「埃尔法哥哥」人工智能在预测单机风电功率上的应用进展( 二 ) 单机风电功率预测依据风机轮毂风速的历

1）物理建模技术借助气象学对复杂的大气物理过程进行分析预测，由于风速序列在时间、空间上无规律、大幅波动的特点，难以针对不同机组建立统一的物理模型，对数值天气预报（numericalweatherprediction,NWP）的依赖性强，但具有不需要历史数据的优点。
2）统计建模技术是基于统计学思想，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。人工智能预测模型对非线性序列的预测问题具有优势，包括人工神经网络（artificialneuralnetwork,ANN）预测模型和支持向量机（supportvectormachine,SVM）预测模型。
湖南工业大学的研究人员分析了基于ANN及SVM建立的单机风电功率预测模型，梳理了基于模糊逻辑法、启发式算法（heuristicalgorithm,HA）等人工智能技术的单机风电功率预测方法，对单机风电功率预测模型和方法进行总结，对不同模型及方法的优劣进行比较，重点梳理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。

文章图片
图1模糊推理过程

文章图片
图2ANFIS预测模型的拓扑结构
研究人员指出，单机风电功率预测模型中， ANN预测模型的拓扑结构紧凑、预测精度较高、迁移性能很好，但需要大量历史数据，且训练模型的时间长、不易找到全局最优解；SVM预测模型较简单、鲁棒性能好、预测精度比ANN高，但是核函数的选择条件要求严格、易出现过拟合的问题。
单机风电功率预测方法中，模糊逻辑法针对风速的不确定性和随机性，采用ANFIS提取有效信息并预测风电功率，弥补了原预测模型不能准确预测功率序列中非光滑部分的缺点；HA对随机信息的捕捉能力强，用于调节模型参数。
ANN预测模型在超短期和短期预测中的整体表现优于SVM预测模型，超短期预测结果可辅助风力发电机调节桨叶节距角，短期预测结果可辅助风机控制决策。 SVM预测模型更适于中长期风电功率预测，如果在并网运行情况下，小时级的中期预测用于对风机及其他能源的调度判断，包括设计储能设备的调度计划，以满足对电能质量和功率容量的要求；在分散式分布式发电的情况下，同样可作为对分布式能源调度的重要参照。
此外，基于SVM的长期风电功率预测在风电场规划、年检修计划和风光互补等多能源组合发电的规划中都是重要的指标依据。
单机风电功率预测是多能源智能电网中调配发电容量、储能容量和年度检修计划的重要依据，为微电网的推广奠定了重要基础。除此之外，超短期单机风电功率预测在精度足够的情况下，预测误差还有望作为未来预测风机故障的方法，以推进坚强电网建设。
【「埃尔法哥哥」人工智能在预测单机风电功率上的应用进展】目前，单机风电功率人工智能预测模型还存在一些问题：①预测模型对输入数据的依赖度较高，实际工程上几乎无法为每个风机提供精确的微观气象数据，置信度低且许多模型未充分考虑风速计与风机轮毂之间的空间差；②预测模型的超参数及参数的设定方式主要通过经验及交叉验证法取得，无法给出物理意义的解释；③对模型的评价环节中，由于不能完全脱离数据讨论模型性能而急需有准确统一的评价标准。
因此，研究人员在文中最后展望了未来单机风电功率人工智能预测模型的研究方向。
1）提高模型输入数据质量。可以从3个角度优化。
①采用分辨率更高的NWP数据并结合地理信息系统（geographicinformationsystem,GIS）进行风速修正，提升精确度；②在选取预测特征时充分考虑所处地理条件对风速的影响，提升准确度；③考虑构建与物理模型、动力模型和流体力学模型结合的组合模型，从模型的建立上提升预测系统的性能。