王 娜 ,邵 霞,高云鵬，萬 全

(1.湖南大學(xué) 電氣與信息工程學(xué)院,湖南 長沙 410082;2．國網(wǎng)湖南省電力公司電力科學(xué)研究院，湖南 長沙 410007)

基于區(qū)域信息融合的風(fēng)電場平均年發(fā)電量預(yù)測*

王 娜1?,邵 霞1,高云鵬1，萬 全2

(1.湖南大學(xué) 電氣與信息工程學(xué)院,湖南 長沙 410082;2．國網(wǎng)湖南省電力公司電力科學(xué)研究院，湖南 長沙 410007)

備選風(fēng)電場在壽命周期內(nèi)的平均年發(fā)電量是風(fēng)電場宏觀選址的一個(gè)重要參考判據(jù).為了提高風(fēng)電場平均年發(fā)電量的預(yù)測精度，提出了一種基于風(fēng)電場附近多個(gè)氣象站長期測風(fēng)數(shù)據(jù)的區(qū)域信息融合的平均年發(fā)電量預(yù)測方法.首先分別建立各氣象站與風(fēng)電場同期小時(shí)風(fēng)速之間的相關(guān)模型，應(yīng)用相關(guān)模型得到多個(gè)長期小時(shí)風(fēng)速預(yù)測值，再用神經(jīng)網(wǎng)絡(luò)對長期小時(shí)風(fēng)速預(yù)測值進(jìn)行融合處理得出最終的小時(shí)風(fēng)速預(yù)測值，在此基礎(chǔ)上進(jìn)行風(fēng)電場平均年發(fā)電量的估算.仿真結(jié)果表明：本文提出的區(qū)域信息融合方法對年平均發(fā)電量的預(yù)測誤差比采用單一氣象站數(shù)據(jù)的預(yù)測誤差最高可降低11.32%.

平均年發(fā)電量；測量-相關(guān)-預(yù)測；信息融合；神經(jīng)網(wǎng)絡(luò)

風(fēng)能資源評估是風(fēng)電場選址的關(guān)鍵，其中備選風(fēng)電場在整個(gè)壽命周期內(nèi)的平均年發(fā)電量是一個(gè)重要的參考判據(jù).風(fēng)電場的壽命周期通常為20～25年，在此期間平均年發(fā)電量的估算受風(fēng)速變化(日變化、季節(jié)變化、年際變化)影響較大，要準(zhǔn)確地進(jìn)行評估至少需要數(shù)年甚至數(shù)十年的風(fēng)速觀測數(shù)據(jù)，這樣才能減少由于風(fēng)速變化帶來的不確定性[1].但是，在實(shí)際工程的規(guī)劃階段不可能用如此長的時(shí)間來收集現(xiàn)場數(shù)據(jù).在缺乏備選風(fēng)電場長期可靠風(fēng)速記錄的情況下，廣泛采用測量-相關(guān)-預(yù)測算法(MCP，Measure-Correlate-Predict)來進(jìn)行風(fēng)資源評估，即在備選風(fēng)電場址處設(shè)立測風(fēng)塔進(jìn)行1～2年觀測，利用這個(gè)短期觀測數(shù)據(jù)和風(fēng)電場附近氣象站20～30年的歷史觀測數(shù)據(jù)進(jìn)行評估.

目前MCP算法主要有線性回歸法[2-4]、方差比法[2]、Weibull尺度法[3]、概率函數(shù)法[5]、神經(jīng)網(wǎng)絡(luò)法[1,6]和Bayesian網(wǎng)絡(luò)法[7]等.其中線性回歸法、方差比法、Weibull尺度法、概率函數(shù)法均是利用風(fēng)電場附近單一氣象站的信息進(jìn)行預(yù)測.實(shí)際上風(fēng)電場附近可能存在多個(gè)與風(fēng)電場距離較近且風(fēng)速相關(guān)性較強(qiáng)的氣象站，在這種情況下只采用一個(gè)氣象站的信息勢必會(huì)影響預(yù)測的精度.為了進(jìn)一步提高預(yù)測精度，本文提出了基于多氣象站信息即區(qū)域信息融合的平均年發(fā)電量預(yù)測算法.該算法由3部分構(gòu)成，首先分別建立各參考?xì)庀笳九c風(fēng)電場同期小時(shí)風(fēng)速之間的相關(guān)模型，應(yīng)用相關(guān)模型得到多個(gè)長期小時(shí)風(fēng)速預(yù)測值；然后用神經(jīng)網(wǎng)絡(luò)對長期小時(shí)風(fēng)速預(yù)測值進(jìn)行融合處理得出最終的預(yù)測值；最后，在長期小時(shí)風(fēng)速的基礎(chǔ)上進(jìn)行風(fēng)電場平均年發(fā)電量的估算.與文獻(xiàn)[1]和[7]相比，算法更加靈活，并且可以運(yùn)用目前成熟的MCP算法，對年平均發(fā)電量的預(yù)測誤差相比采用單一氣象站數(shù)據(jù)預(yù)測方法最高可降低11.32%.

1 基于區(qū)域信息融合的年發(fā)電量預(yù)測

1.1 基本原理

基于區(qū)域信息融合的風(fēng)電場長期平均年發(fā)電量預(yù)測方法的基本原理如圖1所示.

假設(shè)風(fēng)電場附近區(qū)域有n個(gè)氣象站，能夠提供與風(fēng)電場測風(fēng)塔同期(1～2年)的逐小時(shí)風(fēng)速和風(fēng)向數(shù)據(jù)以及連續(xù)20～30年的逐小時(shí)風(fēng)速和風(fēng)向數(shù)據(jù).以參考?xì)庀笳?為例，對測風(fēng)塔和參考?xì)庀笳?的同期風(fēng)速進(jìn)行相關(guān)處理，再將參考?xì)庀笳?的全部小時(shí)風(fēng)速和風(fēng)向數(shù)據(jù)應(yīng)用到此相關(guān)模型中，從而得到一組風(fēng)電場的長期小時(shí)風(fēng)速預(yù)測值.采用相同的方法可得到n組長期小時(shí)風(fēng)速預(yù)測值.這時(shí)對每一個(gè)時(shí)間點(diǎn)均有n個(gè)預(yù)測值，將這n個(gè)預(yù)測值經(jīng)過融合算法后得到該時(shí)間點(diǎn)最終的預(yù)測值，逐點(diǎn)處理后即可得到風(fēng)電場最終的長期小時(shí)風(fēng)速預(yù)測值.最后應(yīng)用所得風(fēng)速信息進(jìn)行平均年發(fā)電量的估算.

圖1 風(fēng)電場平均年發(fā)電量預(yù)測示意圖

這里假設(shè)風(fēng)電場壽命周期內(nèi)的風(fēng)速特征不會(huì)發(fā)生明顯改變，因此，可用長期歷史平均年發(fā)電量來代表風(fēng)電場在未來壽命周期內(nèi)的平均年發(fā)電量.同時(shí)，由于算法中應(yīng)用了氣象站的長期小時(shí)風(fēng)速和風(fēng)向，因此該算法適用于氣象站的歷史數(shù)據(jù)記錄比較完整的場合.

算法中有兩個(gè)關(guān)鍵點(diǎn)，一是風(fēng)電場和各氣象站同期小時(shí)風(fēng)速的相關(guān)預(yù)測算法，二是多個(gè)預(yù)測值的融合算法.本算法采用已有成熟的利用單一氣象站的MCP算法作為相關(guān)模型，因此，本文重點(diǎn)研究預(yù)測值的融合算法.

1.2 基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)融合算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存貯大量輸入-輸出模式的非線性映射關(guān)系，是廣泛應(yīng)用的數(shù)據(jù)融合方式.

三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示， 輸入層信號為由單一氣象站數(shù)據(jù)得到的風(fēng)電場小時(shí)風(fēng)速預(yù)測結(jié)果，n表示所用氣象站的數(shù)量，輸出信號為風(fēng)電場小時(shí)風(fēng)速的最終預(yù)測結(jié)果.為了提高神經(jīng)網(wǎng)絡(luò)的泛化能力，避免算法陷入局部最優(yōu)，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，再次采用粒子群算法優(yōu)化網(wǎng)絡(luò)的權(quán)值.

在粒子群優(yōu)化算法中，每個(gè)粒子代表解空間的一個(gè)候選解，解的優(yōu)劣程度由適應(yīng)度函數(shù)決定，而適應(yīng)度函數(shù)根據(jù)優(yōu)化目標(biāo)定義.

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(1)

(2)

式中ω稱為慣性權(quán)重;c1,c2為學(xué)習(xí)因子,也稱加速常數(shù);r1,r2為[0, 1]之間均勻分布的隨機(jī)數(shù).

具體訓(xùn)練過程為：

1)將各個(gè)氣象站的同期逐小時(shí)風(fēng)速和風(fēng)向數(shù)據(jù)應(yīng)用到相關(guān)模型，從而得到多個(gè)風(fēng)電場同期小時(shí)風(fēng)速預(yù)測值，將此多個(gè)風(fēng)速預(yù)測值構(gòu)成新的樣本集，并以新的樣本集作為輸入，相應(yīng)的風(fēng)電場同期實(shí)測風(fēng)速作為輸出進(jìn)行訓(xùn)練，在滿足一定的精度時(shí)結(jié)束訓(xùn)練，將此時(shí)的權(quán)值傳遞給粒子群優(yōu)化算法.

2)在粒子群優(yōu)化算法中，粒子i的位置信息Xi即為神經(jīng)網(wǎng)絡(luò)的權(quán)值.為了能夠從神經(jīng)網(wǎng)絡(luò)結(jié)束的位置繼續(xù)進(jìn)行優(yōu)化，將粒子1的位置初始化值設(shè)置為神經(jīng)網(wǎng)絡(luò)傳遞過來的權(quán)值rij，而其他位置初始化為隨機(jī)值，即[8]：

(3)

所有粒子的速度初始化值也為隨機(jī)值.

3)以均方根誤差作為適應(yīng)度函數(shù)，評價(jià)粒子適應(yīng)度值.將第i個(gè)粒子當(dāng)前點(diǎn)設(shè)為最優(yōu)位置pBesti，所有粒子中最優(yōu)者設(shè)為種群最優(yōu)位置gBest.

4)按式(1)和式(2)更新各個(gè)粒子的速度和位置，得到新的種群.

5)計(jì)算各粒子的適應(yīng)度值，與其歷史最優(yōu)位置和種群最優(yōu)位置比較，若更優(yōu)，則替換，否則保持不變.

6)檢查是否滿足粒子群優(yōu)化結(jié)束條件，滿足則輸出最優(yōu)解，不滿足則轉(zhuǎn)至4).粒子群優(yōu)化結(jié)束的條件有兩個(gè)：一是達(dá)到最大進(jìn)化代數(shù)；二是在應(yīng)用驗(yàn)證樣本進(jìn)行計(jì)算時(shí)，最優(yōu)粒子連續(xù)6次保持不變.神經(jīng)網(wǎng)絡(luò)和粒子群算法具有相同的訓(xùn)練樣本和驗(yàn)證樣本.

2 平均年發(fā)電量計(jì)算及評價(jià)指標(biāo)

在風(fēng)能資源評估中，需要選擇一種成熟的機(jī)型初步估算風(fēng)電場發(fā)電量，一般認(rèn)為在扣除各種損耗 后風(fēng)電場年等效滿負(fù)荷小時(shí)數(shù)超過2 000 h才具備較好的開發(fā)價(jià)值，或認(rèn)為容量系數(shù)大于0.3的地區(qū)將會(huì)有明顯的經(jīng)濟(jì)效益.

在利用風(fēng)電機(jī)組的功率曲線計(jì)算發(fā)電量時(shí)，廠家通常只提供有限對風(fēng)速、功率點(diǎn)值M(vj,Pwtj)，而對于風(fēng)速vi(vj≤vi≤vj+1)，則需要通過插值或曲線擬合來近似獲取.本文采用線性插值：

(4)

其中vcut-in和vcut-out分別為風(fēng)機(jī)的切入和切出風(fēng)速.

已知風(fēng)電場處的長期小時(shí)風(fēng)速后，采用式(5)進(jìn)行累加計(jì)算年發(fā)電量：

(5)

其中ρ和ρ0分別表示實(shí)際空氣密度和標(biāo)準(zhǔn)環(huán)境下的空氣密度.多年計(jì)算結(jié)果的平均值即為長期平均年發(fā)電量.需要指出的是，本文計(jì)算的是單臺(tái)發(fā)電機(jī)組的理論平均年發(fā)電量.

為評價(jià)算法的性能，采用長期風(fēng)速的均方根誤差MARE和平均年發(fā)電量相對誤差M兩個(gè)誤差評價(jià)指標(biāo)，分別定義如下：

(6)

(7)

其中下標(biāo)p代表預(yù)測值，m代表測量值.

3 算例分析

3.1 數(shù)據(jù)來源及典型風(fēng)電機(jī)組選擇

本文應(yīng)用荷蘭6個(gè)氣象站(S1～S6)1994年～2013年20年間的小時(shí)風(fēng)速及風(fēng)向序列來對所提方法進(jìn)行驗(yàn)證，數(shù)據(jù)來自荷蘭皇家氣象研究所(KNMI).氣象站的地理位置等基本信息如表1所示.

表1 氣象站的基本信息

6個(gè)氣象站風(fēng)速之間的線性相關(guān)系數(shù)如表2所示，在風(fēng)能資源評估中，一般需要校驗(yàn)風(fēng)電場和參考?xì)庀笳局g的風(fēng)速相關(guān)性.如果相關(guān)系數(shù)太小，評估誤差也會(huì)增大.

表2 不同氣象站之間風(fēng)速的線性相關(guān)系數(shù)

選擇Vestas80-1800作為典型風(fēng)機(jī)來計(jì)算平均理論年發(fā)電量.Vestas80-1800風(fēng)電機(jī)組的額定功率是1 800 W，切入風(fēng)速4 m/s，切出風(fēng)速25 m/s，額定風(fēng)速16 m/s，輪轂高度80 m.計(jì)算時(shí)首先采用如式(8)所示的冪指數(shù)方程將氣象站10 m高度處的風(fēng)速轉(zhuǎn)化為輪轂80 m高度處的風(fēng)速.

v1=(h1/h0)a·v0

(8)

式中v1為高度h1處的平均風(fēng)速；v0為高度h0處的平均風(fēng)速；a為風(fēng)切變系數(shù)，采用冪指數(shù)方程.因缺乏不同高度的實(shí)測風(fēng)速數(shù)據(jù)，取風(fēng)切變系數(shù)1/7(約0.143)為近似值.

3.2 仿真過程及結(jié)果分析

仿真建模過程如圖3所示，將2013年作為同期觀測年，即風(fēng)電場和氣象站2013年的小時(shí)風(fēng)速和風(fēng)向均為已知.利用短時(shí)同期風(fēng)速對融合算法進(jìn)行訓(xùn)練，再將參考?xì)庀笳鹃L期小時(shí)風(fēng)速和風(fēng)向數(shù)據(jù)(1994年～2013年)輸入到模型中，即可得出風(fēng)電場的長期小時(shí)風(fēng)速預(yù)測值.

在仿真中，將某些氣象站作為備選風(fēng)電場，將某些氣象站作為參考?xì)庀笳荆纱说玫讲煌乃憷?，本文選擇如表3所示的15個(gè)算例.如在算例1中，將S1作為風(fēng)電場，分別選擇其附近1個(gè)(S2)、2個(gè)(S2，S4)和3個(gè)(S2，S4，S5)氣象站作為參考?xì)庀笳緛眍A(yù)測S1處的長期小時(shí)風(fēng)速和平均年理論發(fā)電量，并與實(shí)際值比較來評價(jià)算法的性能.當(dāng)采用風(fēng)電場附近的區(qū)域信息即多個(gè)參考?xì)庀笳拘畔r(shí)，第2個(gè)參考?xì)庀笳九c風(fēng)電場之間的風(fēng)速相關(guān)系數(shù)小于第1個(gè)，第3個(gè)小于第2個(gè)，如算例1，RS2-S1>RS4-S1>RS5-S1.

圖3 仿真建模過程示意圖

表3 分析中所用的算例

仿真中風(fēng)電場和參考?xì)庀笳局g的同期風(fēng)速采用方差比法進(jìn)行8扇區(qū)相關(guān)處理(也可以用其他相關(guān)算法)，神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)20個(gè)，在matlab中采用train函數(shù)進(jìn)行訓(xùn)練，粒子參數(shù)設(shè)置為：ω=0.9，c1=c2=2.0，種群數(shù)量30.

采用單一氣象站和采用區(qū)域多個(gè)氣象站信息融合的風(fēng)電場長期小時(shí)風(fēng)速預(yù)測均方根誤差如圖4所示，從圖中可以看出均方根誤差隨著參考?xì)庀笳緮?shù)量的增加而減小.

算例

圖5是在Vestas801800機(jī)型的基礎(chǔ)上計(jì)算的單臺(tái)發(fā)電機(jī)的理論發(fā)電量實(shí)際值和預(yù)測值，圖6為平均年發(fā)電量的相對誤差.

算例

從圖6可以看出，區(qū)域信息融合方法的相對誤差均低于采用單一氣象站的方法，以算例10為例，相對誤差從12.49%降到1.17%，下降了11.32%.仿真中也發(fā)現(xiàn)，參考?xì)庀笳緮?shù)量的增加并不一定使誤差減小，仍以算例10為例，采用2個(gè)參考?xì)庀髸r(shí)的誤差為1.17%，采用3個(gè)參考?xì)庀笳緯r(shí)的誤差則為1.76%，這與長期小時(shí)風(fēng)速的均方根誤差隨參考?xì)庀笳緮?shù)量的增加而單調(diào)遞減不同，產(chǎn)生這種現(xiàn)象的原因在于風(fēng)速與風(fēng)電機(jī)組的功率曲線呈現(xiàn)非線性關(guān)系，風(fēng)電機(jī)組只有在實(shí)際風(fēng)速處于切入風(fēng)速和切出風(fēng)速之間時(shí)才能發(fā)電，而且在功率曲線的上升階段，風(fēng)速預(yù)測誤差會(huì)對發(fā)電量產(chǎn)生較大影響，而在風(fēng)速達(dá)到額定風(fēng)速之上時(shí)，其誤差對發(fā)電量的影響很小甚至沒有.

算例

4 結(jié) 論

本文建立了基于區(qū)域信息融合的風(fēng)電場年平均發(fā)電量預(yù)測模型，應(yīng)用6個(gè)參考?xì)庀笳?0年間的風(fēng)速樣本進(jìn)行了仿真，結(jié)果表明采用區(qū)域信息融合方法能夠降低平均年發(fā)電量的預(yù)測誤差.根據(jù)仿真結(jié)果綜合分析，在實(shí)際應(yīng)用中一般采用2個(gè)或3個(gè)參考?xì)庀笳镜臄?shù)據(jù)為宜.本文提出的算法適用于參考?xì)庀笳镜臍v史觀測數(shù)據(jù)記錄比較完整的場合，如果歷史觀測數(shù)據(jù)缺測較多，可采用文獻(xiàn)[4]中的思路，將風(fēng)電場的測風(fēng)數(shù)據(jù)訂正為一套反映風(fēng)電場長期平均水平的代表年的逐小時(shí)風(fēng)速風(fēng)向數(shù)據(jù)，訂正過程中仍可將多參考?xì)庀笳镜男畔⑦M(jìn)行融合，但其精度還需要進(jìn)一步驗(yàn)證.

[2] PEREA A R, AMEZCUA J, PROBST O. Validation of three new measure-correlate-predict models for the long-term prospection of the wind resource [J]. Journal of Renewable and Sustainable Eergy, 2011, 3(2): 1-20．

[3] ANTHONY L R, JOHN W R, JAMES F M. Comparison of the performance of four measure-correlate-predict algorithms [J]. Journal of Wind Engineering and Industrial Aerodynamics, 2005, 93(3): 243-264．

[4] 中華人民共和國國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. GB/T18710-2002, 風(fēng)電場風(fēng)能資源評估方法 [S]. 北京：中國標(biāo)準(zhǔn)出版社, 2002．

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. GB/T18710-2002, Methodology of wind energy resource assessment for wind farm [S]. Beijing: China Standard Press, 2002.(In Chinese)

[5] CARTA J A, VELZQUEZ S. A new probabilistic method to estimate the long-term wind speed characteristics at a potential wind energy conversion site [J]. Energy, 2011, 36(5): 2671-2685.

[7] CARTA J A, VEL ZQUEZ S, MAT AS J M. Use of Bayesian networks classifiers for long-term mean wind turbine energy output estimation at a potential wind energy conversion site [J]. Energy conversion and management, 2011, 52(2): 1137-1149．

Average Annual Energy Output Prediction Based on Regional Information Fusion

WANG Na1?, SHAO Xia1，GAO Yun-peng1,WAN Quan2

(1.College of Electrical and Information Engineering, Hunan Univ, Changsha，Hunan 410082 China;2.State Grid Hunan Electric Power Company Research Institute, Changsha,Hunan 410007,China)

Annual energy output of a candidate site in its life span is an important reference criterion of wind farm macro siting. A regional information fusion method， which allows the use of multiple reference wheather stations with a long history of wind speed and wind direction measurements, was proposed to improve the annual energy output prediction accuracy. Firstly, the correlation model was established between the short-term wind data of a single reference wheather station and the candidate wind farm, and the multiple long-term wind speeds of candidate site based on different reference stations were predicted by using the model. Then, the multiple prediction results were integrated by neural network to obtain the final long-term hourly wind speed data, and the annual energy output was subsequently determined on the basis of the knowledge of these wind speeds. The simulation results show that, by using the proposed method, the error reduction up to 11.32% has been achieved in the relative error of the average annual power output, with respect to the case of using a single reference wheather station method.

average annual energy output; measurement-correlate-predict(MCP); information fusion; neural network

1674-2974(2015)08-0081-05

2014-08-18

國家自然科學(xué)基金資助項(xiàng)目(51277055，51107035)，National Natural Science Foundation of China(51277055，51107035)

王 娜(1979-)，女，遼寧鐵嶺人，湖南大學(xué)講師，博士研究生

?通訊聯(lián)系人，E-mail:wangna_ln@126.com

TM315

A