引言

 

风能约占2.74×109兆瓦，约占风能总量的0.74%。2010年，由于风能在世界各地使用较多，全球风能产量达到1.64%×随着风力发电技术的发展和各国的关注，105兆瓦的商业竞争力将远远超过传统的发电方式。光伏发电由于其灵活性和环境保护，在当今的全球能源应用中发挥着越来越重要的作用。

 

1新能源发电风力发电技术原理

 

风能是一种利用风能转动风车叶片的技术，将风能转化为机械能并导致发电。为了加快叶片的旋转速度，提高发电效果，可以安装一个速度来提高发动机。在风的作用下，叶片产生空气能量，形成恒定的速度；在电梯的作用下，发电机以统一的速度运行，产生电能。一般来说，风力发电设备是由轮子、发电机、塔等组成的风力发电机。风力发电时，风能可以旋转螺旋桨叶片，风能可以通过旋转风轮装置转化为机械能；发电机铰链相互连接，叶轮驱动发电机旋转，从而将机械能转化为电能。通常，后风箱安装在风轮后面，以确保风轮始终朝向风的方向。风塔可支撑车轮、后杠、发电机等。，需要合理确定塔顶高度，将土坝对风速的影响与实际环境中风扇叶片的实际直径相结合，以满足风力发电的要求。

 

2.风力发电统计规律研究

 

在风力发电过程中，主要受风速和风向的影响，因此本节简要介绍了风速和风向统计方法。风速主要是指单位时间内空气沿水平方向移动的距离，风速随时间长度变化，主要是由于地形、陆地、海洋分布和季度气候的影响。例如，在中国，春季风速一般很高，但夏季相对较低。除了不同季度的风速外，白天和晚上的风速也不同：白天的风速通常较高，上午和晚上的风速最低，连接点通常在下午6点到7点之间。风向主要是风吹的方向，通常由16个方向表示。由于统计和报告，它也从常见的角度表示，如按北标点符号排列，90表示顺时针方向，180表示逆时针方向，270表示逆时针方向，360表示顺时针方向。

 

3信号分解技术在新能源发电功率预测中的应用

 

3.1模型优化算法的时域分解

 

在不稳定信号的时域分解中，原子分解是一种基于模型优化的经典分解技术。在新能源功率预测中，由于功率序列的复杂波动特性，对原子分解提出了更高的要求。2011年，HOU和SHI在原子分解的基础上，提出了一种能够描绘复杂信号特征、适应性强的原子稀疏分解技术。利用分解技术预测新能源发电功率，有效解决了信号噪声对布林线极值点提取的影响，提高了分解精度。原子分解可分为以下两个步骤。首先，构建一个完整的原子字典。与傅里叶展开中的正交基相比，该字典具有完整性，可以描述各种序列特征。字典中的原子也被称为参数波形；2、通过优化算法，将原始序列分解为一系列最优参数波形叠加组合。分解技术的核心在于原子字典的构建和各原子之间的最佳组合。只有当原子字典具有高度冗余的参数波形时，才能快速准确地表达原始序列的特征。当原子模型参数较少时，只能用来表示原序列的局部特征，导致多个原子组合特征的不连续问题。在原子字典的构建中，适当的原子字典是分析不稳定信号的关键。原子分解时频原子字典通常包括Gabor原子字典和Morlet原子字典。Gabor原子具有良好的时频聚集和时频分辨率，利用原子的相位、频率、位移和伸缩尺度构建风电原子库，以适应风电的波动过程。

 

3.2选择预测因素

 

新能源光伏电站发电功率直接受天气因素影响，各类天气发电功率发生变化，因为新能源光伏电站发电功率与太阳辐射强度密切相关，太阳辐射强度与季节变化、不同时刻同步变化，光伏电站发电功率有周期性变化规律，需要从现有历史数据和相应的气象参数历史数据中选择预测模型的预测因素。从选定的数据和数据引入方法的角度，将一段时间内的多维发电功率历史数据定义为输入数据，并根据嵌入维数和各历史数据解决预测模型的输入向量。由于太阳辐射过程随机不稳定，从日落到日出，从日出到日落，预测因素直接引入多维辐照历史数据可能导致预测模型产生大量重复信息，导致输入向量维度增加，加剧预测模型建设的难度，因此只选择一段时间的辐照历史数据作为预测因素，可以降低输入向量维度，有效挖掘历史数据中的有效信息。此外，地外辐照和地表辐照之间的差异代表了各种类型的天气条件。选择合适的方法将其引入预测模型的预测因素，使预测模型获得更准确的天气状况数据，提高预测模型的预测精度。

 

3.3风功率预测技术

 

利用风力预测技术，可以科学预测风力发电系统的输出功率，并在此基础上制定可持续的资源规划计划。随着风力的增加，风力发电需要纳入电网。如果发电能力不稳定，可能会影响电网的分布。在此基础上，科学预测风力，进行可靠的电网规划，确保电网稳定运行，提高风力利用率。一般来说，应结合预测周期和预测模型选择合适的预测方法，不同预测方法的应用条件也不同。根据预测期，短期预测可用于实时风能规划；短期预测可用于小组组成和应急规划；中长期预测可用于系统维护和风能资源评估。根据预测模型，物理方法可利用专业设施模拟风场周围的天气条件，控制风向、风速、气压、空气密度等参数，建立风模型，科学预测风力；统计方法主要利用数学函数公式分析数据与预测数据之间的数学关系和相关性，获得预测结果，基于时序算法、机械学习算法等数据工具；组合模型方法主要是整合相关的功率预测方法，形成更接近实际情况的预测模型，以获得更准确的预测结果。

 

3.4构建新能源电站发电功率预测模型

 

以新发电厂发电功率预测数据库为预测数据源，结合卷积神经网络构建新发电厂发电功率预测模型，完成发电功率预测。首先，定义神经网络模型中的输出层节点和输出层节点，假设神经网络的隐藏层重量为δ1，阈值为G1；输出层的重量为α2、阈值为G2。然后，开发预测模型参数，确定神经网络激活功能，便于进一步计算。

 

结束语

 

鉴于此，新能源的发展已成为一个重要的发展趋势，需要大规模开发和应用风能技术，更多地利用风能，弥补能源短缺，改变能源结构，减少环境污染。未来，为了充分利用风能，我们需要创新风能技术的应用。