基于尾流效应与机器学习的风功率预测研究.pdf

:/基于尾流效应与机器学习的风功率预测研究余忠泽 刘震卿 马驰(.华中科技大学土木与水利工程学院 湖北 武汉.中国广核新能源控股有限公司 北京)摘 要:针对采用 尾流解析模型分析尾流效应时 未考虑上游风机所带来的附加湍流强度对下游风速恢复的影响 从而导致严重高估尾流区风速损失的问题 提出采用高斯尾流模型考虑尾流效应 并与机器学习算法相结合 对现有基于物理效应启发的短期风功率预测方法进行改进 使得短期风功率预测模型在尾流区预估风速精度方面从理论上得到提高 以真实风电场历史风电数据开展实验 结果表明 与不考虑尾流效应相比 模型预测性能在均方误差方面降低约 与基于 尾流解析模型的预测方法相比 模型预测性能在均方误差方面降低约 关键词:尾流效应 机器学习 风功率预测 高斯尾流解析模型中图分类号:文献标志码:文章编号:()基金项目:国家自然科学基金面上项目()收稿日期:(.):.:引言风能作为一种新兴的清洁能源 已成为全球能源发展的重要组成部分 年 中国风电累计并网装机容量占全国总发电装机容量的 风电新增装机容量达到 万 占全国新增装机容量的 随着风能在电网中所占比重的增加 风能对电网计划和调度造成的压力也在不第 卷第 期 湖 南 电 力 年 月断升高 准确、快速的风电预测可有效减少或避免风电场对电网的不利影响 对于风能的开发利用和电力系统的安全稳定运行具有重要意义但是由于风能的波动性和随机性 目前短期风功率预测精度有待提高 因此 提高风能预测的准确性已成为风能开发利用的关键 同时也成为各国风能开发研究的重点主流风功率预测方法有基于大气动力学方程和热力学方程的物理方法、基于曲线拟合和参数估计的统计方法 以及基于对历史数据集训练预测模型的机器学习方法 机器学习方法相比于另外两种主流方法 更简单且具有学习能力 因此成为了当下风功率预测热门的研究方向 目前基于机器学习方法的短期风功率预测研究 普遍集中在模型预测准确性的提高上 提高的方法主要基于对算法的改进或不同模型的组合 如 等人利用改进后的人工蜂群算法结合极限学习机的风电功率预测方法 等人考虑时空耦合性的 方法少部分研究从输入数据的预处理着手 例如 和 等人采用的“剔除异常值”和“补齐缺失值”两种处理方法 实现对输入数据的优化部分研究从数据特征提取着手 如 等人对风速序列进行小波变换提取特征 少数研究着眼于利用预测误差修正 即利用模型风功率预测值与实测值之间的差值 返回模型进行优化 如 等人提出的每日滚动修正方法 部分研究着手于提取特征相关性分析 选择部分特征进行分析与训练 达到提高模型预测性能的目的 例如对风速、风向、温度、湿度、气压等多维数据与风功率进行相关性分析 挑选部分物理量作为有效特征用于模型训练 如 等人考虑时空相关性 并根据相关系数进行加权选取特征进行训练 但是目前各种研究中模型训练所用的气象数据一般直接来自当地气象局 空间尺度较大 不适合作为风机处的预测风速 例如 等人考虑尾流效应的风功率预测方法中使用中尺度气象预测数据目前用于风功率预测的机器学习方法存在气象信息尺度较大的问题 且普遍不考虑尾流、地形等物理效应的影响 但是物理效应往往会严重影响空间中的风速分布 进而影响风机输出功率 尾流效应是其中最显著的一种 尾流效应是指风机从风中获取能量的同时在下游形成风速下降的尾流区 它的存在显著影响着风场内的风速分布 从而影响风机的输出功率 近年来考虑尾流效应的风功率预测研究中 基于 尾流解析模型提出的考虑尾流效应的短期风功率预测模型仅使用气象预测数据作为模型输入 而且预测效果优于未考虑尾流效应的常用机器学习模型 证明了尾流效应在风功率预测研究中的重要性 但是 尾流解析模型未考虑上游风机所带来的附加湍流强度对下游风速恢复的影响 严重高估了尾流区的风速损失 因此 在考虑尾流效应方面 机器学习模型的预测精度还有一定的提升空间 对此 提出考虑环境湍流强度和风机推力系数的模型 即高斯尾流模型 作为预测风速的物理修正依据 高斯尾流解析模型在尾流效应计算时对风速损失采用高斯分布假设 将环境湍流强度和风机推力系数作为变量参与计算已被证明能更加真实、精确地模拟风机尾流因此 本研究将高斯尾流解析模型与机器学习方法相结合 通过对比实际风电场整场的短期风功率预测效果 验证该方法的有效性 风功率预测方法采用高斯尾流解析模型作为考虑尾流效应的依据 建立一个用于短期风功率预测的神经网络模型 考虑到高斯尾流模型可细分为单高斯尾流解析模型(尾流模型)与双高斯尾流解析模型 分别用 与 表示 与现有预测模型中采用的 尾流解析模型(用 表示)不同的是 高斯尾流解析模型考虑环境湍流强度 且双高斯尾流解析模型在远尾流区和近尾流区都能较准确地预测风速分布 进而修正预测风速 本文通过以下四个部分介绍模型的构建 包括短期风电功率预测问题的数学建模、神经网络模型、尾流解析模型和尾流影响的判定与计算 短期风电功率预测建模短期风电功率预测属于多变量非线性回归问题 使用风电场预测的风速、风向作为尾流解析模型输入 预测数据的时间间隔为 对应时刻的整场发电量作为模型输出 借助尾流解析模型可以估计任意风机处的考虑尾流效应后的风速 即修正风速 借助风机的风速风功率曲线 获得该时刻任意风机的预估输出功率 将每台风机预估输出功率相加 可获得整场预测风功率 利用修正后的风机处预测风速与风机预估风功率作为神经网络的输入 进行模型训练 依据评估指标进行模型参数的更新 最终选出预测性能最佳的模型作为短期风功率预测模型 以上描述可用公式()()第 卷第 期 湖 南 电 力 年 月进行表示()()()()()()式中 代表第 个上游风力涡轮机、分别为单机修正后预测风速、修正前预测风速及预测风向 是尾流解析模型、分别是根据风机的风速风功率曲线得到的单机预估输出功率和整场预估输出功率 是风机总数 是神经网络模型预测整场风功率 是建立的短期风功率预测模型 神经网络模型神经网络是一种常用于构建多变量非线性模型的方法 在给定的数据集中 神经网络可以从历史数据中学习并对未来数据做出预测 一个神经网络包括一个输入层、隐藏层和一个输出层 每层的节点连接不同的权重 节点的值由上层节点决定 如式()所示:()()()式中 ()为待确定节点的值 是上一层的第 个节点 是权重 是偏置 是采用 的激活函数 具体形式如式()所示 ()()()神经网络通过反向传播不断调整每个节点之间的权重 以便更准确地预测测试数据 图 显示了用于短期风电功率预测的传统神经网络结构图 传统风功率预测神经网络结构 高斯尾流解析模型 尾流模型 和 学者提出了一种新型的考虑环境湍流强度和推力系数影响的基于高斯分布的风机解析式尾流模型 尾流模型中假设转子引起的沿流向的速度损失相对于转子轴线为轴对称且在尾迹截面上具有自相似的分布 图 所示为 模型的速度损失高斯分布示意图与大涡模拟()数据相比 尽管在近尾流区域存在轻微的不对称性 数据显示与高斯分布具有良好的一致性图 速度损失的高斯分布示意图尾流 区 平 均 速 度()可 由 式()确定:()()()式中、代 表 水 平 方 向 代 表 竖 直 方 向()是上游风速 是风机尾流导致的速度损失 并且是 和 的函数 是距尾迹中心的径向距离 且 ()为轮毂中心高度 由于速度损失具有自相似性质 因此可以表示为流向函数与自相似形状函数的乘积 即式():/()/()()式中 流向函数 /()为沿风向各个位置的最大速度损失 并通过轮毂高度处的平均风速进行归一化 是涡轮机转子处的推力系数 是环境湍流强度 /()是速度损失在尾流横截面上的自相似分布 定义为尾迹截面中心以最大值归一化的速度损失 是转子直径 是每个横截面上沿跨度方向的平均速度损失分布的标准偏差并被视为尾迹宽度的代表值 模型假设尾流区域沿流向为线形膨胀所以将/定义为式()():/()()()、是模型参数 如式()()所示:第 卷第 期 余忠泽等:基于尾流效应与机器学习的风功率预测研究 年 月 ()()(/)()(/)和(/)分别被称为流向函数和跨向函数 具体形式如式()():/()(/)()/()()改进双高斯尾流模型 尾流模型中采用单高斯曲线进行尾流区风速损失的计算时 计算结果在远尾流区与 计算结果具有良好的一致性 但在近尾流区存在轻微的不对称性 尾流模型中采用双高斯曲线拟合尾流区的附加湍流强度变化 对单高斯风速损失模型进行改进 采用双高斯曲线进行建模 在近尾流区和远尾流区同样具有较高的精度 改进双高斯尾流模型的计算如式()()所示:()()()()()()尾流影响判定及风速亏损计算在实际风电场中 下游风机往往处于一个乃至多个上游风机的尾流中 多个风机尾流的叠加作用使得下游风机功率进一步降低 当满足以下条件时 认为下游风机受到上游风机尾流影响 需要计算风速损失 ()()式中 是来风方向 是两风机在来风方向投影的距离 是两风机在垂直来风方向投影的距离是尾流扩展率 用于描述尾流的线性扩展率 的值通常由环境特征决定 在陆上风电场设定为 在海上风电场设定为 对于单一风机的风速亏损 需要考虑多个上游风机尾流的叠加 尾流叠加中的风速亏损可以按如下公式计算:()式中 是考虑 个上游风力涡轮机尾流的速度 是轮毂高度处的流入速度 是第 个上游风力涡轮机引起的速度 数据处理与实验描述 风电场信息以某实地风电场为实例 风电场额定功率为 风电场中安装了 台 (记为)和 台 (记作)风力涡轮机图 展示了风电场中风机的布局 方形点为()圆形点为 ()风机参数见表 图 风电场中风机点位图表 风机参数类型额定功率/叶轮直径/轮毂高度/切入风速/()切出风速/()由于 与 参数不同 且 数量较少 为简化尾流效应计算 仅考虑 尾流的相互影响 而不将 纳入考虑范围 风机的推力系数曲线与风速风功率曲线如图 所示第 卷第 期 湖 南 电 力 年 月图 风机的推力系数曲线与风速 风功率曲线 数据预处理选用 年 月 日至 年 月 日的历史实测风电数据 验证风功率预测方法 在历史风电数据中 每个风力涡轮机的 实测风速与输出功率记录在监控和数据采集系统中 通过将输出功率累加 可以获得整个风电场在每个时刻的输出历史风电数据往往存在部分异常点 异常点的输出功率与实测风速的对应关系与风速风功率曲线描述相差甚远 若引入会对模型训练形成很大的干扰 故不能作为有效数据使用 假定异常点的实测风速记录无误 仅认为实测风功率有误 故利用风速风功率拟合曲线(图)将实测风功率与风速风功率拟合曲线预估值偏差大于 (额定功率)标记为异常点并进行修正 同时 由于实际风场中风机并非一直处于工作状态 存在停机、检修等非工作状态 故原始数据集存在部分时刻的缺失 本文采用的神经网络不依赖于时间序列 仅使用单一时刻的预测数据进行训练 故理论上数据集的缺失不会对模型性能产生显著影响 仅需要将缺失时刻进行剔除对于预测数据 即风电场预测的风速、风向数据 来源于风电场提供的历史预测数据 往往不存在数据缺失问题 可直接作为尾流解析模型的输入使用 获取考虑尾流效应后的修正风速与预估功率 并进行归一化处理 如式()所示:()式中 是单风机修正风速或预估功率归一化后的值、分别是单风机修正风速或预估功率序列中的最大值与最小值处理后的数据产生的输入输出形式分别如式()、式()所示:()()()式中 代表第 台风机修正后的预测风速 代表第 台风机的预估输出功率代表神经网络模型预测的整场风功率数据集按照、的比例划分为训练集、验证集、测试集 分别用于模型训练、模型选择和模型泛化性能验证 实验设置得到上述数据集后 利用设置的神经网络进行风功率预测 考虑尾流效应的短期风功率预测神经网络模型结构 如图 所示图 考虑尾流效应短期风功率预测 神经网络结构输入层、隐藏层和输出层的节点数分别设置为、为证明高斯尾流模型的有效性 对 尾流模型进行同样的实验设置 相关数据处理方法均参照上述方法进行 评估指标通过设定评估指标 可以选择并更新预测模型 也可以进行基于不同尾流解析模型的预测性能对比 但是单一的评估指标无法对模型的预测性能进行综合评价 使用三个性能指标来评估模型的预测性能及证明高斯尾流模型的有效性 包括平均绝对误差()、均方误差()、均方根误差()指标对应公式如下:()()()第 卷第 期 余忠泽等:基于尾流效应与机器学习的风功率预测研究 年 月 ()()结果与讨论整场风功率预测精度决定该风电场能否正常并网 在此介绍基于高斯尾流解析模型的风电预测模型(、)在整场风功率预测方面的性能 并分别与不考虑尾流效应的风电预测模型()、基于 尾流解析模型的风电预测模型()进行整场预测性能对比 同时还将风机按照点位的密集程度分为密集区与稀疏区 分别代表尾流效应强和尾流效应弱的区域 以此验证尾流解析模型在不同尾流效应区的性能 整场风功率预测图 为基于不同尾流解析模型得到的风功率预测模型在测试集上的性能 四种模型中 预测性能最差 其次是 和 预测性能最佳的是 与 结果相比 三类评估指标都呈现出不同 程 度 的 降 低:、分 别 降 低、这表示尾流效应的存在严重影响了风电场区域内的风速分布 考虑尾流效应能有效降低短期风功率的预测误差()()()图 基于不同尾流模型的神经网络模型性能对比三种尾流解析模型中 与 相较于 三种评估指标都得到了不同程度的降低 即预测精度得到了提高 相较于 的、降低幅度分别达、这是由于高斯尾流模型采用的非线性假设 以及考虑环境湍流强度 能够更有效地还原尾流区的风速分布情况 使得预测性能得到提高两类高斯尾流解析模型中 比 表现出更优的效果 这是由于 对风速损失采用双高斯分布假设 而非单高斯分布 相比于单高斯尾流解析模型 双高斯尾流解析模型已经被证明能更好地模拟风机近尾流区的风速分布 因此 拥有更佳的预测性能 局部风功率预测随着气象预测区域面积的增大 气象数据的预测精度不断降低 完整风电场实际覆盖地表区域广泛 预测风速难以对整个风电场中各个风机点位处的风速进行有效描述 同时 当风机点位的排布不规则时 在相同的风速、风向条件下 不同区域的尾流效应差异显著 按照尾流效应的相对强弱 将风电场划分出、两块局部区域进行短期风功率预测 每块区域内有 台 风机 用于验证高斯尾流解析模型的优越性 具体划分为如图 所示图 尾流效应区域划分示意图 区域内风机大致沿直线波动排布 且相对分散 尾流效应相对较弱 区域内风机点位相较 区域成聚集状 尾流效应相对更强 取 号风机和 号风机 分为两个各有 台风机的实验组 利用历史风电数据与风电场气象预测数据进行训练 并在测试集上对比模型预测性能 结果如图 所示()()()图 不同尾流效应区模型预测性能对比在 区域、和 的三种评估指标都十分接近 意味着三种模型得到的预测精度接近模型在预测性能上没有体现出优越性 在 区域、和 的三种评估指标相较于 区域都有了较大幅度降低 以 为例、和 分别下降了 、和 这意味着在尾流效应较弱的区域 不同的尾流解析模型不能显示第 卷第 期 湖 南 电 力 年 月出差异 但在尾流效应较强的区域 引入尾流解析模型能够有效提高预测性能 具有应用价值 这是由于在尾流效应较弱的区域 风速受尾流效应影响较小 尾流解析模型对风速的修正很微小 导致机器学习模型使用的修正风速训练数据差别很小 最终模型预测性能接近在 区域 和 的评估指标都明显低于 相比于 的、和 分别下降了 、这意味着 在尾流效应较强时、相比于 有更高的预测精度这是由于、采用的风速损失高斯分布假设与实际风速损失情况更加吻合 使得修正后的预测风速能够更接近实测风速 的三类评估指标略低于 这是由于相比于 在风速损失分布采用的双高斯分布假设在近尾流区有更高的模拟精度 总风功率受累加效应影响 在风机数量较少时 的预测精度提升并不显著 结语尾流效应对风电场的风速分布具有显著的影响 研究不同尾流解析模型对短期风功率预测模型预测性能的提升 发现 模型提升幅度不明显 而 尾流模型(单高斯尾流模型)与改进双高斯尾流模型均能使得模型的预测性能得到较大的提高 分析在不同尾流效应区域短期风功率预测模型的预测性能 发现高斯尾流解析模型在尾流效应显著区域能有效降低预测误差 且相较于 尾流解析模型在预测精度方面有一定提高因此高斯尾流解析模型更加适合在尾流效应显著且复杂的风电场进行短期风功率预测参考文献 中国电力企业联合会.中国电力行业年度发展报告.北京:中国建材工业出版社.杨楚原 姚俊伟 项川 等.面向增量配电网的协同规划方法研究.湖南电力 ():./.:.:.:.:.:.:.:.:.:.()()().:.:.:.:.:.:.():.:.:.作者简介余忠泽()男 主要研究方向为短期风功率预测刘震卿()男 教授 通信作者 主要研究方向为风资源评估、风力发电机振动控制、海上漂浮式风机、风浪能联合利用、龙卷风等特异风灾马驰()男 工程师 主要研究方向为风力发电生产运维第 卷第 期 余忠泽等:基于尾流效应与机器学习的风功率预测研究 年 月