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。

2009年，年度一次能源消费总量相当于标准煤292028万吨。

煤，石油和天然气分别占能源消费的74％，18.8％和4.1％。

2010年，年能源消耗量达到324939万吨标准煤。

化石燃料（煤，石油和天然气）占年度一次能源消费总量的91.4％。

此外，由于这些化石燃料的燃烧，大量的温室气体被释放到大气中，这增加了全球气候变暖的风险。

为缓解全球变暖和能源部门的压力，中国政府在“十二五”规划中提出了以下目标：非化石能源将占一次能源消费的11.4％，二氧化碳排放量将减少单位GDP的17％。

“中国可再生能源中长期规划”旨在到2020年将可再生能源消费量提高到15％。

这些目标鼓励新能源项目的开发和可再生能源的探索。

作为最干净的可再生能源资源之一的风能在中国引起越来越多的关注和关注。

为风电利用开发了几个风能项目。

此外，许多风电场正处于设计和规划阶段。

因此，有必要开发一种有效和高效的风能资源评估方法。

风能资源潜力的准确评估不仅是风能发展的重要组成部分，也为投资者提供了财务可行性和风险缓解的信心。

研究风场风速的统计特征至关重要，因为风速特征与风能潜力评估，风电场和发电机设计以及风力发电系统的运行管理密切相关[5]。

摩根等人[6]还表示，风速概率密度函数对于估计风力发电机设计和现场规划的能源生产至关重要。

在工程实践中，根据下面的规则，风速的平均值与平均风力发电机功率Pw相关[7]其中fðxÞ是风速x的pdf，PwðxÞ是用于描述风速输出功率的涡轮功率曲线。

在大多数研究中，Weibull分布用于推导出风力发电密度和风力发电机功率的评估然而，这种分配不能很好地代表一些风力发电。

为了最小化风资源评估的不确定性，风力发电密度和风力发电机功率应从最合适的风速形式得出。

利用精确的风速将最大限度地减少风资源估算和现场评估阶段的规划不确定性。

功率曲线是风力发电机设计和现场规划能源生产估算的重要因素。

虽然PwðxÞ的不确定度小于风速pdf fðxÞ的估计，功率曲线对风能评估的准确性有重要影响。

因此，有必要分析功率曲线的类型。

不同功率曲线的分析可以影响风力发电机的选择和风能规划的结果。

本研究以中国中部四个风电场作为研究对象，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（常用方法和随机启发式优化算法）进行了比较，然后评估所选风电场的风能潜力。

研究的主要目标是在同一研究领域的其他研究提供的主要目标可概括如下：（1）本文利用实例说明非参数分布模型是风速特征参数分布的替代方法。

不同的位置具有自己的风速特征，导致不同的风速分布，从而导致参数分布的选择困难。

因此，对于风速分布的对数估计，参数函数的选择和性能应根据风的具体统计特征进行深入和分析。

非参数分布模型是数据驱动的，在描述风速特征之前不作假设。

风速概率分布的模拟表明，非参数模型在拟合精度和操作简便性方面表现优于参数模型。

（2）利用实例，对多种参数估计方法进行了评估和比较，结果参数估计方法影响了混凝土区域参数分布模型的准确性。

随机启发式优化算法是传统统计估计方法的一个很好的选择。

（3）通过实例，本文还比较和讨论了功率曲线对风机选型的影响。

在评估风能潜力时，本研究回顾和讨论了文献提出的六项功率曲线和风力发电机组引起的功率损耗和涡轮机之间的相互影响，并提出了修正指标（可用性因子，平均容量因子和改进的平均容量因子）用于选择风力涡轮机。

本文的其余部分安排如下。

第2节回顾了以前的研究工作。

第3节介绍了中国中部四个站点的收集数据，并进行了简要的分析。

第4节讨论了非参数分布的Mann-Whitney U检验和双样本Kolmogorov-Smirnov检验（K-S检验）。

第5节介绍了风速分布的各种模型，包括几个参数模型和非参数方法。

本节还介绍了几种参数估计方法，特别是杜鹃搜索算法（CS）。

在第6节中，首先提出评估标准来评估模型。

然后分析风速分布的突变试验。

之后，提出了各种比较：概率密度函数与参数估计之间的性能比较，以及参数模型与非参数估计之间的比较。

第7节讨论风能评估和风力发电机组选型。

第8节介绍了研究结论。

2 以前的工作概述本节回顾了科学文献中提出的以前的研究工作。

它包含两个部分：风速分布函数概述和估计方法概述。

2.1 风速分布函数概述在电力系统规划和可靠性分析中，大多数研究利用参数模型研究风速概率分布。

参数分布模型可以分为两类：（1）单峰参数分布，如威布尔分布[8-18,25]，瑞利分布[6,16]，伽马分布[6,22]和对数正态分布[19,20]。

（2）多模参数分布，例如由几个单峰参数分布组成的混合分布[6,27-33]和用最大熵原理（MaxE）导出的pdf [34-40]。

表1显示了科学文献中关于风速概率分布的常用参数模型。

在单模分布的参数分布模型中，两个参数Weibull分布是最广泛使用和接受的分布模型。

Arslan 等人还指出，双参数威布尔分布被认为对风速数据非常适用。

威布尔分布密度函数的形式随着形状参数k的值而急剧变化。

Weibull分布的风速和风能潜力的一些例子如下。

Ucar和Balo 采用Weibull函数来描述风速特征，并研究了土耳其六个气象站四台不同风力发电机的相应年度能源生产情况。

发电利用Weibull分布来确定风力发电的潜力。

Keyhani等利用气象模型评估了德黑兰的风能潜力，并利用威布尔分布来研究风速特征。

Dabba-ghiyan等使用威布尔概率分布函数来计算伊朗布什尔省四个地区的风力密度和能量。

在实践中，风速分布在不同的风力发电场中显示各种模式。

两参数Weibull 分布并不代表一些风力状况。

其他分布函数，如伽马分布[6,22]和对数正态分布[21]也用于描述风速分布。

近年来，一些研究人员提出使用其他分布函数，如Kappa和Wakeby分布[23,24]来表示风速数据。

例如，布兰诺等人[22]通过采用七个分布函数（Weibull，Rayleigh，Lognormal，Gamma，Inverse Gaussian，Pearson V和Burr）研究了巴勒莫市区风速特征，结果是Burr概率密度函数最大可靠的风速分布统计功能。

Soukissian [23]利用Johnson SB，Kappa和Wakeby分布来描述近海风速的经验分布，发现它们具有比威布尔分布更好的适应性。

Mert和Karakus [26]发现，Burr分布比广义Gamma或Weibull分布更适合用于表示Antakya风速数据的实际概率。

当风速分布为单峰时，传统的概率分布（如上述威布尔分布）通常会得到很好的结果。

当风速分布是多模态时，如上述分布的单峰分布模型不能很好地描述风速分布。

采用多种混合概率函数来估计多峰风速分布。

混合概率函数包括双峰威布尔函数[27]，截断正威维尔函数[28]，混合伽马- 威布尔函数和混合特征正态函数[32]。

Chang [32]表明，无论风速和功率密度如何，如果风力系统呈现两个隆起，上述混合函数将风特征描述为比常规威布尔函数更好。

Morrissey和Greene [33]研究了俄克拉荷马州两个不同表面风速数据集的四个正交多项式扩展，结果是适当选择的正交多项式可以提供非常好的拟合度，并且相当易行。

使用MaxE派生的pdf也适用于单峰和多峰风速分布的估计。

许多研究人员[34-40]比较和讨论了这种类型的方法与风速数据最受欢迎的威布尔分布。

例如，Chellali et al。

[34]发现，使用MaxE导出的pdf在均方根误差方面优于常规威布尔分布。

Zhou等[35]证明了基于最大熵的密度函数是灵活的，并且有可能捕获风速数据的其他可能的分布模式。

Liu和Chang [36]显示，基于熵的最大分布在双峰风系统中胜过许多威布尔函数。

参数模型是在风速分布建模中正确指定模型时分析风速数据的有用工具。

许多科学文献提出了许多方法，如上述参数模型。

但是，参数化功能的选择和性能应根据风的具体统计特征进行理解和分析。

此外，模型的拟合精度取决于时间参数，采样数据的面积和评估标准。

此外，在参数化建模过程中，存在建模偏差，因为参数模型最多仅仅是生成给定数据集的真实随机动力学的近似。

为了克服参数模型的缺点，一些研究人员引入了非参数方法作为估计风速概率分布的替代方法。

平滑是非参数函数估计中经常使用和强大的技术。

非参数核密度估计方法在探索性数据分析领域起着重要的作用。

例如，Qin et al利用高斯核函数进行长时间风速概率分布的密度估计。

Harvey和Oryshchenko 提出将核密度估计用于通过最大可能性或交叉验证估计的带宽的时间序列数据。

Zhang et al。

开发了一个平滑的多变量风力分布模型，以捕获风速，风向和空气密度的耦合变化。