西安交通大学学报
西安交通大學學報
서안교통대학학보
JOURNAL OF XI'AN JIAOTONG UNIVERSITY
2013年
10期
68-74
,共7页
别朝红%安佳坤%陈筱中%贺旭伟
彆朝紅%安佳坤%陳篠中%賀旭偉
별조홍%안가곤%진소중%하욱위
子区域%基准风电场%神经网络%区域功率预测
子區域%基準風電場%神經網絡%區域功率預測
자구역%기준풍전장%신경망락%구역공솔예측
sub-region%reference wind farm%neural network%regional power prediction
为了有效解决风电场数据丢失时直接相加法无法进行区域风电功率预测的问题,提出了一种考虑时空分布特性的区域风电功率预测方法.为降低模型的复杂性,根据风电场及风能信息对子区域进行具体分析.在此基础上,利用相关系数法,选择风电场出力与子区域出力间相关系数绝对值大的风场为基准风电场.以所选基准风电场预测功率为输入,利用神经网络方法,直接预测各子区域功率,整个区域预测结果为各子区域预测值之和.算例结果表明:利用相关系数法选择基准风电场无需大量历史数据支撑,原理简单易于实现;模型与风电场所采用的预测系统无关,易于工程推广应用;模型无需考虑非基准风电场功率预测情况,成本更低、效益更高;采用该模型后子区域预测误差比直接相加的方法降低了5％,整个区域预测误差仅为20.8％.
為瞭有效解決風電場數據丟失時直接相加法無法進行區域風電功率預測的問題,提齣瞭一種攷慮時空分佈特性的區域風電功率預測方法.為降低模型的複雜性,根據風電場及風能信息對子區域進行具體分析.在此基礎上,利用相關繫數法,選擇風電場齣力與子區域齣力間相關繫數絕對值大的風場為基準風電場.以所選基準風電場預測功率為輸入,利用神經網絡方法,直接預測各子區域功率,整箇區域預測結果為各子區域預測值之和.算例結果錶明:利用相關繫數法選擇基準風電場無需大量歷史數據支撐,原理簡單易于實現;模型與風電場所採用的預測繫統無關,易于工程推廣應用;模型無需攷慮非基準風電場功率預測情況,成本更低、效益更高;採用該模型後子區域預測誤差比直接相加的方法降低瞭5％,整箇區域預測誤差僅為20.8％.
위료유효해결풍전장수거주실시직접상가법무법진행구역풍전공솔예측적문제,제출료일충고필시공분포특성적구역풍전공솔예측방법.위강저모형적복잡성,근거풍전장급풍능신식대자구역진행구체분석.재차기출상,이용상관계수법,선택풍전장출력여자구역출력간상관계수절대치대적풍장위기준풍전장.이소선기준풍전장예측공솔위수입,이용신경망락방법,직접예측각자구역공솔,정개구역예측결과위각자구역예측치지화.산례결과표명:이용상관계수법선택기준풍전장무수대량역사수거지탱,원리간단역우실현;모형여풍전장소채용적예측계통무관,역우공정추엄응용;모형무수고필비기준풍전장공솔예측정황,성본경저、효익경고;채용해모형후자구역예측오차비직접상가적방법강저료5％,정개구역예측오차부위20.8％.
