为了提高风电功率的预测精度， 研究了一种基于粒子滤波（ Ｐ Ｆ） 与径向基函数（ ＲＢＦ） 神经网络相结合的风电功率预测方法。使用 Ｐ Ｆ算法对历史风速数据进行滤波处理， 将处理后的风 速数据结合风向、 温度的历史数据， 归一化后构成风电功率预测模型的新的输入数据； 利用处理后 的新的输入数据和输出数据， 建立 Ｐ Ｆ－ＲＢＦ神经网络预测模型， 预测风电场的输出功率。仿真结果 表明， 使用该预测模型进行风电功率预测， 预测精度有一定的提高， 连续１ ２０ｈ功率预测的平均绝对 百分误差达到８．０

风资源具有很强的随机性和间歇性,随着大量的风电功率并网,势必会应影响电力系统的安全、稳定运行,降低电能质量。首先用BP神经网络预测出测风塔处的风速,再进一步考虑地形因素的影响,用CFD软件对风电场风流进行数值模拟,计算出各风机轮毂高度处的风加速因数和水平偏差等数据,然后用MATLAB软件编程求出各风机轮毂高度处的风速,再根据风力发电机的功率曲线算出预测功率。提出了考虑地形影响的短期风电功率预测方法,预测效果较为理想,适合实际工程应用。

提高短期风电功率预测精度是风电大规模发展的迫切要求,同时也是保障风电并网运行的关键。笔者在不增加模型复杂度的前提下,提出了聚类建模方法。该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据进行大量仿真,并将预测结果与单一模型结果对比,结果表明,该方法可以减少大的预测误差点数,有效提高风电功率预测精度。

详细介绍了风电功率预测现状，并详尽介绍了风电功率预测的方法，及其原理和建模方法，推荐！