人工智能在预测单机风电功率上的应用进展
最后更新：2020-04-03 11:42:05 手机定位技术交流文章
单个单元的风力预测基于风扇轮毂中的风速历史数据来预测风力。风速与功率的高比例使得电力调度系统对风电功率预测的精度要求更高。另外，风速具有间隙波动性和随机性，使得风速和风电功率序列表现出很强的非线性。人工智能在处理非线性预测问题方面具有优势，对单个风电功率的预测建模具有一定的价值。
为此，湖南工业大学研究员、匡洪海、、周、高润国在2020年第二期《电工技术》上撰文，介绍了基于人工智能的单机风电功率预测模型的建立过程，阐述了模糊逻辑等人工智能方法在单机风电功率预测中的应用及特点，讨论了单机风电功率预测模型存在的问题，并对提高单机风电功率预测模型的性能提出了一些看法。
2019年5月，国家发展改革委和国家能源局在《关于建立和完善可再生能源电力消费保障机制的通知》中指出，从2020年1月1日起，将对各省级可再生能源消费水平进行全面监测、评估和正式评估。2018年风电利用率将达到92.8%。然而，由于自然条件的巨大影响和风能的明显波动，电力系统的调度压力相对较高，无法完全适应大规模的风能并网。2020年风电利用率目标为95%。因此，调度系统对风电功率的准确快速预测有着现实的需求。
风机分为离网型和并网型。前者对分布式风力发电的功率预测精度要求较高，单机功率预测的性能将直接影响其投入使用时的可靠性。从集群风力发电网的角度来看，并网单机功率预测的误差对集群功率预测的影响是成倍增加的。
预测电场中的每一台机器都非常昂贵。鉴于相同范围内风速等气象条件的高度相似性，集群风力发电网的功率通常由一个或多个电机的功率预测来计算。无论是离网单机还是并网单机，单机的风电功率预测精度是影响风电普及率的重要因素。因此，对单机功率预测模型和方法的研究就显得尤为重要。
目前，学术界对电场级和聚类级功率预测系统中的风电功率预测方法进行了大量的研究。国外对风电功率预测的研究起步早于国内。特别是在工程应用方面，国外拥有相对完整的风电预测工具。近十年来，国内外学术界约有17%采用了人工智能预测模型，其中组合模型约占20%。可以看出，风力发电的人工智能预测模型是近年来的研究热点，但仍远未达到统计模型的54%。只有大约10%的研究方向集中在建模问题上，并且大部分研究集中在预测方法和仿真上。可以看出，在0+和0+之间，人工智能预测模型的研究仍然很大。
现有的风电人工智能预测模型的研究大多集中在电场水平和聚类水平的预测上，不能满足分布式风机准确、快速供电的需求。因此，国内外一些学者对单次风电功率的预测进行了有益的研究。
一些学者对风电功率预测技术进行了总结，指出由于天气等随机因素的影响，很难预测单台机器的风电功率，许多研究集中在电场水平和聚类水平预测。一些学者研究了单机输出功率的波动特性，表明预测精度与时间尺度成反比，在空的尺度上，单机功率的波动比电场和集群的波动更强；杨俊友等提出了一种考虑尾流响应的单机功率物理预测方法。预测模型的建立考虑了随机因素，提高了预测效果。将单机功率预测引入到无功控制策略中，充分利用了单机预测的精度优势，提高了分布式电场的无功调节效果。叶林等人提出用单机有功功率预测来实现有功功率控制和校正。可见，由于单机功率预测的随机性，国内风电功率预测模型更多采用或结合物理建模技术建立，在有功功率和无功功率控制方面进行了突破性的应用探索。国外更倾向于使用统计建模技术建立单一的风电功率预测模型。
根据不同的预测策略，单个风电功率预测模型的建立可以分为两种类型，即物理建模和统计建模。
1)物理建模技术利用气象学来分析和预测复杂的大气物理过程。由于风速序列在时间上不规则且波动较大，空时，很难为不同机组建立统一的物理模型。它强烈依赖于数值天气预报(NWP)，但它不需要历史数据。2)统计建模技术基于统计思想，利用风速/风电功率时间序列等历史值对未来值进行回归预测或概率预测。统计模型主要包括人工智能预测模型。人工智能预测模型在非线性序列预测中具有优势，包括人工神经网络(ANN)预测模型和支持向量机(SVM)预测模型。湖南工业大学的研究人员分析了基于人工神经网络和SVM的单机风电功率预测模型，梳理了基于模糊逻辑法和启发式算法等人工智能技术的单机风电功率预测方法，总结了单机风电功率预测模型和方法，比较了不同模型和方法的优缺点，重点关注了预测过程中可能产生误差的方面，并展望了可能的研究方向。
图1模糊推理过程
图2 anf is预测模型的拓扑
研究者指出，在单机风电功率预测模型中，人工神经网络预测模型拓扑结构紧凑，预测精度高，迁移性能好，但需要大量历史数据，训练模型耗时长，难以找到全局最优解。SVM预测模型相对简单，比人工神经网络具有更好的鲁棒性和更高的预测精度，但核函数的选择条件严格，容易出现过拟合。
在单机风电功率预测方法中，针对风速的不确定性和随机性，模糊逻辑方法利用自适应神经网络提取有效信息并预测风电功率，弥补了原有预测模型不能准确预测电力序列非平稳部分的缺陷。高可用性具有很强的捕获随机信息的能力，并用于调整模型参数。
神经网络预测模型在超短期和短期预测中的整体性能优于SVM预测模型。超短期预测结果可以帮助风力涡轮机调整叶片桨距角，短期预测结果可以帮助风扇控制决策。SVM预测模型更适合中长期风电功率预测。并网运行时风机等能源的调度判断是否采用逐时中期预测，包括设计储能设备的调度方案，以满足电能质量和容量的要求；在分布式发电的情况下，它也可以作为分布式能源调度的重要参考。
此外，基于SVM的长期风电功率预测是风电场规划、年度维护规划和风光互补发电规划的重要指标依据。
单机组风电功率预测是多能源智能电网发电容量、储能容量和年度维护计划分配的重要依据，为微电网的推广奠定了重要基础。另外，在超短期单机风电功率预测具有足够精度的情况下，预测误差仍有望作为未来预测风机故障的一种方法，以促进坚强电网的建设。
目前，单机风电人工智能预测模型仍存在一些问题:①预测模型高度依赖输入数据，难以为实际工程中的每台风机提供准确的微气象数据，可信度低，许多模型没有充分考虑风速表与风机轮毂空的差异；(2)预测模型的超参数和参数的设置方法主要通过经验和交叉验证的方法获得，不能给出物理意义的解释；(3)在评价模型时，迫切需要一个准确统一的评价标准，因为它不能完全脱离数据来讨论模型的性能。
因此，在论文的最后，研究者展望了未来单个风电功率人工智能预测模型的研究方向。
1)提高模型输入数据的质量。它可以从三个角度进行优化。
(1)利用分辨率较高的NWP数据，结合地理信息系统进行风速修正，提高精度；(2)选择预测特征时，应充分考虑地理条件对风速的影响，以提高精度；(3)考虑结合物理模型、动力学模型和流体力学模型构建组合模型，从模型的建立提高预测系统的性能。
2)建立专门的评估数据库。
风力发电模型的固有特性决定了不同方法在不同数据下得出的结论不具有直接可比性，如果对同一数据采用不同的方法，只能通过误差的大小差异来获得两者之间的差异。现在，新的模型越来越多，但是对每个模型性能的完整评价却很少，这对以后的实践非常不利。因此，有必要建立一个专门的风电数据库来预测系统性能的评估基准，并从可靠性、运行效率、合格率和复杂性等角度对模型进行综合评估。
3)建立高性能云计算平台。
单机风电人工智能预测模型的定时更新有助于预测系统跟踪风速的实时变化，这需要强大的计算能力支持。另外，单机功率预测系统在分布式发电中的应用需要云计算的帮助，以降低配置服务器的成本。人工智能领域的数据挖掘、大数据处理、智能算法和模型都可以为单机功率预测提供支持。
上述研究结果发表在2020年第2期《电气技术》杂志上。论文题目为“单风电人工智能预测模型综述”。作者是、匡洪海、、周、高润国。
本文由 在线网速测试 整理编辑，转载请注明出处。
