智能算法的風電場風速－功率特性建模

2017-10-04 14:37:11 賢集網　點擊量：評論 (0)

基于統計方法的風電場風速－功率特性建模，并沒有將風電場完全看為黑箱，對風電機組本身的風速－功率特性依然有較大依賴。基于智能算法的風電場風速－功率特性建模則完全將風電場視為黑箱，以風電場實測數

基于統計方法的風電場風速－功率特性建模，并沒有將風電場完全看為黑箱，對風電機組本身的風速－功率特性依然有較大依賴。基于智能算法的風電場風速－功率特性建模則完全將風電場視為“黑箱”，以風電場實測數據為基礎，通過大量的樣本訓練或多次的迭代修正來獲取風電場風速－功率特性。

　　風電場風速－功率特性本質上是非線性輸入與非線性輸出之間的關系。據此，很多學者提出了利用BP神經網絡、Elman神經網絡等智能算法并根據風電場實測數據進行辨識，進而獲取風電場風速－功率特性的思路。

　　以風速和風向作為神經網絡的輸入量，經過實測數據的樣本訓練，建立風電場風速－功率模型。風機捕獲功率的大小既與風速有關，又與槳矩角有關，因此文中選取實測風速和槳矩角作為BP神經網絡的輸入量，以風電場輸出功率為輸出量進行樣本訓練，最終得到風電場風速－功率模型。

　　BP網絡建立的模型由輸入輸出歷史數據作為神經網絡的訓練樣本，具有局限性，所建立模型只能作為靜態模型使用，而風電場具有動態變化的特點，為此提出了能夠適應時變特性的Elman神經網絡來構建風電場的風速－功率模型。

　　風電場輸出功率受眾多因素影響，雖然計及機組工況的風電場風速－功率建模能較好地考慮到場內各機組工況的差異性，但場內機組數量大，完全計及所有機組工況并不現實，也不具有操作性；另外尾流效應和時滯效應受氣溫、風向等因素影響，建模困難、量化計算難度大。

　　采用統計方法和智能方法的風電場風速－功率建模是以實測數據分析為基礎的，兩者有效地規避了上述問題，但實測數據只能表征風電場在某一時間區間、某一運行方式下的特性，盡管可通過大量的數據分析消除時間因素對所構建模型的影響，但得到的模型不能囊括風電場的所有運行方式；而且風電場輸出功率不僅與當前風速有關，還與風速過程有關，因此進一步研究還需深入展開。