基于人工神经网络的风电场建模 | 您所在的位置:网站首页 › 动态神经网络与静态神经网络的区别 › 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: 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 |
CopyRight 2018-2019 实验室设备网 版权所有 |