文摘
改善风电场的输出功率的估计使这种类型的大集成电子系统的能量来源。准确的发展模型代表一个风电场的实际操作是实现这一目标的一种方式。风电场功率曲线模型,提出了开发利用人工神经网络,并进行研究时影响模型的性能参数等气象条件(风的速度和方向)的领域之外的其他风电场位置添加作为神经网络的输入层的信号。使用此类信息可能会感兴趣的,要么研究可能的改进,可以在获得原始模型的性能,使用专门的气象条件区域风电场所在地,或者只是因为没有可靠的气象数据的区域风电场是可用的。研究开发的推导,结合气象数据的额外气象站除了风电场的网站可以提高17.6%的性能原始模型。
1。介绍
风力发电机的功率曲线(WT)是一个模型,该模型与生成的电力WT风速。这个特征WT基本重要的输出功率估计过程。WT的功率曲线的精确知识优化这些过程的效率是至关重要的,是必不可少的大规模风力发电集成电子系统(1- - - - - -6]。
但是制造商提供认证的功率曲线模型基于IEC 61400-12-1标准(7]。获得这个认证的全部工作范围WT在可接受的时间内,这些曲线通常使用风力模拟系统认证,而不是直接在网站WT将明确定位。WT的功率曲线,因此用这种方法获得的是静态的。也就是说,它独立于实际的气象条件的地点是哪里,周围的地形条件(粗糙度)和可能发生的变化随着时间的推移或更改的操作WT由于系统的老化。
其他程序在文献中提出了建立WT的功率曲线模型。其中包括,例如,多项式和指数型参数模型。这些定义的操作曲线包括WT根据各种设计值,在别人,转子直径,叶片设计,启动速度、额定转速等。8- - - - - -13]。Carrillo et al。12和丽迪雅等。9)回顾了不同类型的参数模型中定义的文献,比较他们根据符合制造商的功率曲线定义按照IEC 61400-12-1。Carrillo et al。12)在他们的研究指出,这种类型的泛型的主要缺点之一,功率曲线模型是很难确认这些模型的精确表示每个不同的WT技术。
非参数模型也被开发来定义单个WT使用人工智能方法的功率曲线(14,15]。
地形粗糙度的因素之一,大多数能量估计过程的不确定性影响的WT (16,17]。地形粗糙度另外需要考虑根据风的方向是来自18]。在这方面,在功率曲线模型开发过程和更好的估计的电力WT,它也被认为是重要的考虑风向和风速。
目前,风力发电的一体化市场和电力系统是通过风力发电场的安装(WF)组成的团体出世的19- - - - - -21]。在这些情况下,估计的不确定性的电力WT,从个人获得功率曲线模型,增加额外的后效应的结果产生不同的出世之间WF [17,18,22- - - - - -24]。这种影响取决于每个WT的相对位置对他人,在主导风向和出世之间的距离(18]。
这些额外的不确定性结果的集成WT WF可以纠正通过全球WF功率曲线模型的发展。
Mingdi你等。25)开发了一种线性功率曲线的WT作为WF不可或缺的组成部分。对于个性化的发展模型,考虑到风速和风向。对风向,是可能的方向谱划分为一个特定数量的范围,发展不同的WT功率曲线。最多16个部门,相当于发展中相同的模型数据对应22.5°的方向。来估计模型的不同的参数,这些作者信息使用邻近的出世。出于这个原因,研究者称,这个模型仅限于其使用的可靠性与大量的WFs WTs(数十或数百个)。
所有的参数模型发表在《文学专门基于识别个别出世的功率曲线。
Marvuglia和Messineo26]相比三WF功率曲线模型的基础上开发的人工智能技术。所有这些模型的使用历史风速和全球力量真正的WF的输出数据。他们不考虑风向的信号输入层。
估计的一个特定站点的气象条件,研究已经发表在《文学从不同区域气象数据被用来优化评估过程(27,28]。特定情况下的功率曲线的生成模型WTs或WFs,没有在文献中发现的模型考虑气象条件(风速和风向)以外地区的风电场。使用此类信息可能会感兴趣的,要么研究可能的改进,可以在获得原始模型的性能,使用专门的气象条件区域风电场所在地,或者只是因为没有可靠的气象数据对风电场的面积是可用的。
的研究工作开展本研究旨在涵盖这种差距在知识的身体。为了这个目的,一种自适应风电场功率曲线模型(ADWFPC)使用回归技术提出了基于人工神经网络(ann)。最初的研究已经进行了如下:(我)效率的研究改进模型中对应气象站气象数据时除了参考气象站风电场是另外注册的神经网络的输入层。(2)利用专门的可能性的研究除了参考站的一个气象站的信息来生成自适应风电场功率曲线模型。这个案例研究的选择基于真实数据生成功率曲线模型与其他气象站的气象数据估计风电场坐落的地方。使用估计气象数据估计过程中引入了额外的不确定性的风电场输出功率,即相关的不确定性的模型用于评估气象数据。
该模型应用于两个真正的WFs位于加那利群岛(西班牙)的两个岛屿。
2。材料
生成的模型使用的电力生产数据两个WFs在加那利群岛(西班牙)的两个岛屿。电力生产数据与时间瞬间当所有的出世在相应的WF可供操作。
风力发电厂1 (WF-1)(图1)位于东海岸大加那利岛的岛,非常接近大海,在平坦区域用很少的自然障碍附近。WF-1有4个盖姆g47 - 660千瓦风力涡轮机。这些都是分布在两条线几乎垂直于该地区的主导风向:线连接WT1与WT2和线连接WT3 WT4。出世之间的距离在同一条直线和线之间的转子直径的1.6和5.5倍,分别。
风电场2 (WF-2)(图2兰萨罗特岛)位于内陆岛面积变量影响。它有9盖姆g52 - 850千瓦风力涡轮机。与WF-1 WF-2几乎分布在所有的出世一行(行连接WT1 WT9)垂直于主导风向。之间的距离不同的出世,沿着这条线,测量变量,转子直径介于2和3倍。
是显而易见的从上面的描述,我们可以看到数据1和2,在这项研究中使用的两种WFs不同的分布模式各自的出世。
表所示1地理坐标的两个WFs的出世。
气象数据(风速和方向)记录在9个气象站(WS)安装在四个主要岛屿组成加纳利群岛(图3)。这些从WS-1 WS-9编号。参考站分别WS-1和WS-9, WF-1 WF-2。
使用的数据来自2008年,平均每小时的频率。
技术学院提供的气象数据系列的加那利群岛(ITC,西班牙著名德加)(30.),西班牙国家气象局(AEMET诺拉德Meteorologia通讯社的记者)31日),WFs的所有者。美国国际贸易委员会是一个公共研究和开发公司属于政府金丝雀。在许多行研究分析等可再生资源和项目的事业风地图的加那利群岛32,33]。
表2显示每个WSs的通用数据:代码分配给每个人,高度高出地面,地理坐标,年平均风速为2008。
图4显示了引用实际风方向的分布WSs WFs的(WS-1和WS-9)。
表3显示了线性相关系数(CC) (1)之间的平均每小时风速不同WSs。获得CCs的范围在0.10和0.87之间。价值最低的是获得WS-3和WS-9之间。最高的CCs观察WS-1和WS-2之间WS-2和WS-7之间。 在哪里
CC是皮尔森相关系数之间的两个气象站的风速。
和是两个气象站的风速数据时“我”。
m是可用的数据的数量。
和平均风速值可用两个气象站的数据系列。
3所示。方法
3.1。体系结构用于神经网络
使用的架构与前馈人工神经网络是由三层连接。更具体地说,使用多层感知器(mlp)拓扑(34,35]。这种架构显示能力令人满意地逼近任何连续变换(34,35和作者已提出的各种36,37]。总共有20个神经元用于隐藏层。是验证模型效率没有提高更多的神经元在这一层。输入层的神经元数量变化取决于正在研究。在所有情况下,组成一个输出层神经元。
设计架构被训练使用反向传播算法和反曲的激活函数(34,35)和Levemberg-Marquard方法(34,38)的均方误差最小化。
不同的测试方法,使用Matlab软件工具进行神经网络(执照被集团收购可再生能源系统研究大学的拉斯帕尔马斯)。
3.2。描述研究的情况
图5是一个示意图描述代ADWFPCs使用ann的通用方法。输入层神经元对应的气象信息(风速和/或方向)的一个或各种WSs。输出层神经元有一个对应于WF功率输出。
所有可用的数据随机分成三个部分用于培训、验证和测试阶段(图5)。用于培训的比例数据,验证和测试阶段为70%,15%,和15%,分别。
训练数据子集被用来估计权重的安。验证数据子集用于人工神经系统检查的培训的进度,优化其参数。在此基础上,并使用数据用于测试阶段,估计每小时WF功率输出。评估模型精度,比较数据的估计与观测数据在测试阶段。也就是说,它是一个独立的测量功能的后安训练。
在本文获得的结果分析了下列情形。
案例1。这种情况下考虑原始模型,使用专门的信号的输入层安,气象数据的参考站风力农场。获得的结果在这种情况下被分化根据是否只有风速数据是如何使用的,或两者同时使用的风速和风向数据(图6(一)与图6 (b))。
(一)
(b)
例2。分析精度的改进的自适应模型,当数据从一个WS除了WF是另外的参考站纳入安输入层。
图7安的显示了一个示意图表示对于这种情况。不同情况下的自适应模型1安,这将有一个输入层的神经元。
总共9 WSs被用于这项研究(包括每个引用WS两WFs)。每个WF参考站结合七WSs两WFs都没有连接。这意味着代每两个WFs的7个不同的模型。
例3。自适应的性能分析模型,只有数据从一个WS除了WF的参考站用于输入层。
这种情况被认为是,因为它是可能的,可能没有可靠参考站气象数据(39]。有鉴于此,自适应模型使用从WSs气象数据生成参考站。这些模型的精度比自适应模型获得以下选项(b)的情况1(图6 (b))。
图8显示了一个示意图表示的ANN模型。不同层神经元的数量是一样的1选项(b)。
3.3。指标用于比较不同模型
中定义的指标(2),(3)和(4)被用来比较不同模型的精度是生成的。这些指标通常用于分析模型效率(40- - - - - -42]。 在哪里
母马是平均绝对相对误差。
的观测值是风电场输出功率的瞬间。
是风电场输出功率的估计价值的即时我。
n是测试阶段中使用的数据的数量。 在哪里
R之间的皮尔逊相关系数估计和风电场功率输出的观察值。
是观测值的均值功率输出的数据系列的测试阶段(图5)。
的均值估计的功率输出值的数据系列测试阶段(图5)。 在哪里
(协议)指数评估指数之间的协议值估计模型和观测值的风电场输出功率(40]。
4所示。结果与讨论
4.1。讨论的结果情况1(C1)
表4显示了不同指标的结果。
在模型的模拟生成的两个WFs,可以看出,模型的可靠性获得WF-2 WF-1高于。这种差异模型的性能是由于大的困难在学习阶段的WF-1出世在地上的更复杂的分布:有各种各样的出世,距离相对较小,同时WTs在同一行与行之间。
另一个结论,可以从数据表中所示4是,当把风向在安的输入层,为WFs执行生成的新模型比原模型。它也可以看到改善的程度取决于新模型应用于不同WF-1或WF-2。WF-1,与母马度规,找到提高2.2%和WF-2改进是4.3倍(9.4%)。
4.2。讨论结果的情况2(C2)
不同的模拟分析2编码如表所示吗5。模拟编码为“C2-WF1 S0”和“C2-WF2 S0”对应于自适应模型获得的根据1(图6 (b))。这些都是与其余模拟相比,风电场功率曲线模型是根据情况下获得的2(图7)。
数据9和10分别显示“母马”时,相关系数R结果应用不同的模型。WF-1,它的结果可以看出,模型模拟的情况下发展2比那些获得根据情况吗1选项(b)(表4)。改善的程度是独立于相关系数(表3)之间存在的参考WS WF和额外的WS。为相关系数,一个更好的价值并不直接意味着更好的改善程度。一个例子可以看到通过比较模拟结果C2-WF1 S3和C2-WF1 S6。
WF-2,最初获得的结果模拟0已经不错,与“母马”低于0.1和0.99的IoA。即便如此,根据案例的一些模型2改进了初始的结果。更具体地说,“马”和“R”的结果2模型C2-WF2 S4和C2-WF2 S6优于同如此1模型,选择(b)。与WF-1,得出提高模型效率的程度之间存在独立的CC参考WS WF和额外的WS。
图11显示了“IoA”(获得的结果4)。结果遵循相同的一般模式为“母马”和“R。”也就是说,WF-1的情况下,获得的结果与所有情况下的模型2比最初的结果有一个站(C2-WF1 S0)。同样,它可以看到WF-2 C2-WF2 S4的结果和C2-WF2 S6比最初的结果好。
4.3。讨论结果的情况3
为例3和每个WFs的自适应模型使用的气象数据生成WS除了参考站。总共7模型为每个WF因此获得。根据情况下模型的性能3当时与自适应模型获得的根据情况1选项(b)(图6 (b))。为此,IoA之间的比率计算为每个模型的情况下获得的3(C3-IoA),每个模型的情况下获得的1(C1-IoA)。结果如图所示12。代表之间的轴是CC WS用于生成模型除了参考WS的WF WSs和实际参考。
可以看出CC越大越高ADWFPC模型之间的相似程度,根据情况下获得的1和3。CC值高于0.7,相似的程度,表示为IoAs之间的比例,是0.9以上。
5。结论
从本文的研究开展可以推导出,当另外一个气象站的气象资料除了风电场的参考站(案例2本研究)合并神经网络的输入层,模型的性能可以提高原始模型获得的结果(案例1)。WF-1,模型在100%的情况下性能增加。也观察到的改善程度之间的相关系数(CC)是独立的相应参考气象站风力农场和额外的气象站。
结论获得根据用例模型的比较发达1和2可以作为参考已开发的性能的优化功率曲线模型中只有数据参考气象站的风电场。
当一个气象站的气象数据以外的参考站的数据被用来代替实际风电场的参考站的输入层安(Case3)之间的相似程度,以这种方式自适应模型获得的结果和结果与自适应模型根据情况1选项(b)(图6 (b)),增加与风速之间的CC参考站和nonreference站。CC超过0.7,自适应模型之间的相似程度,根据情况下获得的1和3高于0.9(图12)。在这方面,可以知道额外的不确定性时,功率曲线模型生成的数据以外的数据参考风电场的气象站。
命名法
| 安: | 人工神经网络 |
| 答: | 皮尔逊相关系数的气象站风速之间的不同 |
| IoA: | 指数的协议 |
| 母马: | 平均绝对相对误差 |
| ADWFPC: | 自适应风电场功率曲线 |
| 接待员: | 皮尔逊相关系数的估计与观测值之间的电力的风力农场 |
| WF-1: | 风力发电厂1 |
| WF-2: | 风电场2 |
| WS: | 气象站 |
| WT: | 风力涡轮机。 |
数据可用性
风电场数据用于支持本研究的发现是由业主提供保密的条款和条件,所以不能免费提供。请求访问这些数据应该如下:风电场1:老板:Soslaires加,(https://empresite.eleconomista.es / SOSLAIRES-CANARIAS.html)风电场2:老板:Eolicas德兰萨罗特岛(https://empresite.eleconomista.es / EOLICAS-LANZAROTE.html)。气象数据用于支持本研究的发现可以从相应的作者。
信息披露
没有资金来源的影响研究设计、收集、分析和解释数据,手稿准备,或决定提交出版。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究已经得到ERDF基金,在ENERMAC INTERREG MAC 2014 - 2020项目,项目(MAC / 1.1 / 117)。