“机器在风能领域的应用，主要包括长期风速模型和短期风速运行。风资源评估是在风电场建场的时候所考虑重要一个环节，但是从分工密度以及可利用的小时数力求在风电场建立后达到一个经济效益的最大化，而短时风速预测它的目的是达到精准的风速预测，有助于风电控制，风电场优化和维护日程。”9月19日，上海大学博士邓莹在2019 第十二届中国（江苏）国际风电产业发展高峰论坛上发表了重要讲话。
专题：现场直播丨2019 第十二届中国（江苏）国际风电产业发展高峰论坛
以下为发言实录：
邓莹：大家下午好。我是来自上海大学的邓莹。
我今天主要讲的内容是机器学习，机器在风能领域的应用，主要包括长期风速模型和短期风速运行。大家知道风资源评估是在风电场建场的时候所考虑重要一个环节，但是从分工密度以及可利用的小时数力求在风电场建立后达到一个经济效益的最大化，而短时风速预测它的目的是达到精准的风速预测，有助于风电控制，风电场优化和维护日程。
第一部分是风资源评估，他主要包括有两类方法一个传统方法一个是现代方法，传统方法里面大家也知道的CFD软件的RANS模型，在这个方面国外对于平坦地形有比较多的积累，但是随着CFD模型延伸，针对复杂地形特殊问题，大家现在应用数值天气预报的模型，以及先进的CFD模型，像大众模拟。
对于复杂地形风电场有这样一个特点，就是它地区的跨度比较大，但是它局部的小的风场的结构是很复杂的，所以我们就用尺度较为大的WRF模型，空间尺度为一千公里时间为1小时的WRF的尺度以及空间30米时间一S的CFD尺度，他需要解决的问题就是适用于复杂地型的CFD模块，而且需要把这两个需要进行高效耦合。但是如果直接耦合计算量是非常大的，我们就寻找一种有效的方法。
3D模型有谱元法，可以处理复杂几何外型，可以支持混合单元网格划分，大规模并行计算。这是这是对CFD模型就是像与到障碍物复杂地形的模拟，可以看到遇到障碍顶端的孤立，以及后部的漩涡再复现象。
我们对系部某风电场进行了一个模拟，这个地形很复杂就是说最大跨度方向达到24千米，而且落差达到2000米，对于模型方面我们水平方向为30米，数值方向近壁区加密100M内部有25个点。在WRF模拟与耦合方法我们先计算一年WRF结果，用这些结果用机器学习方法分布不同天气类型，在把天气类型与CFD进行耦合，最后将不同状态耦合结果叠加获得一个平行结果。
我们选择在Kmeans分类方法上面，我们通过分类的误差来选择我们最终分类数目，可以当然数目达到16误差区域稳定。右边是最终分类，在两个方向分速的结果，绿色是代表分类后的中心分布，然后我们将WRF结果差值到CFD边界给出边界条件。这个是一个瞬时场的情况短期风速预测时间，是WRF与CFD耦合后的。可以看到这个还是比较复杂的，模拟的效果还是比较好。
最后我们讲我们模拟和评估的结果与实际风电场一个发电量结果进行对比，发现是一致的。第二部分是短时风速预测，大家都知道风速是一个强速记性和间接性的信号，在理论上大家都认为风速具有很强湍流性不一定能被预测，特别是对于一些特殊的天气情况或者特殊复杂地形风况而言，它具有一个更强的非平稳性和非高线性短期风速预测时间，所以对这种情况我们进行变换，我们用EN神经网络进行预测，这现在是一个大家通用一个预测的模块。我在这个模块基础上，加了对误差后处理进行了一个改进。我得到每一个子序列的误差，然后对每个子序列误差进行WMD的对波，最后用ARIMA进行预测，将每个子系列预测结果计算得出最后的结果。
我用六段时测的风速信号对模型进行了一个验证，最上面这四组是以10分钟为间隔，对应四个季节选出来，下面是时间间隔为一小时的风速序列。这个是我用了六组模型进行一个对比，灰色虚线是真实信号值，我提出来就是最好的一种策略是深红策略线，再一个时间点上一一对应，就是他们预测值差值越小可以说预测最小，可以说我预测效果与真实是较为贴近。这个是一小时的预测结果。
最后进行一个评判就是平均绝对误差值以及相对百分比误差值他们的值越小说明预测效果越好，深红色和蓝色是我提出来这种模型的策略，就是不同的小策略，就是可以看出来这两种值的效果是非常好的，对于预测风速的精度是有所提升的。
我的报告结束了，谢谢大家。
（发言为北极星风力发电网根据速记整理，未经本人审核）
发表评论