Метод генетической оценки методом наименьших квадратов для моделирования кривой мощности ветра и прогнозирования мощности ветра

Научные отчеты, том 13, Номер статьи: 9188 (2023) Цитировать эту статью

Подробности о метриках

Кривая мощности ветра (WPC) является важным показателем ветряных турбин и играет важную роль в прогнозировании мощности ветра и мониторинге состояния ветряных турбин. Основанный на оценке параметров модели логистической функции в моделировании WPC, направленный на задачу выбора начального значения оценки параметров модели и локального оптимального результата, на основе комбинации генетического алгоритма и метода наименьших квадратов, генетической оценки наименьших квадратов (GLSE). предложен метод оценки параметров, и может быть получен глобальный оптимальный результат оценки. Шесть индексов оценки, включая среднеквадратическую ошибку, коэффициент детерминации R2, среднюю абсолютную ошибку, среднюю абсолютную процентную ошибку, улучшенный информационный критерий Акаике и байесовский информационный критерий, используются для выбора оптимальной модели кривой мощности у разных кандидатов. моделей и избегайте переобучения модели. Наконец, для прогнозирования годового производства энергии и выходной мощности ветряных турбин на ветряной электростанции в провинции Цзянсу, Китай, применяется двухкомпонентная модель скорости ветра распределения смеси Вейбулла и модель кривой мощности с пятью параметрами логистической функции. Результаты показывают, что подход GLSE, предложенный в этой статье, осуществим и эффективен при моделировании WPC и прогнозировании энергии ветра, что может повысить точность оценки параметров модели, а пятипараметрическая логистическая функция может быть предпочтительнее по сравнению с полиномом высокого порядка и четырехпараметрической логистической функцией. -параметрическая логистическая функция, когда точность подгонки близка.

В условиях социального и экономического развития процесс урбанизации неотделим от массового использования энергии. Резкий рост спроса на энергию привел к значительному потреблению невозобновляемых ресурсов, таких как уголь и нефть. Однако традиционные энергетические запасы ограничены и не могут эксплуатироваться и использоваться без ограничений. В то же время сжигание угля, нефти и других ископаемых энергоносителей серьезно вредит атмосфере, например, туманная погода в городах. Высокие выбросы углекислого газа и других парниковых газов вызвали глобальные экологические проблемы. Таким образом, все более ожидаемым становится спрос на зеленую, чистую и возобновляемую энергию, такую ​​​​как энергия ветра и солнечная энергия.

В последние десятилетия ветроэнергетика быстро развивалась, но она имеет много неопределенностей по сравнению с традиционной ископаемой энергетикой. Таким образом, точный и эффективный метод оценки энергии ветра имеет большое значение для изучения крупномасштабного подключения к ветроэнергетическим сетям и выбора места для ветряных электростанций1,2,3,4. Чтобы оценить мощность ветряной турбины, волатильность и прерывистость ветроэнергетической системы обычно исследуются путем создания математической модели статистическим методом. Тем не менее, процесс моделирования сложен из-за стохастического характера, бимодального или мультимодального распределения скорости ветра5. Кривая мощности ветра (WPC), которая выражает нелинейную зависимость между скоростью ветра на высоте ступицы и фактической выходной мощностью ветряных турбин, обычно используется для оценки ветровых ресурсов на ветряной электростанции6,7,8,9,10,11,12 ,13. Помимо оценки и прогнозирования ветровых ресурсов, WPC также играет важную роль в мониторинге состояния ветряных турбин. Таким образом, WPC является важным показателем производительности ветряных турбин, и крайне важно установить точный и надежный WPC14,15,16,17. По разным причинам необработанные данные о ветре содержат некоторые выбросы, вызванные неисправностью ветряных турбин и измерительного оборудования, а также экстремальными погодными условиями и т. д. Чтобы повысить точность прогнозирования ветровой энергии, эти аномальные данные необходимо очистить перед моделированием WPC18,19. В литературе широко используются два типа методов очистки аномальных данных: (1) метод кластеризации или метод распознавания изображений с использованием данных о скорости ветра и (2) метод среднего значения, дисперсии и распределения вероятностей, основанный на характеристиках распределения аномальные данные. В этом исследовании для очистки аномальных данных используется комбинированный метод байесовской точки изменения и квартиля20.