基于统计方法的风电场风速－功率特性建模

基于统计方法的风电场风速－功率特性建模，并没有将风电场完全看为黑箱，对风电机组本身的风速－功率特性依然有较大依赖。基于智能算法的风电场风速－功率特性建模则完全将风电场视为“黑箱”，以风电场实测数据为基础，通过大量的样本训练或多次的迭代修正来获取风电场风速－功率特性。

风电场风速－功率特性本质上是非线性输入与非线性输出之间的关系。据此，很多学者提出了利用BP神经网络、Elman神经网络等智能算法并根据风电场实测数据进行辨识，进而获取风电场风速－功率特性的思路。

以风速和风向作为神经网络的输入量，经过实测数据的样本训练，建立风电场风速－功率模型。风机捕获功率的大小既与风速有关，又与桨矩角有关，因此文中选取实测风速和桨矩角作为BP神经网络的输入量，以风电场输出功率为输出量进行样本训练，最终得到风电场风速－功率模型。

BP网络建立的模型由输入输出历史数据作为神经网络的训练样本，具有局限性，所建立模型只能作为静态模型使用，而风电场具有动态变化的特点，为此提出了能够适应时变特性的Elman神经网络来构建风电场的风速－功率模型。

风电场输出功率受众多因素影响，虽然计及机组工况的风电场风速－功率建模能较好地考虑到场内各机组工况的差异性风电场风速模型，但场内机组数量大，完全计及所有机组工况并不现实，也不具有操作性；另外尾流效应和时滞效应受气温、风向等因素影响风电场风速模型，建模困难、量化计算难度大。

采用统计方法和智能方法的风电场风速－功率建模是以实测数据分析为基础的，两者有效地规避了上述问题，但实测数据只能表征风电场在某一时间区间、某一运行方式下的特性，尽管可通过大量的数据分析消除时间因素对所构建模型的影响，但得到的模型不能囊括风电场的所有运行方式；而且风电场输出功率不仅与当前风速有关，还与风速过程有关，因此进一步研究还需深入展开。