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性研究》為題，展示了基于深度學習與風速預測的融合發(fā)展創(chuàng)新技術。當深度學習遇到風速預測，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，準確的風資源數據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測發(fā)電量，從而大大降低由發(fā)電能力預測決定項目投資回報預期所帶來的財務風險，提升風電項目開發(fā)質量。

　　

　　有報告研究認為，僅由于風資源評估的不準確對年發(fā)電量預期的影響就可在±1%，因此更精益的風資源評估預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雜的區(qū)域而言，度電成本下降預計可達0.5-0.7分/度。

　　

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

　　

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

　　

　　尤其是在搶電價的關鍵時期，傳統(tǒng)插補方法的數據失真對風電項目開發(fā)建設影響更大。例如在某風電項目中，業(yè)主在場內立了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)插補方法對場內測風塔進行插補，插補后得到場內測風塔風速為4.85m/s，與實際數據偏差較大。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，而電價無補貼關口將至，該項目最終面臨退出開發(fā)風險。

　　

　　為了解決插補數據缺失及不準確的問題，明陽智能在大量項目經驗實施過程中，探索出了一套將深度學習模型應用于風資源插補領域的解決方案，致力于幫助風電行業(yè)能夠更精準地進行風資源評估。實際應用數據顯示，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測方案主要基于“反向傳播”的訓練方法，即在模擬訓練過程中收集系統(tǒng)所產生的誤差，并返回這些誤差到輸出層，之后用這些誤差來調整神經元的權值，逐步使得誤差值最小，最終得到最優(yōu)模型。通過歷史數據對模型進行訓練，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雜地形，明陽智能深度學習插補數據都展現(xiàn)出了與實測數據的高度吻合。

　　

　　

　　選取某平坦地形風電場數據，對目標風速進行插補。訓練集選取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。結果如下：

　　復雜地形對比：相關性系數達到0.939，較傳統(tǒng)插補方法提升1.1%

　　

　　選取某復雜地形風電場數據，對目標風速進行插補。訓練集選取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，數據顯示在平坦地形和復雜地形，其平均絕對誤差分別為0.571和0.588，相關性系數分別達到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%，平坦地形相關性系數和決定系數分別上升了2.2%和4.5%，復雜地形相關性系數和決定系數分別上升了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

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

　　

　　基于平坦和復雜地形測風塔數據插補的實用性驗證，明陽智能技術團隊還將深度學習風速預測解決方案延伸到了風機風速預測領域。對于風場中單臺或多臺風機數據缺失的問題，可以根據風場內臨近機位的風機的歷史風速數據，進行深度學習預測插補，解決風場風資源數據部分缺失的問題，也可以根據插補的風速值，用于歷史機位的故障診斷。根據插補數據，這一方法的相關性系數可達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測為智慧風場建設提供了創(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，深度學習風速預測技術僅僅是人工智能應用技術之一，未來明陽智能還將不斷拓展這一技術方案，結合邊緣計算技術，更好地為風電產業(yè)智慧化、高質量發(fā)展貢獻力量。