基于人工神经网络的风电场建模

从而能很好地拟合建模对象的性能

。

用采集到的另一些数据进行验证

，

且与实际

结果进行比较

，

以验证智能建模方法的可行性和优越性

。

关键词

：

风电场

；

神经网络建模

；

误差方向传播网络

中图分类号

：

TP183

；

TM

614

文献标志码

：

A

文章编号

：

1004-9649

（

20

10

）

09

-00

79

-

04

收稿日期

：

20

10

-

02

-

20

；

修回日期

：

20

10

-

06

-

25

基金项目

：

国家自然科学基金资助项目

（

50877053

）；

天津市自然科学基金资助项目

（

09JCYBJC07100

）

作者简介

：

马幼捷

（

1964

—），

女

，

天津人

，

教授

，

从事电力系统的分析与控制及风力发电等领域的研究

。

E

-

mail:

[email protected]

0

引言

在风能发电领域

，

风电场模型是对系统进行性

能分析以及控制器设计的前提条件

。

风电系统的非

线性动态特征与常规电力系统相比更加明显

。

为研

究风力系统的特性

，

常用的建模方法是机理分析法

。

由于模型需要在相当多假设条件下才能得到系统复

杂的非线性模型

，

而且是对系统在各个工况点进行

线性化处理

，

简化所得的结论与实际系统不完全吻

合

，

建立的机理模型与实际有一定的偏差

。

同时

，

像

风力机这样受到较强随机扰动输入的系统

，

不仅难

以得到精确的机理模型

，

而且即使考虑风电场中每

台风电机组模型的详细模型

，

但是由于大型风电场

仿真规模很大

，

仿真时间过长

，

也难以满足精确仿真

的要求

［

1

］

。

因此一些研究中开始利用实验数据

，

通过

系统辨识的方法来得到风力机的模型

。

文献

［

2

］

应用

系统辨识理论

，

采用

ARMAX

的模型结构

，

利用预报

误差法

，

辨识出在某一工况点附近工作的柔性风力机

系统的功能模型

。

文献

［

3

］

将现场数据与神经网络的建

模方法相结合

，

建立了火电机组汽压动态模型

。

文献

［

4

］

在实验风力机的基础上

，

用神经网络模型对风力机

系统进行辨识

，

更好地反映了其非线性关系

。

本文依据风电场的静态特性曲线

，

对现场运行数

据进行分析

，

采用误差反向传播

（

BP

）

网络拟合风电场

的静态特性数学模型

；

在神经网络静态模型的基础上

，

进一步建立动态实时仿真模型

，

并通过数据样本进行

预处理

、

训练和测试

，

使得网络模型达到精度要求

。

1

风电场建模

风能是一种间歇性和随机性的能源

，

风电场的输

出功率随风速的变化而波动

。

由于实际风电场面积巨

大

，

风电机组处于风速

、

甚至风向不断变化的动态运行

条件

，

其运行状况也不断变化

。

若只采用理想环境下的

模型

，

会带来一定误差

。

影响模型建立的因素有许多

（

见图

1

），

其中风电系统的输入信号包括风速和浆距

角

，

输出信号有功率

、

风轮转速和风轮机扭矩

，

一般浆

距角是一个伪随机输入

，

本文设其平均值为

3.7

°

。

2

人工神经网络建模方法

2.1

BP

网络

［

5

］

神经网络对于辨识和逼近复杂的非线性系统有

优越的性能

，

已经在工程领域得到广泛而成功的应用

。

图

1

风电系统模型组成

Fig.1

Composition

of

a

wind

power

system

model

中

国

电

力

ELECTRIC

POWER

第

43

卷第

9

期

20

10

年

9

月

Vol

．

43

，

No．

9

Sep.

20

10

79