评论在风力发电机功率曲线造型技术和他们的应用程序在风力能源系统

文摘

风力发电机的功率曲线描述了输出功率和中心风速和高度之间的关系是一个重要的特征的涡轮机。功率曲线艾滋病在能源评估,保证配方,性能监控的涡轮机。与风能行业的增长,涡轮机被安装在不同的气候条件,在岸和离岸和在复杂地形造成了重大离开这些曲线的保证值。精确模型的曲线可以发挥重要的作用在提高基于风能的系统的性能。提出了一个详细的审查不同的风力发电机功率曲线的造型方法。造型的方法取决于造型的目的,可用性的数据和所需的精度。的目标造型,各种问题在其中,动力性能度量的标准过程有其局限性因此这里讨论。这里描述建模方法使用数据从制造商的规格和实际风电场的数据。造型的分类方法,文献中出现的各种造型技术,模型评估标准,应用软计算方法建模然后详细审查。现有方法的缺点和未来研究的范围也确定了。

1。介绍

风能已经成为一个有前途的替代来源世界上克服能源危机。基于风力发电的能源是发展最迅速的地区之一的可再生能源,并将继续这样做,因为日益担忧的可持续性和减排的要求。风的不确定特性和高渗透的风能电力系统是一个巨大的挑战,这些系统的可靠性和稳定性。使风能来源可靠、准确模型预测风力发电机的输出功率和性能监控是必要的。捕获的理论功率(由风力涡轮机是由()1]

风力发电机的电力生产(WT)因此取决于许多参数,如风速、风向、空气密度(温度、压强的函数和湿度)和涡轮参数(2]。复杂性是参与正确地考虑所有影响参数的影响。因此很难评估输出功率使用上面给出的理论公式。风力发电机功率曲线,使发电机的输出功率在一个特定风速、提供了一个方便的方式模型风力发电机的性能。一个典型的功率曲线的音量调节风力涡轮机如图1。在第一个区域,当风速小于一个阈值最低,被称为插入的速度,输出功率为零。在第二个切入和额定转速之间的地区,有一个快速增长的力量。在第三区域,一个恒定的输出(额定)生产直到截止速度达到。超越这个速度(地区4)涡轮取出的操作来保护其组件从大风;因此它产生零功率在这个地区。

WT的功率曲线表明其性能。精确模型的曲线是权力的重要工具,用于预测和在线监测的涡轮机。许多方法已经提出了各种工作模式的风力发电机功率曲线。这些方法使用数据从制造商的规格和实际数据从风力农场已经被许多研究者利用各种风力发电应用程序(3,4]。文献综述表明,选择合适的功率曲线模型可以帮助改进基于风能的系统的性能。本文的研究现状和未来的发展方向不同的风力发电机功率曲线建模方法。造型的需要,造型方法,分类模型,讨论了评价方法。各种参数对这些曲线的影响,风力发电机的电力性能度量标准程序,和需要开发站点特定的曲线也进行了讨论。各种模型提出,用于各种研究已经比较严重,最后得出推论。

2。功率曲线造型的需要

功率曲线反映了WT各种风速功率响应。曲线的精确模型是有用的在一些风力发电的应用。的目标模型讨论了风力发电机功率曲线。

2.1。风能评估和预测

WT功率曲线可用于风力发电的评估。风资源评估一个地区的风速、风功率密度,和风能潜力完成识别领域适合风力发电发展(3]。在这个过程中,估计的能量是通过使用可用的风力数据和风力发电机功率曲线。预测涡轮的输出功率在一个候选人的网站也需要在规模和成本优化的研究基于风能系统的设计阶段。功率预测的精度是重要估计过高会导致贫穷的可靠性和低估会导致扩界风能转换系统。风力涡轮机运营商直接贸易能源电力市场还需要发电机的输出功率精确预测,以便他们能够提供交易数量的电力(2]。

功率曲线是由制造商提供的表格或图形的形式。然而,通用方程曲线代表需要准确的风力发电系统的各种问题。推导一个合适的函数来描述曲线的实际形状是一个非常重要的任务。然而,在标准条件下制造商的曲线创建因此他们可能不代表网站的现实条件下考虑。风力发电场的涡轮性能也不理想,由于磨损和老化的涡轮机。功率曲线模型的另一种方法是使用实际数据获得它们的风速和功率测量涡轮机(4]。风力涡轮机的数据收集的SCADA(监控和数据采集)系统可以用于这一目的。这种方法可以将风电场的实际情况,从而提供更好的功率预测的精度。

2.2。能力因素估计

WT的能力系数被定义为平均输出功率的比值发电机的额定输出功率和效率的指标5]。它是用来估计的平均能源生产WT所需的大小和成本优化的研究,最佳turbine-site匹配,和潜在的网站的排名5,6]。风力发电机功率曲线模型被用来估计的能力因素WT。比较分析四个功率曲线的建模方法在风力涡轮发电机的容量因子的估计提出了(7]。

2.3。选择的涡轮机

功率曲线可以用来制造通用模型之间的比较,可以帮助涡轮从可用选项的选择。涡轮特性的选择与网站的风况有助于优化风力发电系统的效率(8]。

2.4。在线监测的功率曲线

功率曲线可用于监测风力发电机的性能。为此,基准曲线代表正常操作涡轮的性能是必需的。从模型中提取参考曲线测量风力发电机的输出功率和风速数据。要监视的涡轮的实际曲线可以与基准曲线。实际值的偏差从预期的输出可以表示表现不佳或故障(1]。风力涡轮机的输出可以影响表现不佳或各种错误/异常的涡轮叶片故障和偏航和俯仰系统故障等(4,9]。不同类型的故障影响涡轮系统不同,将导致功率曲线偏离期望值方式不同。工具可以描述和量化这些离职有助于早期故障的识别。异常数据的统计分析可以给指标异常的具体原因。风力发电机状态监测的使用功率曲线接合部造型建议(10,11),是进一步研究的主题。新兴的早期识别断层和及时的维修和保养的设备可以帮助改善风力发电机的性能。

3所示。建模问题

许多方面需要考虑,而造型风力发电机的功率曲线。模型和方法的选择取决于造型的目的,采用可用数据,各种参数对这些曲线的影响,以及其他相关问题。

以下重要问题时应该考虑功率曲线的造型。

3.1。不同的模型

功率曲线随不同的制造商和模型。因此该模型用于描述他们也应该不同12]。同时,有音高监管和失速调节涡轮机之间的区别。音调调节发电机保持恒定额定的输出切断速度,而失速调节发电机的输出功率下降高于额定风速(失速区)。

3.2。切入和截止的行为

涡轮行为切入和截止附近风速很难模型(8]。这些限制是不同的对于不同涡轮模型。当功率曲线推导出使用测量数据,一些非零和负的功率输出低于切入速度可以获得。期间发生的截止滞后关闭并重新启动涡轮机之间的影响涡轮的效率(13]。磁滞效应可以与特定的风和更重要的地形,如不稳定和阵风要求频繁的启动和关闭,导致能源生产的巨大损失。功率曲线校正考虑这种行为的涡轮在截止可以减少功率预测错误。

3.3。单和涡轮机

制造商的曲线适用于预测的功率输出一个特定类型的涡轮机。在一个大型风电场风机分布在一个广阔的区域内。风能生产涉及的不确定性由于风能的随机性特征和变化的功率曲线14]。的速度和方向的风力涡轮机遇到的可能不是由于风的变化是相同的。因此,风力发电厂,电力生产的涡轮机和相同的规格也不同,即使风速是相同的。涡轮机的阴影效应引起这种差异的涡轮机操作后,其他发电机可能会降低风速(15]。这种差异也可以发生由于磨损等因素,老化,叶片上的污垢或冰沉积。随着风能项目的发展它已经成为必不可少的开发方法来监控的性能不仅一个涡轮,而且整个风电场。因此建立适当的模型来获得风速与输出功率之间的关系当一群涡轮机是部署在风电场是必需的。

3.4。影响因素

许多因素可以导致功率曲线偏离理论值(1,2]。这里给出的重要影响因素,需要在造型的重视。

(我)现场风力条件。风在本质上是高度随机的。风的速度和方向不断变化。风在一个特定的网站是受天气现象和网站的拓扑结构。在给定位置的湍流风影响电力生产(16]。障碍如树木、建筑物、风和其他高结构的影响。

(2)空气密度网站。压力,温度和湿度的影响空气密度(17),因此影响产生的力量。不同空气密度的影响被认为是开发网站特定的曲线(18]。(所示2)温度影响空气密度最高,考虑其效果随着风向导致改进模型的性能。

(3)外推的风速风速随高度变化。这风切变效应是受到地形粗糙度的影响。功率曲线使用中心高度的风速测量涡轮机,但这个高度随不同的模型和制造商,这并不总是可能的,在这个高度测量风速。许多方法已经被用在文学表达风速随高度的变化(12]。还在桅杆的风速测量不同于涡轮位置和速度有时当风速值在特定网站不可用风速测量从附近的位置是用来确定这个网站的风速剖面。转换的精度测量风速的风速在涡轮中心高度和位置取决于因素,如垂直风速剖面,桅杆的位置相对于涡轮,和外推的方法。

(iv)涡轮状态。汽轮机的功率曲线是受条件和相关设备。老化和磨损的涡轮机,异常和错误,叶片条件、偏航和俯仰失调,控制器设置等等导致功率曲线偏离实际值(1,11]。

3.5。IEC 61400-12-1标准(19]

IEC 61400-12-1,通常采用国际标准的性能度量,发现是相关的。的过程测量单个风力涡轮机的功率性能特征在本标准中指定。最接受的标准功率曲线测量单个风力涡轮机。标准描述了测量方法的测量功率曲线是由同步测量风速和功率输出的测试网站。前一个站点特定地形条件需要校准。年度能源生产应用实测功率曲线计算参考风速频率分布加上不确定性的来源及其影响。功率曲线的标准规定推导用中心高度风速测量杯风速计在合适的测量领域,但是,如果风速有很大变化在转子扫掠面积然后可以有一个显著区别中心高度风速和平均风速在整个转子扫掠面积。测量方法和测量仪器精度可能导致测量方差和可能导致大型预测错误。等测量选项的影响考虑转子等效风速的速度测量在高度完整的转子平面使用遥感技术(激光雷达和声纳)和基于发动机舱的风速测定是进一步研究的主题20.]。

IEC标准使用十分钟平均数据分组到风速0.5米/秒的时间间隔(箱)的方法。这10分钟平均数据介绍了系统平均错误和短期风能波动了。风在特定网站会受到很多因素的影响,如网站的拓扑结构和障碍和天气现象。虽然IEC功率曲线认为当前网站的风力条件并不总是适合适用于其他网站的风力条件。因此研究成果开发网站所需特定功率曲线。这些曲线可以结合特定网站的风力条件,从而使更好的结果(18,19]。

适当的建模方法的选择是一个重要的要求,基于风系统的规划和运营阶段,有助于提高系统的性能。只考虑风速作为输入的方法可能不考虑各种影响参数造成的方差。方法考虑这些参数对功率曲线的影响会导致更精确的模型。风在特定网站会受到多种因素的影响如网站的拓扑结构和障碍和天气现象。(所示18),开发网站的使用功率曲线,这网站的知识和涡轮参数用于造型,导致更精确的能量比涡轮功率曲线评估。上面讨论的问题如果处理得当会导致功率曲线的有效模型。

4所示。风速模型

风力发电与风速分布高度相关的整个地区的风力发电厂坐落的地方,取决于WT部署在风电场的类型。预测的准确性风能可以通过造型同时风速和功率。网站的风速随机变化及其变化在某一地区在一段时间内可以用不同的概率分布函数(PDF)。选择适当的PDF描述网站的实际风速分布对功率预测的准确性是至关重要的。

最常用的威布尔分布和接受分布(5,21]。多才多艺的PDF,使用简单,是准确的发现对大多数中遇到风的政权性质。然而,威布尔分布是不适合某些风政权,例如,那些有高频率的零风,短时间范围(1,22]。给出威布尔PDF

另一个广泛使用的分布是瑞利PDF (18]的形状参数(2)被认为是。这是一个简单的PDF和可以描述风政权具有足够精度当小细节可用风一个网站的特点。风速分布也被描述在文献中使用其他pdf文档包括对数正态、β和γ分布(23]。不同的pdf文档的详细审查风速模型和技术给出了它们的参数估计(22]。应选择适当的PDF和参数估计技术模拟风速为特定网站。

5。功率曲线模型分类

可分为功率曲线造型方法离散,确定性和概率,参数和非参数,随机方法也可以被分类数据用于模型的基础上。

5.1。离散模型

在这个方法中描述的IEC 61400 - 12的风速离散成0.5 m / s垃圾箱(19]。输出功率为每本然后模仿。这是一个简单的方法,因为它不需要数学函数来描述曲线。也考虑了非线性风speed-power输出关系。然而这种方法需要大量的数据来开发一个可靠的模型。

5.2。确定性和概率模型

确定的功率曲线模型假设一个固定的输出功率与风速的关系。但是当一个风力涡轮机的舰队部署在一个风电场,相同类型的涡轮机可能产生不同数量的力量即使风速(图是一样的2)。概率功率曲线模型包含了这些力量变化描述风速和实际产出之间的关系。的大部分型号在文献中是确定的性质和构造使用制造商的功率曲线数据。提出了概率模型(14)特征的动态输出功率通过与不同的正态分布均值和标准差。本文给出的方法提供输出功率的不确定性。风力发电输出的概率自然也可以模仿通过推导曲线使用实际数据的输出功率和风速的涡轮机部署在一个风电场。这种方法需要大量的历史数据,但结果精确模型(4,24]。

5.3。参数和非参数模型

参数模型定义输入和输出之间的关系由一组数学方程的有限数量的参数。在非参数模型中,并没有假设函数形式的现象的观察。WT功率曲线的参数化模型可以利用一组数学表达式有一个固定数量的参数,通常收集在一起形成一个单一参数向量。非参数模型是很难定义时使用的基本理论可以构造参数模型(24]。

5.4。模型基于假定形状、曲线拟合和实际数据

功率曲线的模型可分为根据数据被用于建模。模型基于假定的功率曲线的形状曲线利用只有一份,截止,选定的额定功率和额定速度和涡轮计算表达式中使用模型的参数(12,25,26]。这些评级可从规范的涡轮机。制造商的功率曲线数据可用时,模型可以由安装一个或多个适当的表达实际的曲线。表达式的参数被安装到实际曲线通常用最小二乘法计算(4]。风电场的模型来自实际数据需要实际风速和功率输出的数据从一个运营风电场。如果影响参数的影响也包括在模型中,那么数据包括参数也是必需的。这些数据可以得到风电场的SCADA系统。

5.5。随机模型

随机方法包括描述风力涡轮机的功率性能评估动态响应对脉动风速的输入(27,28]。动态功率输出是在这个模型分为确定性随机部分。在[29日]马尔可夫链理论用于描述WT的输出功率。由此产生的模型独立于湍流强度;然而,其他影响参数的影响没有考虑这种方法。

6。功率曲线建模方法

在文献中已有多种方法被用于WT功率曲线的造型。这些方法,他们的优点、局限性和应用领域进行了讨论。

6.1。参数的模型

电源由WT可以表示为

的输出功率与风速之间的关系WT切入和额定转速之间的非线性(区域2的图1)。的关系可以用各种功能使用多项式近似和其他比多项式表达式。音调调节涡轮机保持恒功率输出区域3的图1,而失速调节发电机输出功率下降在这一地区;因此失速调节涡轮机的权力在这个地区不应被建模为一个常数。不同的功率曲线近似的控制方程给出了表1。

但是。多项式函数逼近

非线性风speed-power关系,,可以用各种多项式近似表达式。不同的模型使用线性,二次、三次和更高权力的速度或它们的组合用于文学。(我)最简化模型基于线性曲线,描述了地区2功率曲线的直线,被用在许多应用程序(12,39- - - - - -42]。(2)二次模型表示曲线的方程的非线性部分学位2。已经被一个二次方程近似(25)描述的输出功率与风速关系WT。二项式表达式讨论了(30.)已被许多研究人员采用(43,44)确定风力发电机的输出功率。区域的图2和图31为失速调节WT可被使用两个不同的二项式表达式称为(45]。(3)模型基于立方定律接近地区2立方定律的功率曲线。模型描述的非线性的优点速度关系的立方定律讨论了(46]。该模型用于输出功率计算(26,31日,47]。一立方表达区域2和一个线性表达区域3选择描述的功率曲线48]。

上面给出的模型使用的WT规格额定功率和切入,截止,额定风速确定功率曲线的方程。(我)方法基于威布尔参数提出了(6]。该模型基于威布尔形状参数被许多研究人员(49,50)计算WT的功率输出。(2)讨论了分段线性化模型(24,51)进行分段线性近似的曲线用一条直线的方程。由此产生的曲线是实际的曲线更准确。(3)风力发电机的功率曲线也在模仿其他比多项式函数。的功率曲线模型(52)使用一个指数方程而双指数方程中使用(32]。(iv)一个多项式回归参数模型是由真实数据作为基准的方法(53]。三种非参数方法也提出了研究。

6.1.2。近似考虑拐点的曲线

所有的多项式表达上面给出不考虑功率曲线上的拐点。在大多数实际功率曲线上有一个拐点的曲线的曲率变化的迹象。模型考虑这个拐点可以更准确地描述实际曲线的形状比上面的模型。一个新的功率曲线插值公式认为拐点的曲线,提出了(54]。提出了一种双指数模型(32)适合两个变形区中的数据使用一个方程。函数基于4到5个参数物流也近似考虑拐点的曲线和功率曲线造型是有前途的方法。(我)风力发电的形状曲线可以近似的四个参数物流(4 pl)函数(1,34]。过程获得4 pl函数模型的参数建模从生产中提出了功率曲线数据33]。函数的四个参数给出了直接从功率曲线而不是使用一个优化的过程在这个工作。本文还提出了制造商的功率曲线近似使用参数模型。的功率曲线来源于SCADA数据风电场使用4 pl近似(1,4,24]。(所示1),这个模型可以用于在线监测的功率曲线。4 PL的另一种形式表达用于提取功率曲线从实际风电场的风速和功率曲线数据(35]。该方法适用于风能评估选定的风电场的网站。文献回顾显示,four-PL模型产生错误代表功率曲线低于基于多项式近似的方法。然而4 pl曲线是对称的拐点,而功率曲线是不对称的。因此模型可以将这种不对称可以产生更好的结果。立方样条函数可用于不对称数据。三次样条是流畅曲线,通过精确的数据点。随着功率曲线非常光滑的不对称可以用三次样条插值近似技术(55- - - - - -57与花键配合),但缺点是它并不代表数据的随机变化。(2)5个参数物流(5 pl)近似包括参数(五分之一在表1)控制程度的不对称58]。这种方法可以有效地不对称模型,可用于模拟WT功率曲线(36]。5然而pl模式的可能性变得坏脾气的;因此评估参数向量会变得困难。5 pl风电场的模型来自SCADA数据应用能量估计的农场(35),结果表明,它产生更少的错误估计的能源相比4 pl模式。

6.1.3。制造商模型基于曲线拟合的曲线

功率曲线模型制造商通过曲线拟合得到的曲线在多个应用程序中使用。风力发电机的特征方程是装有三个二项式表达式在[59)拟合的精度。电力ninth-order多项式曲线拟合被用于(60),人们已经发现,它给准确的相关真实数据,生产完全积极的价值观切入截止范围之间生成的权力。高阶多项式可能产生更好的拟合结果为特定的数据集;但是他们可能不代表数据的方差,应该谨慎使用。功率曲线模型的曲线拟合的曲线分析了(55- - - - - -57]。

6.2。参数估计

WT功率曲线的参数化模型表达曲线的形状由一组数学方程。这些方程的系数的确定需要选择模型拟合数据。各种工作中使用的技术和算法参数估计的功率曲线模型进行了讨论。

6.2.1。技术参数估计

(我)最小二乘法,最小二乘法最小化残差的平方求和得到的参数模型是最常用的和接受的方法(4,24]。

(2)最大似然方法(传销)。文献中使用的另一种方法是确定功率曲线模型的参数的最大似然方法。在这种方法中一个统计模型的参数估计通过最大化似然函数。它被发现在1),这种方法没有与最小二乘法相比表现良好。

6.2.2。算法参数估计

参数模型的参数特别是使用4 pl和5 pl近似是很难评估的。模型时的参数估计将变得更加困难的实际数据中提取出来的风力涡轮机。发展精确模型的风力涡轮机和优化大数据集是一个非常复杂的过程。现代非传统解决方案的技术参数估计提高精度,减少计算时间,并且容易实现。各种进化技术已经申请确定参数向量基于逻辑函数的功率曲线模型(4,24]。

6.3。数据预处理

功率曲线来源于实际风速和风力发电机的输出功率数据使用SCADA数据从风力涡轮机。这些数据容易出错是因为测量、传感器和通信系统错误。数据也受到nonproduction关闭时发电机的控制系统由于某种原因以外的异常操作。SCADA系统可以空条目或错误的数据,可能会导致不准确的模型。因此有必要移除这些误导性的条目之前使用这个数据进行进一步的分析。最常见的方法就是手动删除数据。这些异常值可以通过目视检查确认(11风速功率输出的情节和可以删除之前的发展模式。然而该方法会导致不准确的结果来自SCADA系统的数据是大量的,很难区分正确和错误的数据。这些异常值已经被不同的统计方法在各种工作模式的发展。在[4)一起分析残差控制图是用于筛选潜在的离群值。离群值可以检测到古典最小均方(LMS)方法最小化的平方和在所有的测量,如果找到测量远离它在正确的价值产生的拟合;然而,在这种方法中一个离群点可以破坏拟合。在[32]最小值的平方方法用于数据预处理中,而不是总和LMS方法中位数之和最小化来识别异常值。结果表明,这种方法是非常健壮的;但是它需要迭代的解决方案。风数据预处理是在四个步骤63年包括有效性检查,数据的可伸缩性,缺失数据处理和滞后。在[64年)开发的一种概率统计方法在copula-based联合概率模型功率曲线异常提出了拒绝。数据挖掘的方法来处理原始数据提出了在65年]。适当的方法进行数据预处理要求开发的一种有效的模型是很重要的。

6.4。评价模型

开发的模型数据之后,重要的是要确定该模型适当地代表实际功率曲线数据的行为。发达的评价模型在各种应用程序的基础上完成一系列的性能指标。均方根误差(RMSE),拟合优度统计被广泛研究人员的数量,估计标准偏差的随机组件的数据,和一个值接近零显示一个更好的选择。的平方的广场是统计的实际和预期值之间的相关性衡量密切适合解释变化的数据。一个平方值接近1表示一个不错的选择38]。文献中使用的其他标准包括平均绝对误差(MAE)、平均绝对百分误差(日军),误差平方和(SSE), SD(标准偏差),和卡方检验(2,4,8,11,17]。最常用的标准表2。

选择适当的模型分析的基础上,适当的标准是一个非常重要的任务为提高风力发电厂的性能。许多文献中没有评估模型用于拟合优度与实际曲线数据或其是否适合特定的应用程序。的多项式模型54,57通过观察视觉比较合适。模型(2,11)是由美相比,RMSE,日军和SD性能指标;然而,这些模型是否适合风力发电应用程序不是评估。也是这些模型最终将风能应用程序中使用不适当的判断他们的适用性的基础上,拟合优度参数,但它还应该检查他们怎么成功可以用于特定的应用程序。

6.5。非参数模型

各种非参数方法可用于造型WT功率曲线。风力发电场的SCADA数据是大量的,通常包含错误。这可能很难获得使用一个函数形式输入和输出之间的关系。非参数方法可以适用于从这些数据推导功率曲线。预处理后的数据,提取模型可以通过使用不同的方法。非参数模型还可以包含其他参数的影响比风速功率曲线比参数模型更容易。模型可以通过这些训练有素的其他参数作为输入的模型(17,18]。软计算技术的发展带来了很大的功率曲线造型的方法。可以利用各种先进的算法来生成准确的非参数功率曲线的各种应用程序。表3从文献中总结了一些非参数模型的细节。

6.5.1。神经网络

人工神经网络(ANN)的灵感来自生物神经系统模拟人类大脑的自然智能(67年),可以学习输入和输出之间的非线性关系的数据集使用隐藏的神经元激活函数。神经网络是用来估计发电涡轮机在[一个风电场17]。一个单独的多层感知(MLP)网络为每个涡轮机使用十分钟平均风速和风向从两个气象塔作为输入和电力涡轮机产生的作为输出。比较分析WT功率曲线回归和ANN模型的估计是在(61年),结果表明,神经网络模型比回归模型有更好的表现。然而安有一个黑盒方法,很难建立一个了解意义与每个神经元和重量(68年]。基于ANN的多级模型被用于(62年风力发电机功率曲线)模型。风速和空气密度是用作输入在第一阶段和规范化输出功率从这个阶段,获得风速扰动强度数据,用于列车安第二阶段。声称这种方法会取得更好的结果参数相比,非参数和离散模型。

6.5.2。聚类方法

聚类分组相似的数据类或集群。风力农场有许多风力涡轮机发电机功率输出变量由于风速的变化。高效的功率曲线可以发现通过应用聚类方法。功率曲线描述了集群中心,模糊C则和减法聚类方法中完成(69年]。模糊聚类模糊集的概念适用于聚类分析和归属感的每一个点的数据集是一组由一个成员函数。该方法的优点是适应嘈杂的数据。模糊c均值聚类使用模糊分区划分向量的集合模糊组和发现一个集群中心在每一个组。FCM的性能依赖于初始聚类中心。的方法70年决定簇的数量和基于迭代优化的初始值初始化聚类算法用于(8)建立集群中心模糊逻辑(灯管)的功率曲线模型。这个集群估计方法为基础确定模糊模型和数量的影响聚类中心和集群附近距离RMSE计算。灯管的比较模型与最小二乘法多项式模型拟合结果表明,RMSE用模糊逻辑的方法获得的远低于获得的最小二乘法多项式模型。

6.5.3。数据挖掘

数据挖掘是指从大量数据中提取或挖掘知识(71年]。数据挖掘的发展带来了很大的方法模拟风力发电机的功率曲线。选择合适的数据挖掘方法和算法重要准确,稳定,强劲的功率曲线。数据驱动的非参数模型使用多层感知(MLP),随机森林,M5P,提高树,最近的邻居(nn)算法开发的1]随着4 pl参数模型。这些模型的性能的在线监测功率曲线进行了分析和最小二乘4 pl参数和高保真度的神经网络模型被发现是用作参考曲线监测功率曲线。控制图方法用于检测异常值和指示异常条件的涡轮机。然而在另一项研究[2)的性能神经网络被发现。不同的数据挖掘算法,即延时,代表树,M5P树,装袋树,最近邻居算法,用于构建电力预测模型和在线监测(4]。主成分分析和神经网络算法用于数据简化和过滤的异常值是通过剩余和控制图的方法。在[2四个数据挖掘技术,即装袋、M5P算法,代表树算法,和M5规则,用于构建非参数功率曲线模型。模型树类型的决策树与叶子和应用的线性回归函数模型的功率曲线在几个应用程序(2,24]。这些模型的细节并不在这些研究。更多的信息在模型树中可以找到72年,73年]。

6.5.4。自适应网络模糊推理系统(简称ANFIS)模型

自适应基于网络的模糊推理系统(简称ANFIS)是一个模糊推理系统中实现自适应网络的框架,从而将模糊系统和神经网络的最佳特性(68年]。一个模糊推理系统使用模糊if - then规则是基于人类知识和推理过程。简称ANFIS,调优的非线性信号的关系可以通过构造一组模糊规则以适当的隶属函数参数调优在培训阶段67年]。简称ANFIS风力发电机功率曲线监测的应用提出了(2]。这种造型方法与早些时候表现最好的方法,即安,灯管,神经网络方法,在文献中找到。包括风的方向和环境温度对预测误差评估。音调调节涡轮机用于数据建模。

6.5.5。风速和力量的联合概率

模型的另一种方法是考虑功率和风速的联合概率分布,而不是考虑隐含两个变量的函数。考虑两个变量的联合概率,而不是个人的概率不确定性的措施纳入性能估计(11]。SCADA风速和功率测量数据从风力涡轮机用于估算二元概率分布函数和构造动力曲线使用介体建模技术(10]。经验介体的应用提出了近似的复杂形式的有功功率和风速之间的依赖。实用性的接合部分析汽轮机状态监测和早期故障的识别提出。结果表明,不同的故障模式产生不同的签名,,气²统计数据和可用于确定汽轮机故障的类型。

6.5.6。小波支持向量机

小波分析是一种技术来分析信号的性质,是一种很有前途的工具的非平稳信号。在支持向量机的数据通过非线性映射到高维特征空间的映射。WT用于风力发电的功率曲线预测(37]。一种新颖的基于小波支持向量机的风速预测模型提出了和它的性能是短时间预测是有效的。

许多文学作品还包括比较分析各种参数和非参数方法(2,8,57,74年]。七个不同的功能进行比较(75年]因为造型六种不同的涡轮机的功率曲线。在[53)四个模型是由可用的输出数据的实际操作能力。基于多项式回归的参数模型作为基准模型。三种非参数方法除了上面的方法,即局部加权多项式回归,三次样条回归,和惩罚样条回归模型,提出了在这个研究。

7所示。选择建模方法

提出了一些模型和建模方法在各为WT功率曲线造型工作。选择适当的模型和方法的采用是重要的,为一个特定的应用程序是一个艰巨的任务。一个特定应用程序的模型选择是可用性的数据的基础上完成的,复杂的模型,所需的准确性,和发电机及其功率曲线类型。综述文献的基础上,确定了以下点选择的建模方法。(我)风力发电曲线模型所需的初始风资源评估需要方便的方法估计的能量。风力发电输出能量计算和评估基于风系统中完成设计需要一个功率曲线模型与公平的精确度。只有规范值(切入、切断和额定速度和额定功率)的风力涡轮机,多项式模型可以使用基于假定形状。这些模型也可以作为一个方便的工具用于计算风电场的风力发电机在设计阶段输出的简单计算。制造商的曲线数据可用时最好配合一个多项式函数中的数据结果更好的精度。这些模型也适用于造型单一预测涡轮功率小的系统相当准确的精度需要。(2)功率预测和选择基于大型风力涡轮机的设计的系统需要一个很好的准确性扩界所导致的收入损失,低估会影响系统的可靠性。准确预测风电场运营商也需要对能源交易。4 pl和5 pl函数可能会因此被用于这些应用程序开发模型从制造商的曲线数据。(3)从附近的一个风电场当SCADA数据是可用的,它需要评估潜在风电场的输出功率具有良好的准确性有一群涡轮机或模型用于在线监测的曲线,它是适当的提取模型与SCADA数据风电场与适当的推断。这些模型可以使用4 pl和5 pl派生参数方法和非参数方法之一,如安或简称ANFIS。模型还可以结合其他影响参数模型的影响。参数的选择取决于地形、风条件、障碍,相关的参数,等等。定义的介体方法使用一个联合概率分布函数的功率曲线的风速和功率可以用于状态监测应用。

8。讨论和前景

各种方法WT功率曲线造型了。造型提出了几种处理方法,用于各种研究(图3)。表中给出了值得注意的贡献的摘要4。这些模型的突出特点列于表5。的推论,缺陷,提出下面给出的建议。(我)大多数文献中使用的参数的模型使用多项式近似模型风力发电曲线模型。这些模型大多是用于预测的发电机输出功率大小和成本优化的应用程序。这些模型没有考虑功率曲线上的拐点准确并可能导致大的预测错误。然而他们是简单易用,可以用于预测电力在初始资源评估和设计的小型系统如果不需要很好的精度。4 pl和5 pl参数的模型可以更准确地实际功率曲线的形状。这些新方法可以导致减少功率预测错误和电力和能源评估可以应用在大型系统的设计和预测的电力能源交易,良好的精度是一个至关重要的需求。(2)造型的确定性方法,使用制造商的数据适用于单一的涡轮机和不适合造型的涡轮机。变异的概率方法,考虑功率和风速都适合造型的涡轮机的功率曲线。(3)风电场的功率曲线模型从实际数据中提取可以在一个网站把实际情况和适用于造型的涡轮机。这些曲线可以从可用的数据参数和非参数方法。(iv)参数模型来源于实际风电场数据用于文学包括线性分段和4 pl和5 pl模式。非参数方法是神经网络、聚类方法、数据挖掘,简称ANFIS和介体模型。数据挖掘技术可以提供良好的结果数据可以从风力发电场是大量和频繁更新的数据变得更加容易。安和简称ANFIS模型功率预测和在线监测应用程序表现良好。这些曲线来源于实际数据可以帮助减少功率预测错误。(v)4 pl和数据挖掘技术建立模型从实际数据中提取文献分析了风电场的在线监测中的应用。指出权力的监控曲线可用来检测异常和异常数据的统计分析可以给指标异常的具体原因。5 . pl应用在线监测模型曲线尚未研究。(vi)风力涡轮机的输出可以影响涡轮的各种错误/异常或表现不佳,如叶片故障和偏航和俯仰系统的缺点。不同类型的故障影响涡轮系统不同,导致功率曲线偏离期望值方式不同。工具可以描述和量化这些离职有助于早期故障的识别。可能联系接合部统计和WT错误/异常表示应该研究在文献中。进一步的研究还应该重点考虑这些变量的联合概率分布。(七)应用先进的算法对于发展中需要探索改进的参数和非参数方法。(八)适当的评估在造型开发模型是一个非常重要的要求。正确的选择的评价指标是重要的,取决于数据和分析要求。模型开发的文献中使用了不同的性能指标。综述文章不突出的原因喜欢一个特定的标准进行评估。不同的统计误差措施可以有不同的解释和适当的选择指标的分析模型是至关重要的。而且这些模型最终将被用于风能应用程序;因此是不适当的判断他们的适用性的基础上,拟合优度参数,但它还应该检查如何成功的特定应用程序可以使用这些模型。(第九)功率曲线的风力涡轮机制造商提供的用于电力预测在大多数风能的应用程序。这些曲线是在标准试验条件下开发的。IEC 61400-12-1是最接受的标准功率曲线测量单个风力涡轮机。风条件实际网站可以在测试不同于网站。IEC曲线并不总是代表其他网站的风力条件。进一步的研究应该关注网站的发展具体的功率曲线。(x)IEC 61400 - 12规定的离散模型很简单,但需要大量的数据来建立一个可靠的模型。(十一)提出了一些工作的随机模型是独立于湍流强度但不包括其他影响参数的影响。(十二)未来工作还应该包括各种影响参数对功率的影响曲线。

9。结论

WT力量的精确造型曲线对成功是至关重要的任何风能转换系统的设计和操作。本文提出的概述不同的方法用于风力发电机功率曲线造型。有几种建模方法有自己的优点和缺点。基于多项式近似的功率曲线模型已被广泛应用是简单易用的,可以用于预测能力在初始资源评估和设计的小型系统。4和5个参数逻辑函数为基础的功率曲线模型考虑这些曲线上的拐点是很有前途的方法,可以帮助减少功率预测错误和提高性能在这些曲线的在线监测。还的大多数模型在早期作品由风力涡轮机制造商曲线。然而,制造商提供的曲线是涡轮在标准试验条件下特定的和代表他们的行为。他们可以申请电力预测单涡轮和网站提供稳定的风。需要改进的模型可以代表条件大型风力发电场和一群涡轮机安装和网站有复杂的地形。功率曲线来源于实际风速和风力发电输出功率数据可以考虑各种网站特定因素导致更好的模型。 A wind farm’s SCADA data is a valuable resource which can be exploited for this purpose. Nonparametric methods of power curve modelling used in the literature include neural networks, clustering, data mining, ANFIS, and copula models. The nonparametric methods are suitable for extracting models from large data. Moreover, these models can incorporate the effect of parameters other than wind speed on the power curves more easily than the parametric models. Literature survey reveals that ANN and ANFIS nonparametric methods perform well among other models for power prediction and online monitoring applications. Further research should focus on development of site specific power curves. Future models should be able to minimize the prediction errors and should be suitable for online monitoring of turbines. Methods which can quantify the power curve departures from expected values for identification of turbine faults should be explored. As the power output of wind turbines is strongly dependent on wind speed of a potential wind farm site, selection of appropriate wind speed model along with the power curve model is an important requirement for accurate prediction of wind farm output. Different wind speed modelling techniques have also been reviewed briefly in this paper. It can be concluded that selection of appropriate model, solution technique, and proper algorithms for a particular application is important for efficient modelling and can contribute significantly to developing reliable and efficient wind energy based power system.

命名法

	输出功率的风力涡轮机(W)
:	风速(米/秒)
:	面积被转子叶片(m2)
:	空气密度(公斤/米3)
:	提示速度比
:	螺旋角(度)
:	风力涡轮机的功率系数
:	形状参数威布尔PDF
:	尺度参数威布尔PDF
:	涡轮的切入风速(米/秒)
:	发电机的额定风速(米/秒)
:	涡轮切断(或卷起)风速(米/秒)
:	额定功率的风力涡轮机(W)
:	WTG和相应的转换器的效率
:	向量参数模型的参数。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

引用

1. a . Kusiak h .郑,z的歌,“权力的在线监测曲线,”可再生能源,34卷,不。6,1487 - 1493年,2009页。视图:出版商的网站|谷歌学术搜索
2. m . Schlechtingen i f·桑托斯,s . Achiche“风力发电机功率曲线监控:通过数据挖掘的方法进行比较研究,“IEEE可持续能源,4卷,不。3、671 - 679年,2013页。视图:出版商的网站|谷歌学术搜索
3. 马修,风能源基本面、资源分析和经济学施普林格,柏林,德国,2006年。
4. a . Kusiak h .郑,z的歌,“监控风电场功率模型,”可再生能源,34卷,不。3、583 - 590年,2009页。视图:出版商的网站|谷歌学术搜索
5. f·a·l·Jowder“风力发电风力涡轮发电机的匹配分析和网站在巴林王国,“应用能源,卷86,不。4、538 - 545年,2009页。视图:出版商的网站|谷歌学术搜索
6. w·r·鲍威尔,”一个解析表达式的平均输出功率风力机,”太阳能,26卷,不。1,第80 - 77页,1981。视图:出版商的网站|谷歌学术搜索
7. 陈宗柏。Chang F.-J。刘,h。Ko, S.-P。程,L.-C。太阳和研究所。郭”,比较分析风力涡轮发电机的功率曲线模型估算能力因素,”能源卷,73年,第95 - 88页,2014年。视图:出版商的网站|谷歌学术搜索
8. t . Ustuntaş和公元Şahin风力发电机功率曲线估计模糊逻辑建模、基于集群中心”风工程和工业空气动力学,卷96,不。5,611 - 620年,2008页。视图:出版商的网站|谷歌学术搜索
9. J.-Y。公园,j。李,K.-Y。哦,js。李,“发展小说风力发电机功率曲线监控方法及其实地测试,”IEEE能量转换卷,29号1,第128 - 119页,2014。视图:出版商的网站|谷歌学术搜索
10. b . Stephen s . j . Galloway d·麦克米兰d . c .希尔和d . g .野,“风力涡轮机的介体模型的性能,”IEEE电力系统,26卷,不。2、965 - 966年,2011页。视图:出版商的网站|谷歌学术搜索
11. b .斯蒂芬·吉尔,s . Galloway”风力涡轮机条件评估通过功率曲线的相关建模,”IEEE可持续能源,3卷,不。1,第101 - 94页,2012。视图:出版商的网站|谷歌学术搜索
12. s . Diaf m . Belhamel m . Haddadi, a .声名狼籍的“技术经济评估混合光伏/风力系统与电池存储在科西嘉岛,“能源政策,36卷,不。2、743 - 754年,2008页。视图:出版商的网站|谷歌学术搜索
13. l·霍法,t·潘,n . Karadža“大风的影响滞后效应在风力涡轮机发电Bura-dominated网站”《欧洲风能会展(EWEC ' 07)1022年,页1017 -米兰,意大利,2007年5月。视图:谷歌学术搜索
14. t·金和z田,“风能生产不确定性分析与动态功率曲线,”IEEE学报》11日国际会议上概率方法应用于电力系统(pmap 10)IEEE,页745 - 750年,新加坡,2010年6月。视图:出版商的网站|谷歌学术搜索
15. j·r·麦克莱恩WP2.6-Equivalent风力发电曲线,“技术。众议员易爱易/ 06/022 / SI2.442659, 2008。视图:谷歌学术搜索
16. e . Hedevang“风力发电机功率曲线将湍流强度,”风能,17卷,不。2、173 - 195年,2014页。视图:出版商的网站|谷歌学术搜索
17. 李,d . c .温斯迟e·a·O一事,和m . g . Giesselmann”使用神经网络估计风力涡轮机发电,”IEEE能量转换,16卷,不。3、276 - 282年,2001页。视图:出版商的网站|谷歌学术搜索
18. z . o . Olaofe k .愚蠢,“风能分析基于涡轮和开发网站功率曲线:一个案例研究的亲爱的城市,“可再生能源53卷,第318 - 306页,2013年。视图:出版商的网站|谷歌学术搜索
19. 国际标准IEC 61400-12-1,风力涡轮机,动力性能测量的电力生产风力涡轮机,2005。
20. h . Mellinghoff功率曲线测量标准的发展DEWEK 2012: 11日,德意志Windenergie-Konferenz不来梅,德国,2012年。
21. s . A . Akdağ和A . Dinler”的一种新方法来估计威布尔参数对于风能的应用程序,“能量转换和管理,50卷,不。7,1761 - 1766年,2009页。视图:出版商的网站|谷歌学术搜索
22. j . A .法令,p .拉米雷斯,委拉斯凯兹,“回顾风速概率分布用于风能分析。在加那利群岛的案例研究可再生能源和可持续能源的评论,13卷,不。5,933 - 955年,2009页。视图:出版商的网站|谷歌学术搜索
23. 诉瞧Brano, a . Orioli g . Ciulla和s . Culotta”城市区域的风速拟合分布质量的巴勒莫,意大利,“可再生能源,36卷,不。3、1026 - 1039年,2011页。视图:出版商的网站|谷歌学术搜索
24. m .丽迪雅ai身边,s s·库马尔·g·e·p·库马尔,“先进的风力发电机功率曲线建模算法”,IEEE可持续能源,4卷,不。3、827 - 835年,2013页。视图:出版商的网站|谷歌学术搜索
25. s . Diaf g . Notton m . Belhamel m . Haddadi和a .声名狼籍的“设计和techno-economical优化混合光伏/风力系统在各种气象条件下,“应用能源,卷85,不。10日,968 - 987年,2008页。视图:出版商的网站|谷歌学术搜索
26. l . Nand基肖尔·e·费尔南德斯,“可靠性幸福PV-wind混合动力系统使用蒙特卡罗模拟,评估”新兴趋势的国际会议在电子和计算机技术(ICETECT 11)泰米尔纳德邦,页63 - 68年,印度,2011年3月。视图:出版商的网站|谷歌学术搜索
27. p . m .米兰韦希特尔,和j . Peinke“随机建模和性能监控风电场电力生产,”可再生能源和可持续能源杂志》上》第六卷,没有。第三条ID 033119, 2014。视图:出版商的网站|谷歌学术搜索
28. e . Anahua f . Bottcher巴斯,j . Peinke和m·兰格”随机分析的风力发电机的输出功率,”欧洲风能研讨会论文集(EWEC ' 04)2004年11月,伦敦,英国。视图:谷歌学术搜索
29. e . Anahua美国巴斯,j . Peinke“马尔可夫链的风力发电机功率曲线,“风能,11卷,不。3、219 - 232年,2008页。视图:出版商的网站|谷歌学术搜索
30. p . Giorsetto和k . f . Utsurogi”开发新程序可靠性建模的风力涡轮发电机,”IEEE电力设备和系统,卷102,不。1,第143 - 134页,1983。视图:出版商的网站|谷歌学术搜索
31. m·k·德斯穆克和s . s .德斯穆克”混合可再生能源系统的建模,可再生能源和可持续能源的评论,12卷,不。1,第249 - 235页,2008。视图:出版商的网站|谷歌学术搜索
32. 大肠赢面,a . Llombart和j·j·格雷罗州“健壮的过滤特性的风力涡轮机:改善它的操作和维护,”能量转换和管理,50卷,不。9日,第2147 - 2136页,2009年。视图:出版商的网站|谷歌学术搜索
33. d·维拉纽瓦和a . e . Feijoo”再形成的逻辑函数的参数应用于风力发电机的功率曲线,“电力系统研究卷。137年,51-58,2016页。视图:出版商的网站|谷歌学术搜索
34. d . Rodbard”,统计质量控制和常规数据处理等和immunoradiometric化验”临床化学,20卷,不。10日,1255 - 1270年,1974页。视图:谷歌学术搜索
35. 诉Sohoni、s c·古普塔和r·k·Nema“风速概率分布的比较分析风能评估四个网站,“土耳其的电气工程和计算机科学杂志》上,2016年。视图:谷歌学术搜索
36. m·丽迪雅苏雷什·库马尔,a·伊曼努尔身边和g . Edwin Prem Kumar“风力资源评估使用风速和功率曲线模型,”可再生能源卷,83年,第434 - 425页,2015年。视图:出版商的网站|谷歌学术搜索
37. j .曾庆红和w·乔,“短期风能使用小波支持向量机预测,“IEEE可持续能源,3卷,不。2、255 - 264年,2012页。视图:出版商的网站|谷歌学术搜索
38. 使用MATLAB曲线拟合工具箱,用户指南,版本1。2002年Mathworks。
39. 周和w·h·杨,l . Lu”小说为混合太阳风发电系统优化分级模型,”太阳能,卷81,不。1,第84 - 76页,2007。视图:出版商的网站|谷歌学术搜索
40. c .毛,阮l .徐x张,和y罗,“一种改进的最优分级方法wind-solar-battery混合动力系统,”IEEE可持续能源,4卷,不。3、774 - 785年,2013页。视图:出版商的网站|谷歌学术搜索
41. 刘x和w·许”,最低排放调度受到随机风力发电可用性和成本,”IEEE电力系统,25卷,不。3、1705 - 1713年,2010页。视图:出版商的网站|谷歌学术搜索
42. y . m . Atwa e . f . El-Saadany m·m·a·Salama r . Seethapathy m·阿萨姆邦和孔蒂,“充分性评估配电系统包括风能/太阳能DG在不同的操作模式,,”IEEE电力系统,26卷,不。4、1945 - 1952年,2011页。视图:出版商的网站|谷歌学术搜索
43. r . Karki p .胡,r . Billinton”可靠性评估考虑风力和水力发电协调,”IEEE电力系统,25卷,不。2、685 - 693年,2010页。视图:出版商的网站|谷歌学术搜索
44. 高z . p . Wang, l . Bertling”操作充分性与风电场电力系统研究和能源存储,”IEEE电力系统,27卷,不。4、2377 - 2384年,2012页。视图:出版商的网站|谷歌学术搜索
45. l·卢h·杨,j·伯内特,“风能潜力调查香港片分析风力发电和风力发电机的特点,“可再生能源,27卷,不。1、1 - 12,2002页。视图:出版商的网站|谷歌学术搜索
46. r . Chedid h . Akiki, s·拉赫曼,“一个决策支持技术混合太阳风电力系统的设计,“IEEE能量转换,13卷,不。1,第83 - 76页,1998。视图:出版商的网站|谷歌学术搜索
47. 王l和c·辛格,“Adequacy-based混合发电系统的设计包括间歇性资源使用限制粒子群优化,“IEEE电力系统,27卷,不。4、2377 - 2383年,2007页。视图:谷歌学术搜索
48. a . k . Kaviani g . h . Riahy, s m . Kouhsari”优化设计可靠的公共独立的风力/光伏发电系统,考虑组件故障,”可再生能源,34卷,不。11日,第2390 - 2380页,2009年。视图:出版商的网站|谷歌学术搜索
49. b . s . Borowy亚和z . m .萨拉梅赫,“最佳光伏阵列大小混合风力/光伏系统,”IEEE能量转换,9卷,不。3、482 - 488年,1994页。视图:出版商的网站|谷歌学术搜索
50. b s Borowy亚和z . m .萨拉梅赫,“方法最优规模的组合电池银行和光伏阵列在风力/光伏混合动力系统中,“IEEE能量转换,11卷,不。2、367 - 375年,1996页。视图:出版商的网站|谷歌学术搜索
51. m·g . Khalfallah和a . m . Koliub”,建议为提高风力发电机功率曲线,“海水淡化,卷209,不。1 - 3、221 - 229年,2007页。视图:出版商的网站|谷歌学术搜索
52. c . Carrilo a . f . o . Montano j . Cidras d .剑鱼,“审查”风力发电机的功率曲线造型,可再生能源和可持续能源的评论21卷,第581 - 572页,2013年。视图:出版商的网站|谷歌学术搜索
53. s . Shokrzadeh m .贾法里Jozani, e . Bibeau“风力发电机功率曲线建模使用先进的参数和非参数方法,”IEEE可持续能源,5卷,不。4、1262 - 1269年,2014页。视图:出版商的网站|谷歌学术搜索
54. 刘x”,改善了风力发电曲线的插值法”,IEEE可持续能源,3卷,不。3、528 - 534年,2012页。视图:出版商的网站|谷歌学术搜索
55. s . Diaf d . Diaf m . Belhamel m . Haddadi和A .声名狼籍的”的方法自动混合光伏/风力系统的最优规模,”能源政策,35卷,不。11日,第5718 - 5708页,2007年。视图:出版商的网站|谷歌学术搜索
56. f . O . Hocaoğlu O。n . Gerek和m . Kurban”,一种新颖的混合(wind-photovoltaic)系统分级过程中,“太阳能,卷83,不。11日,第2028 - 2019页,2009年。视图:出版商的网站|谷歌学术搜索
57. 诉塔帕尔、g . Agnihotri和v . k . Sethi“批判性分析的方法对风力发电机的数学模型,”可再生能源,36卷,不。11日,第3177 - 3166页,2011年。视图:出版商的网站|谷歌学术搜索
58. p·g . Gottschalk以及和j·r·邓恩”5个参数物流:四个参数的表征和比较物流,“分析生物化学,卷343,不。1,54 - 65年,2005页。视图:出版商的网站|谷歌学术搜索
59. b . Ai, h·杨,h .沈和x辽、“光伏/风力混合系统的计算机辅助设计,“可再生能源,28卷,不。10日,1491 - 1512年,2003页。视图:出版商的网站|谷歌学术搜索
60. y . a . Katsigiannis p s Georgilakis, e . s . Karapidakis”混合模拟annealing-tabu搜索方法为最优规模与可再生能源独立电力系统,”IEEE可持续能源,3卷,不。3、330 - 338年,2012页。视图:出版商的网站|谷歌学术搜索
61. 美国,华盛顿温斯迟,大肠一事,和m . g . Giesselmann”回归和人工神经网络模型的比较分析风力发电机功率曲线估计,“太阳能工程杂志》上,卷123,不。4、327 - 332年,2001页。视图:出版商的网站|谷歌学术搜索
62. f·佩尔蒂埃,c·马森,a .提拉”风力发电机功率曲线造型使用人工神经网络,”可再生能源卷,89年,第214 - 207页,2016年。视图:出版商的网站|谷歌学术搜索
63. m . Schlechtingen和费雷拉桑托斯,”比较分析的神经网络和基于回归的状态监测风力涡轮机故障检测的方法,”机械系统和信号处理,25卷,不。5,1849 - 1875年,2011页。视图:出版商的网站|谷歌学术搜索
64. d . g . y . Wang野,b .斯蒂芬·s·j·洛韦,“Copula-based模型风力发电机功率曲线异常拒绝,“风能,17卷,不。11日,第1688 - 1677页,2014年。视图:出版商的网站|谷歌学术搜索
65. l .郑w·胡,y . Min”原始风数据预处理:数据挖掘的方法,”IEEE可持续能源》第六卷,没有。1,11-19,2015页。视图:出版商的网站|谷歌学术搜索
66. 西方国家可再生能源实验室(NREL)的数据集,车站ID 2 2006年数据集,http://wind.nrel.gov/Web_nrel/。
67. s . r .张成泽C.-T。太阳,e .弘水谷去噪和软计算学习和机器智能计算方法,φ,新德里,印度,2003。
68. s . r .张成泽C.-T。太阳,e .弘水谷去噪和软计算学习和机器智能计算方法,φ,新德里,印度,2003。
69. m . s . Mohan Raj, m .亚历山大和m .丽迪雅,“风力发电机功率曲线的建模”《创新智能电网Technologies-India IEEE PES会议珂,印度,2011年12月。视图:谷歌学术搜索
70. s . l .赵“模糊模型识别基于集群的估计,”智能和模糊系统杂志》上,2卷,第278 - 267页,1994年。视图:谷歌学术搜索
71. 汉和m . Kamber,数据挖掘:概念和技术摩根考夫曼,旧金山,加州,美国,2006年。
72. a·m·普拉萨德·l·r·艾弗森,a . Liaw”新的分类和回归树技术:装袋和随机森林生态预测,“生态系统,9卷,不。2、181 - 199年,2006页。视图:出版商的网站|谷歌学术搜索
73. i . h .威滕·e·弗兰克,数据挖掘:实用机器学习工具和技术,摩根考夫曼,旧金山,加州,美国,第二版,2005年版。
74. m .丽迪雅,s . s . Kumar ai身边,和g . e . Prem Kumar“全面审查在风力发电机功率曲线建模技术,”可再生能源和可持续能源的评论,30卷,第460 - 452页,2014年。视图:出版商的网站|谷歌学术搜索
75. s . a . Akdağ和O。Gler”,对风力发电机功率曲线模型进行比较,”能源,一个部分:复苏,利用率和环境影响,33卷,不。24日,第2263 - 2257页,2011年。视图:出版商的网站|谷歌学术搜索

版权

版权©2016利Sohoni等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。