在2020北京國際風能大會暨展覽會上，明陽智能以《多樣風場環(huán)境下風資源深度學習插補模型的適應(yīng)性研究》為題，展示了基于深度學習與風速預(yù)測的融合發(fā)展創(chuàng)新技術(shù)。當深度學習遇到風速預(yù)測，究竟會迸發(fā)怎樣的火花？

　　風能是自然界中受環(huán)境影響最為敏感、隨機性最強的能量之一。在風電開發(fā)領(lǐng)域，精準且及時的風資源評估是一項長期存在的國際性課題，準確的風資源數(shù)據(jù)在很大程度上可幫助業(yè)主更好地進行選址和選型、制定控制策略以及預(yù)測發(fā)電量，從而大大降低由發(fā)電能力預(yù)測決定項目投資回報預(yù)期所帶來的財務(wù)風險，提升風電項目開發(fā)質(zhì)量。

　　

　　有報告研究認為，僅由于風資源評估的不準確對年發(fā)電量預(yù)期的影響就可在±1%，因此更精益的風資源評估預(yù)計可以帶動度電成本下降0.4-0.6分/度，而對于山地、丘陵等風資源條件更為復(fù)雜的區(qū)域而言，度電成本下降預(yù)計可達0.5-0.7分/度。

　　

　　風電項目開發(fā)中，前期的風資源數(shù)據(jù)采集主要基于測風塔的數(shù)據(jù)，但受到設(shè)備缺失、機械故障、惡劣天氣和人為因素等影響，測風塔數(shù)據(jù)往往會出現(xiàn)采集時間短、間斷點多、數(shù)據(jù)失真等問題，這對于風資源評估帶去不小麻煩。

　　

　　一般而言，測風設(shè)備缺測或數(shù)據(jù)失效，需要插補測風設(shè)備實測數(shù)據(jù)。傳統(tǒng)的方法是，基于數(shù)學相關(guān)性插值法進行間斷數(shù)據(jù)的插補和擬合，但這種方法智能化程度低，且由于插補擬合前提假設(shè)是風速存在線性特定關(guān)系，而真實關(guān)系并非線性，所以其準確性略顯不足。

　　

　　尤其是在搶電價的關(guān)鍵時期，傳統(tǒng)插補方法的數(shù)據(jù)失真對風電項目開發(fā)建設(shè)影響更大。例如在某風電項目中，業(yè)主在場內(nèi)立了1座測風塔，測風時間為3個月，風速為4.93m/s。風電場周邊有2座長期在役測風塔，但距離項目較遠，分別為16km和22km。利用兩座場外測風塔，通過傳統(tǒng)插補方法對場內(nèi)測風塔進行插補，插補后得到場內(nèi)測風塔風速為4.85m/s，與實際數(shù)據(jù)偏差較大。因此，第三方評測認為插補帶來的不確定性較大，建議滿足測風完整年再評估后再進行開發(fā)決策，而電價無補貼關(guān)口將至，該項目最終面臨退出開發(fā)風險。

　　

　　為了解決插補數(shù)據(jù)缺失及不準確的問題，明陽智能在大量項目經(jīng)驗實施過程中，探索出了一套將深度學習模型應(yīng)用于風資源插補領(lǐng)域的解決方案，致力于幫助風電行業(yè)能夠更精準地進行風資源評估。實際應(yīng)用數(shù)據(jù)顯示，具有高度非線性和較強的泛化能力的深度學習模型，在提升風資源評估的準確性上，較傳統(tǒng)線性方案具有較大優(yōu)勢。

　　

　　明陽智能深度學習風速預(yù)測方案主要基于“反向傳播”的訓(xùn)練方法，即在模擬訓(xùn)練過程中收集系統(tǒng)所產(chǎn)生的誤差，并返回這些誤差到輸出層，之后用這些誤差來調(diào)整神經(jīng)元的權(quán)值，逐步使得誤差值最小，最終得到最優(yōu)模型。通過歷史數(shù)據(jù)對模型進行訓(xùn)練，可完成對風速缺失值的更準確地插補。

　　

　　無論是在平坦地形還是復(fù)雜地形，明陽智能深度學習插補數(shù)據(jù)都展現(xiàn)出了與實測數(shù)據(jù)的高度吻合。

　　

　　

　　選取某平坦地形風電場數(shù)據(jù)，對目標風速進行插補。訓(xùn)練集選取2017年7月10日0點至2018年2月15日9時；測試集選取2018年2月15日9時20分至2018年4月15日7時30分。結(jié)果如下：

　　復(fù)雜地形對比：相關(guān)性系數(shù)達到0.939，較傳統(tǒng)插補方法提升1.1%

　　

　　選取某復(fù)雜地形風電場數(shù)據(jù)，對目標風速進行插補。訓(xùn)練集選取2017年3月18日0時至2019年1月1日0時；測試集選取2019年1月1日0時至2019年5月4日0時。結(jié)果如下：

　　可以看出，明陽智能深度學習插補方法與實測值變化趨勢基本一致，數(shù)據(jù)顯示在平坦地形和復(fù)雜地形，其平均絕對誤差分別為0.571和0.588，相關(guān)性系數(shù)分別達到0.973和0.939，表現(xiàn)優(yōu)異。

　　

　　下面還是分別以平坦地形和復(fù)雜地形為例，再將明陽智能深度學習插補方法與傳統(tǒng)插補方法進行對比。

　　

　　結(jié)果顯示，在兩種地形條件下，深度學習插補方法的平均絕對誤差可分別降低25.2%和6.2%，平坦地形相關(guān)性系數(shù)和決定系數(shù)分別上升了2.2%和4.5%，復(fù)雜地形相關(guān)性系數(shù)和決定系數(shù)分別上升了1.1%和1.9%。

表1 不同地形深度學習插補較傳統(tǒng)風速插補提升效果統(tǒng)計

　　通過具體數(shù)據(jù)分析，明陽智能深度學習插補方法較傳統(tǒng)插補方法在數(shù)據(jù)表現(xiàn)上有較大提升，平均絕對誤差（MAE）和均方誤差（MSE）下降明顯，相關(guān)性系數(shù)（COR）和決定系數(shù)（R2）提升效果顯著。

　　

　　基于平坦和復(fù)雜地形測風塔數(shù)據(jù)插補的實用性驗證，明陽智能技術(shù)團隊還將深度學習風速預(yù)測解決方案延伸到了風機風速預(yù)測領(lǐng)域。對于風場中單臺或多臺風機數(shù)據(jù)缺失的問題，可以根據(jù)風場內(nèi)臨近機位的風機的歷史風速數(shù)據(jù)，進行深度學習預(yù)測插補，解決風場風資源數(shù)據(jù)部分缺失的問題，也可以根據(jù)插補的風速值，用于歷史機位的故障診斷。根據(jù)插補數(shù)據(jù)，這一方法的相關(guān)性系數(shù)可達0.979，較傳統(tǒng)插補方法提升1.7%。

 

　　明陽智能深度學習風速預(yù)測為智慧風場建設(shè)提供了創(chuàng)新性的風資源評估方案支持，而對于專注自主創(chuàng)新的明陽智能而言，深度學習風速預(yù)測技術(shù)僅僅是人工智能應(yīng)用技術(shù)之一，未來明陽智能還將不斷拓展這一技術(shù)方案，結(jié)合邊緣計算技術(shù)，更好地為風電產(chǎn)業(yè)智慧化、高質(zhì)量發(fā)展貢獻力量。