变桨角控制通过调整叶片的角度来调节转矩和转速,以达到适应不同风速和工况的要求。
电磁转矩控制利用变磁阻力或变齿轮传动,通过调节转矩和转速来实现功率的最大化。
最大功率点跟踪方法通过连续监测风机的工作状态和环境条件,实时调整转矩和转速,以使风机运行在最大功率点上。
2.2风电场布局优化风电场布局优化是实现风力发电系统功率优化的另一重要策略。
通过优化风电机组的布局,可以最大限度地降低风电机组之间的相互遮挡和辐射阻塞,提高整个风电场的发电效率。
电力系统中风电场的功角稳定性研究引言随着全球对绿色清洁能源需求不断增加,风电系统已成为可再生能源中的重要组成部分。
在电力系统中,由于风电场与传统发电厂的能量转换方式不同,可能会对系统的功角稳定性产生影响。
因此,研究风电场的功角稳定性对电力系统的运行和稳定具有重大意义。
一、风电场的功角稳定性介绍1. 风电场的功角控制风电场在电力系统中扮演着能量来源的角色,并影响系统的频率和功角。
因此,为了确保风电场的运行稳定,需要采取一些控制措施,例如,采用功角控制系统。
功角控制系统通过控制风电场的有功出力来维持电力系统的功角稳定。
在系统频率发生变化时,风电场中的控制器可以调整风机的输出功率,以维持系统的功角稳定。
此外,功角控制还可以提高风电场的出力能力,并在系统出现控制异常时提供可靠的保护和控制功能。
2. 风电场的功角不稳定性虽然功角控制系统可以帮助维持电力系统的功角稳定,但风电场本身也存在功角不稳定的情况。
风电场的功角不稳定性可能包括以下方面:(1)风机惯性:在系统频率发生快速变化时,风机输出的功率可能会产生惯性延迟。
这种惯性效应可能导致风电场的功角产生变化,从而影响系统的功角稳定性。
(2)风电场的接入和退出:当风电场接入或退出电力系统时,会对系统的功角稳定性产生影响。
(3)风速的变化:由于风速的不确定性,风电场的输出功率可能会在短时间内发生较大的变化。
这种变化可能导致风电场的功角发生剧烈变化,从而影响系统的功角稳定性。
二、风电场功角稳定性的研究方法1. 基于物理模型的研究方法基于物理模型的研究方法通常涉及建立风电场的数学模型,并在此基础上进行仿真和分析。
数学模型通常包括以下方面:(1)风机模型:风机的数学模型通常采用动态微分方程描述,其中包括风机的转速和电机输出功率等参数。
(2)风速模型:通常采用机械模型、气象模型或统计模型等方法进行建模。
(3)功角控制器模型:功角控制器可以采用PID控制器、神经网络控制器或自适应控制器等形式进行建模。
风电场中的风速预测算法研究随着清洁能源的不断发展和利用,风电发电已经成为重要的可再生能源之一。
风电场的利用率和发电效益与风速密切相关。
因此,准确预测风速对风电场的运营和发电计划具有重要意义。
本文将研究风电场中的风速预测算法,以提高风电场的运行效率和经济效益。
一、传统的风速预测方法1. 统计模型方法统计模型方法通常通过统计历史风速数据来预测未来的风速。
其中最常用的方法是基于回归模型的预测方法,如线性回归、多元线性回归和逻辑回归等。
此外,还有基于时间序列模型的预测方法,如ARIMA和ARCH等。
统计模型方法简单易行,但对数据的要求较高,且不能很好地捕捉到风速的变化趋势和周期性。
2. 物理模型方法物理模型方法基于气象学和风力学原理,通过建立风速预测的物理模型来进行预测。
常见的物理模型方法包括数值模拟模型和解析模型。
数值模拟模型包括CFD模型和天气模型等,可以较准确地模拟风场的变化,但计算量大,耗时长。
解析模型则利用风速与气象因素的关系进行分析和推导,通常使用数学方程来拟合风速变化。
物理模型方法准确性较高,但对于模型建立和参数确定较为困难。
二、基于机器学习的风速预测算法近年来,随着机器学习技术的快速发展,越来越多的研究者开始应用机器学习算法来预测风速。
基于机器学习的风速预测算法主要包括以下几种:1. 支持向量机(Support Vector Machine,SVM)SVM是一种监督学习算法,通过将样本映射到高维空间并找到最佳的超平面来进行分类或回归。
在风速预测中,可以将历史风速数据作为训练样本,通过SVM算法来建立风速预测模型。
SVM算法能够处理高维数据,具有较好的泛化性能,在风速预测中得到了广泛应用。
2. 人工神经网络(Artificial Neural Network,ANN)ANN模型是一种模拟人脑神经系统工作原理的算法,通过一系列的神经元层次结构来建立复杂的非线性模型。
在风速预测中,可以利用历史风速数据训练ANN模型,然后进行未来风速的预测。
风电场功率预测系统的评估与证明方法研究摘要:风能作为一种环保、可再生的能源形式,越来越受到世界各国的重视。
而风电场功率预测系统是提高风电场运行效率和稳定性的重要工具。
为了确保风电场功率预测系统的准确性和可靠性,本文对风电场功率预测系统的评估与证明方法进行研究。
通过对已有的方法进行综述和实证分析,提出了一种基于数据分析和模型评估的综合评估方法,并在实际案例中进行应用和验证。
1. 引言随着能源需求的增加和环境问题的日益突出,风能作为一种清洁、可再生的能源形式,受到了广泛的关注和应用。
而风电场作为利用风能发电的重要装置,其功率预测系统的准确性和可靠性对于风电场的正常运行和发电效率起到了至关重要的作用。
因此,评估和证明风电场功率预测系统的准确性和可靠性,对于提高风电场的运行效率和经济效益具有重要意义。
2. 方法综述2.1 数据分析方法数据分析是风电场功率预测系统评估的重要手段之一。
通过对历史风速、风向以及风电场实际输出功率等数据进行统计和分析,可以揭示出其潜在的规律和趋势。
常用的数据分析方法有时序分析、频域分析等。
通过对这些方法的综合应用,可以对风电场功率预测系统的数据质量、数据预处理和数据挖掘等方面进行评价和证明。
2.2 模型评估方法风电场功率预测系统通常基于数学模型和统计分析模型建立。
对于这些模型的评估,常用的方法是对比分析和误差分析。
通过将不同模型的预测结果与实际观测值进行对比,计算其预测误差,并通过统计方法进行分析和比较,可以评估模型的准确性和可靠性。
2.3 效果验证方法效果验证是评估风电场功率预测系统的重要环节。
通过将预测结果与实际发电情况进行对比和统计,可以评估预测系统的精度和可靠性。
常用的验证方法有均方根误差(RMSE)、平均绝对误差(MAE)等。
这些指标可以客观地评价风电场功率预测系统的预测效果,并与实际运行情况进行比较。
3. 综合评估方法为了更准确地评估和证明风电场功率预测系统的准确性和可靠性,本文提出了一种基于数据分析和模型评估的综合评估方法。
风电场输出功率预测的研究的开题报告一、研究背景及意义随着现代科技的不断发展,新能源逐渐成为人们关注的热点话题。
其中,风能作为一种不污染环境、可持续利用的新能源,受到了越来越多的关注。
然而,风能有其不确定性,如天气、季节、地形等因素都会影响风能的输出功率,因此如何准确地预测风电场的输出功率是一个亟待解决的问题。
目前,针对风电场输出功率预测的研究主要有两种方法:物理模型和数据驱动模型。
物理模型需要考虑很多复杂的物理过程,如流场、湍流等,存在很大的理论困难和计算复杂性。
而数据驱动模型则不需要考虑具体的物理过程,只需要收集一定时间范围内的数据,即可进行预测。
因此,数据驱动模型成为了目前研究的主要方向。
本文将针对风电场输出功率预测进行数据驱动模型的研究和探讨。
二、研究内容1. 收集和处理相关风电场数据,包括风速、风向、温度、湿度等环境因素数据以及风电场历史输出功率数据。
2. 对收集到的数据进行数据分析和处理,包括数据清洗、标准化、降维等预处理步骤,并将数据分为训练集和测试集。
3. 提取风电场输出功率与环境因素之间的关系特征,并结合机器学习算法进行建模。
常用的机器学习算法包括神经网络、支持向量机、决策树等。
4. 对建立的模型进行优化和调参,并使用测试集对模型进行验证和评估。
5. 基于优化调参后的模型,实现对未来一段时间风电场输出功率的预测,并进行可视化展示和分析。
三、研究方法本文将采用机器学习算法(例如多元线性回归、人工神经网络、支持向量机等)来分析环境因素与风电场输出功率之间的关系,并建立数据驱动的模型进行预测。
我们将使用Python编程语言完成数据处理、模型训练和可视化展示等任务。
四、预期研究结果本文将建立一个预测风电场输出功率的数据驱动模型,并通过对比不同算法的结果,找到最优算法,预期可以做到输出功率的精度更高。
同时,我们将使用可视化的方式直观地展示风电场输出功率与环境因素之间的关系,并为相关领域的实践提供有用的参考。
风电场的风速以及风功率变化规律的研究
作者:李东阳高阳
来源:《山东工业技术》2017年第08期
摘要:随着风电场的大规模建设,弃风电量的评估得到越来越多的关注。
本文主要研究风电场的风速以及风功率变化规律,旨为弃风电量评估模型建立打下坚实的基础。
提前掌握风速和风功率变化规律的情况,可以减少旋转备用容量,减小风力发电系统成本,并且为电网运行调度提供可靠的依据。
关键词:风电场;风速;风功率;变化规律
DOI:10.16640/ki.37-1222/t.2017.08.151
1 引言
风能作为一种可再生、洁净的能源,近年来在全世界范围内得到了突飞猛进的发展。
由于风能具有波动性、间歇性、低能量密度、不可控性等特点,大规模风电的接入对电力系统的安全稳定运行带来了很大的挑战。
因此在弃风电量评估模型建立以前,对风电场的风速以及风功率变化的统计规律的研究显得至关重要,提前掌握风速和风功率变化规律的情况,可以减少旋转备用容量,减小风力发电系统成本,并且为电网运行调度提供可靠的依据。
2 风速-风功率特点
通过大量文献的查阅和参考,总结出风速变化主要表现为以下两种特点:(1)由于风能的能量密度较低,气温、阴晴、降水等都会引起风速的变化,因此风速变化将存在很大的波动性,呈现为非平稳的随机信号。
(2)由于风速的变化跟太阳的照射有密切关系,所以在一天中风的强弱在某种程度上又呈现周期性。
风功率变化主要表现为以下两种特点:(1)由于风的能量密度低,气温、多云的天气,降水会引起风速变化,所以风功率变化会有很大波动,呈现出非平稳随机信号。
(2)影响风功率变化的因素很多,包括风速、风向、空气湿度、大气密度等气象信息和风电场的位置、风机布局、地表粗糙度、海拔高度等物理信息。
因此,为了更好研究弃风电量评估模型,本文重点研究风速与风功率的变化规律,为研究弃风电量评估模型建立打好坚实的基础。
3 风速及风电功率变化的统计规律的数据指标
根据风电场测风塔实测历史数据和风电场风力发电历史运行数据,研究该风电场的风速以及风功率变化的统计规律,确定各项数据指标的基本范围,为数据的预处理工作奠定基础。
数
据指标包括:(1)测风塔气象数据(十米处风速、风向、气压、温度、湿度,二十米处风速、风向,四十米处风速、风向,风机轮毂高度处风速、风向):每小时均值、每小时最大值、每小时最小值、日均值、日最大值、日最小值;(2)每台风机实际功率:每小时均值、每小时最大值、每小时最小值、日均值、日最大值、日最小值。
4 数据预处理
基于风速及风电功率变化的统计指标,针对北四家子风电场2015年1月1日-2015年8月31日的风机实际功率数据和测风塔实际气象数据进行预处理。
(1)测风塔气象数据预处理。
针对测风塔气象数据的预处理主要包括以下工作:
1)分析数据连续性,对缺测数据采用样条插值修正;2)数值小于0 的异常数据,采用样条插值修正。
(2)风机实际功率数据预处理。
针对测风塔气象数据的预处理主要包括以下工作:
1)分析数据连续性,对缺测数据采用样条插值修正;2)数值小于0 的异常数据,采用样条插值修正;3)根据风机实际运行风速与功率的对应关系对风功率数据进行初步筛选和校验,对不满足对应关系的点采用样条插值修正。
这里用到风机的理论风速-功率曲线,如果在某一风速下,风机实际功率大于理论功率的150%,或者小于理论功率的50%,则认为这一点的风机实际功率为奇异点,需要对其进行修正。
5 总结
为了更好地研究弃风电量评估模型,本文研究了辽宁省朝阳市北票市北四家子风电场的风速与风功率的变化规律,主要表现为以下两种数据指标:(1)测风塔气象数据(十米处风速、风向、气压、温度、湿度,二十米处风速、风向,四十米处风速、风向,风机轮毂高度处风速、风向):每小时均值、每小时最大值、每小时最小值、日均值、日最大值、日最小值;(2)每台风机实际功率:每小时均值、每小时最大值、每小时最小值、日均值、日最大值、日最小值。
同时对以上数据做了数据处理,剔除病态数据,为“测风塔”法评估弃风电量模型、“测风塔神经网络”法评估弃风电量模型奠定了坚实的数据基础。
参考文献:
[1]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报,2005,25(11):1-5.
[2]张国强,张伯明.基于组合预测的风电场风速及风电机功率预测[J].电力系统自动化,2009,33(18):92-95.
[3]肖洋.风电场风速和发电功率预测研究[D].东北电力大学, 2005.
[4]洪翠,林维明,温步瀛.风电场风速及风电功率预测方法研究综述[J].电网与清洁能源,2011,27(01):60-66.
[5]徐蓓蓓.风电场风速和发电功率预测研究[D].长沙理工大学, 2012.
[6]毕宇飞.风电场风速和发电功率预测研究[J].中国电子商务, 2014(24):55-55.。