风速概率分布参数预测及应用

风电场风速概率分布参数计算方法的研究

风电场风速概率分布参数计算方法的研究摘要：风电场的实际发电量主要受局部风的各个方面的特性影响。

风速对风电质量和电力系统的正常运行有很大的影响，风速具体数据的预测对风电场的市场发展具有重要意义。

因此，相关预测方法的发展呈现出活跃的趋势。

关键词：风速预测；人工神经网络;小波预测模糊逻辑方法随着社会的不断发展，人们的资源消耗也在增加。

因此，绿色能源获取模式目前符合环境保护和资源获取的精神，而风力发电是非常有代表性的性例子。

如果能够准确地预测风速，则可以提前知道未来发电量的变化，并且可以针对各种趋势及时进行调整，这对于发电厂的发展非常重要。

本文主要旨在介绍多种不同的预测方法，解释不同方法的特征，并帮助植物在使用不同方法时具有更科学的基础。

1一些基本的风速预测方法从空间的角度来看，风速的安排通常是不规则的，并且表现出较大的波动，在此功能下，通常难以通过建立适当的物理模型来对其进行解释和准预测。

从分析时间的角度来看，风速时间序列中包含趋势和随机分量，趋势分量主要是大气条件下的连续稳定，随机分量受大气运动的影响更大，因此存在无法从以前的数据中获得的特征。

预测结果中发生错误。

总之，风的规律分为物理数据和历史数据的统计方法。

1.1神经网络法风速的变化受各种自然因素的影响，例如气候背景，地形，陆地和海洋分布，并且风速在时间分布方面具有不确定性和不连续性。

但是，风速仍然具有很强的变化特性。

通常，月平均风速的空间分布与引起风速的气候背景，地形以及陆地和海洋分布直接相关。

例如，以内蒙古的风场为例，风的高度为1000-2000米，气候条件主要是温和的大陆性季风气候。

夏季（6月至9月），秋季和冬季和春季（10月至1月）的风速很小。

5月2日）风速相对较高。

因此，在预测风速之前，需要充分考虑风速中风速变化的特性。

1.1.1方法简介众所周知，人类最神奇的系统是神经系统，可以通过实际工作通过使用神经系统的相关属性通过特殊的拓扑结构模拟神经网络的某些属性来构建。

weibull分布风速模型基本构成参数及其作用。

在进行深入探讨Weibull分布风速模型基本构成参数及其作用之前，我们先来简单了解一下Weibull分布。

Weibull分布是由瑞典数学家瓦尔德玛·魏布尔于1951年提出的，用来描述风速、风力等自然现象的统计分布。

1. Weibull分布的基本特征Weibull分布是一种连续概率分布，其密度函数为：\[ f(x;\lambda,k) = \frac{k}{\lambda}\left(\frac{x}{\lambda}\right)^{k-1} e^{-(x/\lambda)^k} \]其中，\( x>0 \)，\( \lambda>0 \)为比例参数，\( k>0 \)为形状参数。

Weibull分布的平均值、方差和标准差分别为：\[ \text{E}[X] = \lambda \Gamma(1+\frac{1}{k}) \]\[ \text{Var}[X] = \lambda^2 \left[ \Gamma(1+\frac{2}{k}) -(\Gamma(1+\frac{1}{k}))^2 \right] \]\[ \text{Std}[X] = \lambda \sqrt{\left[ \Gamma(1+\frac{2}{k}) - (\Gamma(1+\frac{1}{k}))^2 \right]} \]其中，\( \Gamma \)为Gamma函数。

2. Weibull分布的构成参数Weibull分布的构成参数包括比例参数\( \lambda \)和形状参数\( k \)。

比例参数\( \lambda \)反映了分布的尺度，它决定了分布的位置，即控制了平均值的大小。

形状参数\( k \)决定了分布的形状，描述了分布的偏斜性。

当\( k>1 \)时，分布呈现右偏态，当\( k<1 \)时，分布呈现左偏态，当\( k=1 \)时，分布呈现对称性。

3. Weibull分布的作用Weibull分布在风能、风电等领域得到了广泛的应用。

风速及分布

蒲福风级（Beaufort scale）英国人弗朗西斯·蒲福在1806年对风进行分级，用以表达风力大小。

根据风对地面物体或海面的影响程度而，按强弱将风力划分为0到12，共13个等级，即目前世界气象组织所建议的分级。

后来到20世纪50年代，人类的测风仪器的发展使人们发现自然界的风力实际可以大大的超过12级，于是就把风力划分扩展到17级，即总共18个等级。

104-117 Violentstorm 遮掩中型船只；白沫被风吹成长片在空中摆动，遍及海面，能见度减低。

普遍损坏。

64或以上/ 118或以上飓风Hurricane14+极巨浪: 海面空气中充满浪花以及白沫，全海皆白；巨浪如江倾河泻，能见度大为减低。

陆上少见，建筑物普遍严重损坏。

64-71/ 118 -132飓风Hurricane14+极巨浪: 海面空气中充满浪花以及白沫，全海皆白；巨浪如江倾河泻，能见度大为减低。

陆上少见，建筑物普遍严重损坏。

72-80 / 133-149飓风Hurricane14+ 极巨浪: 海面巨浪滔天，不堪设想。

陆上难以出现，如有必成灾难。

81-89 / 150-166飓风Hurricane14+ 极巨浪: 海面巨浪滔天，不堪设想。

陆上难以出现，如有必成灾难。

90-99 / 167-183飓风Hurricane14+ 极巨浪: 海面巨浪滔天，不堪设想。

陆上难以出现，如有必成灾难。

100-108 / 184-201飓风Hurricane14+ 极巨浪: 海面巨浪滔天，不堪设想。

陆上难以出现，如有必成灾难。

109以上/ 202以上飓风Hurricane14+ 极巨浪: 海面巨浪滔天，不堪设想。

陆上难以出现，如有必成灾难。

风速v和蒲福风力等级B有如下的关系式：现代大型风电机一般在微风（5米/秒）情况下开始启动发电，在大风（13米/秒）的情况下达到额定功率，在暴风（25米/秒）的情况下还可以无危险的发电；超过这个风速，风电机一般都会自行关闭，进行过载保护。

风电场风速概率Weibull分布的参数估计研究

风电场风速概率Weibull分布的参数估计研究杨富程;韩二红;王彬滨;刘海坤;黄博文【摘要】风电场风速概率分布是描述风能特征的主要指标,其准确程度直接影响风电场风能资源的评估结果.主要介绍了两参数威布尔分布的极大似然估计法、最小二乘估计法和WASP估计法3种风速概率分布参数的估计方法.通过对四川广元地区低风速区域测风塔实测数据分析,结果表明,极大似然估计法与实测数据统计结果最为接近,拟合效果良好;Weibull参数c、k存在相对较为明显的季节变化;尺度参数c值随高度呈现幂指数形式,形状参数k值随高度呈现二次函数形式变化特征,在80～90 m高度左右,曲线出现拐点,k值取得最大值.【期刊名称】《江西科学》【年(卷),期】2019(037)002【总页数】7页(P264-269,299)【关键词】Weibull分布;概率分布;形状参数;尺度参数;参数估计【作者】杨富程;韩二红;王彬滨;刘海坤;黄博文【作者单位】四川电力设计咨询有限责任公司,610041,成都;四川电力设计咨询有限责任公司,610041,成都;四川电力设计咨询有限责任公司,610041,成都;四川电力设计咨询有限责任公司,610041,成都;四川电力设计咨询有限责任公司,610041,成都【正文语种】中文【中图分类】TM6140 引言随着世界工业经济的快速发展，化石能源燃烧排放出的大量温室气体导致全球气候发生巨大变化，已经严重危害到人类生存环境和健康安全[1]。

因此，可再生能源已成为解决能源与环境问题的主要途径之一，其中风力发电相比其它形式的可再生能源，因具有技术较为成熟、成本相对较低、对环境影响小等优势，成为世界各国大力发展可再生能源关注的重点之一[2]。

国家能源局在新能源“十三五”规划中提出“至2020年，我国风电装机容量将达到2.1亿kW以上，风电价格与煤电上网电价相当”。

同时，伴随着IV类复杂地形区域风资源相对较差及风电上网补贴电价不断下降的状况，准确评估风电场的经济性尤为关键。

风电场风速概率分布参数计算新方法

重要指标之一。在认为风电场风速服从双参数韦布尔（ｉｕ１分布前提下，了提高参数计算精度，智能Ｗｅｌｂ）为从
化的角度提出尝试采用改进的微粒群算法对Ｗｅｕｌ参数进行建模和优化。由此参数估算能直接反映出ｉｌ双ｂ
ｏｐｍｅａｕｅＩｒｅＯｉｐｏｅｃｍｐｕａｉｒｃｓｏｎｏａｍｅｅｓ，ｅｃｍｐｕａｉｅｈｄｗａｏｓｄｎｔｖｌ．ｎｏｄｒｔｍｒｖｏｔｔｏｎｐｅｉｉｆｐｒｔｒａｎｗｏｔｔｏｎｍｔｏｓｐｒｐｏｅ
关键词：电场；风风速概率分布；布尔分布；进微粒群算法韦改
中图分类号：ＴＭ８１文献标志码：Ａ文章编号：０３８３（０１０ — ０６０１０— ９０２１）１０４— ６
ＮｅＣｏｐｕａｉｎＭｅｈｏｆＷｉｄＳｅｏａｉｉｙｗｍｔｔｏｔｄｏｎｐｅｄＰｒｂｂｌｔ
陈国初，杨维，张延迟，余法徐
（海电机学院电气学院，上海２０４）上０２０
摘要：风能资源评估关系到风电的经济性和开发价值，个地区的风速概率分布是该地区风能资源状况的最一
ＤｉｔｉｕｉｎＰａａｅｅｓｉｉｄＦａｍｓｒｂｔｏｒｍｔｒｎＷｎｒ

风速概率分布估计和风能评估2016翻译最终版

风速概率分布估计和风能评估2016摘要风能的统计特征以及合适的风力发电机组的选择对于有效评估风力发电潜力和设计风电场至关重要。

本研究以中国中部四个地点为例，对风速概率分布的流行参数和非参数模型以及这些模型参数的估计方法（广泛使用的方法和随机启发式优化算法）进行了比较。

仿真结果表明，非参数模型在拟合精度和操作简便性方面优于所有选定的参数模型，随机启发式优化算法优于广泛使用的估计方法。

本研究还回顾和讨论了文献提出的六个功率曲线以及风能潜在评估过程中涡轮机之间相互唤醒效应引起的功率损耗。

评估结果表明，功率曲线的选择影响风力涡轮机的选择，考虑相互唤醒效应可能有助于优化风能评估中的风电场设计。

目录1 介绍 (1)2 以前的工作概述 (2)2.1 风速分布函数概述 (2)2.2估计方法概述 (4)3 数据收集和简要分析 (5)4 风速分布突变试验 (5)4.1 Mann-Whitney U检验 (5)4.2 双样本Kolmogorov-Smirnov检验（K-S检验） (6)5 参数模型和非参数模型 (6)5.1 常规分布 (6)5.2 用于估计参数的方法 (6)5.2.1 时刻法（MM） (6)5.2.3 最小二乘估计（LSE）法 (6)5.2.4 最大熵原理法（MaxE） (6)5.3非参数模型 (7)5.4杜鹃搜索（CS）算法 (7)6 仿真比较结果 (7)6.1 评价标准 (7)6.2 突变试验分析 (8)6.3 分析估算结果 (8)6.3.1 分析参数模型 (8)6.3.2 参数和非参数建模的比较 (9)7 风能评估 (10)7.1 风力密度的计算 (10)7.2 风力发电机效率 (10)7.3 计算因素 (10)7.4 风电场风电损耗估算 (10)7.5 风能计算与分析 (11)8 结论 (12)1 介绍由于社会，经济和工业的快速发展，中国对能源的需求正在急剧增长。

化石燃料在中国的能源消耗中起着关键作用。

联合条件下风力发电风速预测

联合条件下风力发电风速预测田丽;邓阅【摘要】风速性质直接影响风力发电的功率，确定性预测在很多方面无法满足当前需要，而概率性预测比较符合实际，具有更强的实用性．采用以当前时段实测风速和下一时段预报风速为联合条件的离散预报误差概率统计模型（forecasterrorprobabilitydistribution，FEPD），从而预测短时（功率预测前几小时）风速，通过得到风速数据，在短时时段覆盖内，就能够预测风力发电的功率．实例证明，以风速为基础从而预测风力发电功率是一种有效的方法．%Abstract=The power of wind energy is directly influenced by the properties of wind speeds. Compared with the deterministic prediction, which can't meet the current demand in many aspects, probabilistic forecasting is practical and of strong practicability. In order to forecast the short-term (a few hours be- fore power prediction) wind speeds, the paper employs discrete FEPD based on the joint condition which contains the real-time wind speed and predicted following wind speed. According to the wind speeds data obtained,the power of wind energy within a short period of time can be predicted, h's a kind of effective method to forecast the wind energy power based on the speed of the wind.【期刊名称】《安徽工程大学学报》【年(卷),期】2012(027)003【总页数】3页(P45-47)【关键词】风速;风力发电功率;短时;联合条件概率分布【作者】田丽;邓阅【作者单位】安徽工程大学电气工程学院,安徽芜湖241000;安徽工程大学电气工程学院,安徽芜湖241000【正文语种】中文【中图分类】TK81随着可持续发展的不断深入，新能源的开发与使用已经成为迫切的现实需要.风力发电这种新能源的使用，使得电力系统有了新的能量进入.随着风电在电网中容量逐渐变大，风电的随机性、不可控性、反调峰性等诸多弊病越来越成为电网稳定的不安定因素，给电力系统带来越来越大的困扰，使得风速和风电功率（wind speed and wind power，WSWP）预测变得越来越重要［1］.用确定性预测方法来做风速和风电功率预测，缺少灵活性，缺乏对经常变化的风速的控制力，使得效果不佳.相比较而言，概率性的预测方法则大大增加了灵活性、控制力度，在风电可靠性和电网调度等方面更加有意义［2］.本文采用联合条件分布，以当前时刻和下一时刻的预测值一同进行分析计算，得到较全面的全局预测结果，相比较更加具有实用价值.1 WSWP联合条件概率模型建立采用一种联合概率建模的方式，主要针对误差的概率分布做分析，对实际比较有意义.以t和t＋1为当前时刻与下一时刻的下标量，那么当前时刻和下一时刻的风速为vt和vt＋1，在t时刻对t＋1时刻的预报风速为vf［3］.我们的建模思路是，以vf为条件预报误差分析得到t＋1时刻某一个风速值的概率为f，再以vt风速波动中相同值的概率为r，那么联合这两个概率的分布得到s＝a1f＋a2r，s为联合分布下误差值的概率，a1、a2为相对于前两个情况下的两个权重因子.得到一个时变的、基于联合条件的概率性模型（见图1）.由图1可知，风电的功率预测与风速的关系十分紧密，能够完成风速的分析预测，那么，对于风电功率的预测问题就不大了.2 风速预报误差概率分布应用时间序列ARMA［5］做的非朴素预测方法得到的下一时刻预测风速值，但是，由于风速的波动性预测不一定保证数据的准确性，为了形成联合条件的概率分布，需要把数值量转化为统计量.那么应用预报误差的概率分布，使得时间序列ARMA 预测的数值与实测数据进行比对，形成新的概率分布.设风速预报误差f＝vt＋1－vf，统计一段时期内某vf值下出现不同f值的频率，形成以vf为条件的、不同vt ＋1值（统计的物理量为发f）的经验概率分布.图1 系统建模流程图如图2所示，用时间序列ARMA模型所做的预测曲线与实测的数据曲线重合度，据图2对预报误差做一个概率性统计.以区间取值定义f的概率，以－2、－1、0、1、2为分界点，把值域分为5个概率值，分别对应f的概率值（见表1）.由表1可知，ARMA所做的预测，f在±10以外的概率不足0.1，在0附近的概率有0.61，±10以内的部分误差也只有0.3，以vf对vt＋1所做的单条件分析也具有现实意义.图2 时间序列预测vf与实测值vt＋1比对图表1 时间序列预测误差统计f概率值概率统计 vf－vt＋1f概率值概率统计 vf－vt ＋1区间估计－2 0.05 （－∞，－10）区间估计1 0.18 （5，10）－1 0.12 （－10，－5）0 0.61 （－5，5）2 0.04 （10，＋∞）3 风速波动概率分布风速波动分布实际上是下一时刻风速变化导数的分布［4］.与预报误差分布统计方法相似，波动分布也采用分区间统计.我们设风速波动r＝vf－vt＋1，我们统计一段时期内，相同vf情况下，不同vt＋1相关是r的概率分布.风速波动的相关统计全部采用的是实测风速样本，那么它的统计特性能够一定程度上反应风速变化的概率分布特性.把风速从大到小重新排列，划为5段，分成5个部分，依然是－2，－1，0，1，2，5个概率值与其对应，统计其概率得到风速波动的概率分布.4 权值因子的意义与取值选定根据风速波动的规律性，我们查看历年的风速波动情况表［5］，从而确定权值因子的取值.所谓的权值因子实际就是平衡因子，取值根本意义在于修正预测风速vf 与实测风速vt＋1的偏差.vf与vt＋1偏差较大分为两个部分，我们假设误差e＝vf－vt，那么，相对应与e的3个样本为N－1、N0、N＋1.为克服e＝＋1的反偏态特征，设修正因子的计算关系为：同理，e＝－1时的修正因子仍为式（2）.从而我们得到两个已经修正的偏态分布.因为e＝e0的样本量最大，为了保证计算的准确，我们用vf＝vt＋1的离散统计结果对应减去两个已经修正的误差分布统计值，那么就得到了全修正的概率分布.5 实例分析为了验证本文方法在实际应用中的效果，分别以某风电场2006－05－10到2006－05－31的风速预报误差数据对2006－06－01到2006－06－06误差分布做概率预测.利用vf与vt组合下，统计一段时间内不同f值的频率，从而得到以vf和vt作为联合条件的vt＋1的概率分布.如图3所示，当vt与vf相等时，vt＋1的误差概率分布严格对称，不相等的时候会有左右条件偏差.使用本文方法和常规的ARMA预测方法进行比对，如表2所示.比对常规的预测方法，本文方法无论在预测的精度上还是广度上都具有明显优势，明显地降低了误差概率.6 结论联合性的概率分布能够更加准确地展现误差的分布，对实际数据有一定指向性作用，能够借助常规的预测方法，且在一定程度上有所创新.联合条件下的风速预测为新时代对于风速风电功率的研究提供了一条新思路，并且将随着理论的深入更加迅速地发展.图3 对应不同风速统计结果表2 概率预测比对结果预测误差概率实测值／（m／s）预报值／（m／s）－3m／s －2m／s －1m／s 0m／s 1m／s 2m／s 3m／s方法5 0.000 0.0600.204 0.470 0.154 0.031 0.001 6 6 0.002 0.031 0.178 0.547 0.196 0.0510.003 7 0.001 0.028 0.165 0.458 0.264 0.049 0.005 10 0.015 0.084 0.2510.420 0.159 0.041 0.006 11 11 0.005 0.036 0.180 0.452 0.162 0.064 0.004 12 0.003 0.034 0.146 0.410 0.138 0.039 0.010常规时间序列ARMA预测方法0.000 0.000 0.217 0.777 0.196 0.000 0.001【相关文献】［1］杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究［J］.中国电机工程学报，2005，25（11）：1－5.［2］潘迪夫，刘辉，李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型［J］.电网技术，2008，32（7）：82－86.［3］周玮，彭昱，孙辉，等.含风电场的电力系统动态经济调度［J］.中国电机工程学报，2009，29（25）：13－17.［4］孙元章，吴俊，李国杰，等.基于风速预测和随机规划的含风电场电力系统动态经济调度［J］，中国电机工程学报，2009，29（4）：41－47.［5］葛炬，王飞，张粒子.含风电场电力系统旋转备用获取模型［J］.电力系统自动化，2010，34（6）：32－36.。

红沿河核电站风速分析及预测

红沿河核电站的风速分析及预测红沿河核电项目部工程部余波摘要：红沿河核电站常年的大风天气，不仅影响了塔吊使用，给施工计划的按期完成造成困难，同时也带来了极大的安全风险。

本文根据红沿河核电站的风速统计资料，得出了风速基本规律，并利用时间序列和ARMA-ARCH模型，对风速进行中长期和短期预测。

一方面，掌握风速的基本规律，在商务谈判与索赔、塔吊设计、安全管理以及施工计划编制中，可以作为参考依据。

另一方面，通过风速的提前预测，降低和避免大风天气对大件吊装产生的不利影响。

关键字：红沿河风速分析时间序列ARMA-ARCH模型预测正文：1、大风天气给施工造成的影响1.1、进度风险根据国家相关法律法规的规定，6级以上大风则禁止吊装作业和高空作业。

吊装作业的停止，现场的施工基本瘫痪。

钢筋、料斗、设备不能吊装，模板支设和钢结构拼装不能继续，使用塔吊浇注的混凝土需停止。

长此以往，给进度上带来的压力无可估量。

1.2、安全风险正在施工中的厂房，各种挂架、模板、安全网等附属物以及塔吊这样的高空物体的大风的袭击下，容易发生倒塌、坠落、倾斜等事故，给现场施工带来安全风险。

1.3、成本风险大风造成停工，现场停工意味着机械、设备、人员都不能创造任何价值，平白无故地白白损耗。

由此必定会增加投入，成本升高。

2、风速基本特征本文中的风速为渤海海平面以上标高+33.0米实测数据，风速统计时间范围为：2007年9月1日至2010年6月25日，共计1029天（其中29天无记录，实际有效测风天数为1000天）。

红沿河核电站位于渤海辽东湾东海岸，属季风型大陆性气候，同时具有海洋性气候特点，夏半年盛行偏南风，冬半年盛行偏北风，是我国东北地区风速较大的地区之一。

2.1、六级以上大风天气比例为63.6%根据最大风力的频数统计显示，风力在6级及以上的天气为636天，占到总数的63.6%。

所以塔吊一年中有效施工天数仅为365*（1- 63.6%）=133天，其余的232天随时都存在大风停吊的风险。