鄭侃，魏煜鋒，文智勝，朱夢霞，何宇翔

（明陽智慧能源集團(tuán)股份公司，中山528437）

隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用被引入風(fēng)電行業(yè)。朱曉玲等人通過BP 神經(jīng)網(wǎng)絡(luò)對單臺測風(fēng)塔不同高度層風(fēng)速進(jìn)行訓(xùn)練，并完成單臺測風(fēng)塔指定高度層風(fēng)速的插補(bǔ)，效果較好。羅恩博等人通過改進(jìn)型的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)功率預(yù)測，并驗(yàn)證了LM-BP 神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。向健平等人通過粒子群化BP 神經(jīng)網(wǎng)絡(luò)，分析風(fēng)機(jī)SCADA 系統(tǒng)的歷史數(shù)據(jù)，建立主軸承故障預(yù)警模型，實(shí)現(xiàn)主軸承故障預(yù)警。針對傳統(tǒng)方法風(fēng)速插補(bǔ)的諸多不足，本文引入神經(jīng)網(wǎng)絡(luò)方法，采用BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行風(fēng)速插補(bǔ)，對歷史的風(fēng)速數(shù)據(jù)進(jìn)行訓(xùn)練建模，并根據(jù)模型對未來缺失的風(fēng)速值進(jìn)行插補(bǔ)?；诖朔椒ǎ疚膶⑵鋺?yīng)用于測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)機(jī)風(fēng)速插補(bǔ)兩種應(yīng)用場景，以插補(bǔ)和比對風(fēng)電場內(nèi)的實(shí)測風(fēng)速。

1 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）網(wǎng)絡(luò)是一種多層感知器，包括輸入層、中間層和輸出層，層與層之間的神經(jīng)元采用全互連的連接方式，通過相應(yīng)的網(wǎng)絡(luò)權(quán)函數(shù)相互連接；每層內(nèi)的神經(jīng)元之間沒有連接。BP 算法包括信號的正向傳播和誤差的反向傳播兩個(gè)過程，正向傳播時(shí)，輸入信號通過隱含層作用于輸出節(jié)點(diǎn)，通過每個(gè)節(jié)點(diǎn)的權(quán)重參數(shù)進(jìn)行非線性變換產(chǎn)生輸出信號，比較輸出值與期望值的大小，若實(shí)際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過程。反向傳播由輸出層向輸入層方向逐層反轉(zhuǎn)，并將誤差分?jǐn)偟礁鲗铀袉卧⒄{(diào)整各單元的權(quán)重值。當(dāng)下一次訓(xùn)練開始后，信號再次經(jīng)過神經(jīng)單元，并正向傳播，重復(fù)上述過程，直至輸出值與期望值誤差滿足要求為止，BP 神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)示意圖如圖1所示。

本文基于pytorch 環(huán)境搭建BP 神經(jīng)網(wǎng)絡(luò)，以歷史風(fēng)速相關(guān)量作為輸入?yún)?shù)，輸出量為預(yù)測插補(bǔ)風(fēng)速值，BP神經(jīng)網(wǎng)絡(luò)插補(bǔ)流程如圖2所示。

具體流程為：

1）選取風(fēng)電場風(fēng)速相關(guān)變量，并進(jìn)行歸一化處理。

2）將相關(guān)變量由輸入層傳入神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)的前向轉(zhuǎn)播，計(jì)算傳播過程中的每個(gè)神經(jīng)元的權(quán)重值和誤差值。

3）比較最后的風(fēng)速誤差，并反向傳遞誤差值，調(diào)整權(quán)重，直到最后符合精度為止。

所謂“補(bǔ)換水”，就是利用黃河汛期的間隙水，通過渠道注入烏梁素海，進(jìn)行生態(tài)補(bǔ)水、置換湖水，從而達(dá)到改善烏梁素海水質(zhì)的目的。2003年實(shí)施“引黃入?！惫こ?，烏梁素海已利用黃河凌汛間隙水，獲得生態(tài)補(bǔ)水累計(jì)3.2億m3，平均每年有約7 000萬m3的水補(bǔ)充。然而，據(jù)初步估算，要徹底解決烏梁素海水質(zhì)問題，需對湖水每兩年置換一次，即年均補(bǔ)水1.5億m3，按照目前的生態(tài)補(bǔ)水總量來看，還遠(yuǎn)遠(yuǎn)滿足不了烏梁素海改善水質(zhì)需要的補(bǔ)水量。因此，烏梁素海補(bǔ)換水嚴(yán)重不足，水體無法得到有效稀釋，富營養(yǎng)化程度加重，也是促使黃藻暴發(fā)的一個(gè)原因。

圖1 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)示意圖Fig.1 Wind speed interpolation diagram of BP neural network

圖2 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)流程圖Fig.2 Flow chart of wind speed interpolation based on BP neural network method

2 測風(fēng)塔風(fēng)速插補(bǔ)

選取明陽智能西北地區(qū)某平坦地形風(fēng)電場，該風(fēng)電場平均海拔1 340 m，地勢最大高差為2 m，地形圖如圖3所示。

選取場內(nèi)測風(fēng)塔實(shí)測風(fēng)速相關(guān)數(shù)據(jù)，包括風(fēng)速、風(fēng)向、溫度、濕度、氣壓數(shù)據(jù)，該數(shù)據(jù)為每10 min采樣一次。選用風(fēng)電場內(nèi)3座測風(fēng)塔10 m、40 m、60 m、80 m 和100 m 高度處的測風(fēng)數(shù)據(jù)作為數(shù)據(jù)集，并根據(jù)需要將歷史數(shù)據(jù)劃分為數(shù)據(jù)訓(xùn)練集，需要插補(bǔ)的風(fēng)速時(shí)間段劃分為測試集。訓(xùn)練集選取2017 年7 月10 日0 點(diǎn)至2018 年2 月15 日9 時(shí)的3座測風(fēng)塔風(fēng)速相關(guān)歷時(shí)數(shù)據(jù)；通過BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練建模，將生成的模型用于對目標(biāo)測風(fēng)塔風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測插補(bǔ)。測試集選取2018 年2月15日9時(shí)20分至2018年4月15日7時(shí)30的風(fēng)速相關(guān)歷時(shí)數(shù)據(jù)。通過前兩座測風(fēng)塔所有高度層的風(fēng)速相關(guān)有效數(shù)據(jù)，通過模型插補(bǔ)出第3 座測風(fēng)塔100 m 高度處的風(fēng)速數(shù)據(jù)。平坦地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)與實(shí)測數(shù)據(jù)對比結(jié)果如圖4所示。

圖3 平坦地形示意圖Fig.3 Flat terrain map

圖4 平坦地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)-實(shí)測對比圖Fig.4 Comparison between BP neural network interpolation and actually measured values for flat terrain

選取明陽智能西南地區(qū)某復(fù)雜地形風(fēng)電場，該風(fēng)電場平均海拔281 m，場內(nèi)地勢高差達(dá)到了50 m，復(fù)雜地形示意圖如圖5所示。

選取場內(nèi)5 個(gè)測風(fēng)塔10 m、40 m、60 m、80 m和100 m 高度處的測風(fēng)數(shù)據(jù)（包括風(fēng)速、風(fēng)向、溫度、濕度、氣壓數(shù)據(jù)）作為數(shù)據(jù)集，分別采用BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)插補(bǔ)方式對目標(biāo)風(fēng)速進(jìn)行插補(bǔ)。其中，復(fù)雜地形訓(xùn)練集選取2017 年3 月18 日0 時(shí)至2019 年1 月1 日0 時(shí)風(fēng)電場測風(fēng)塔數(shù)據(jù)，測試集選取2019 年1 月1 日0 時(shí)至2019 年5 月4 日0 時(shí)風(fēng)電場測風(fēng)塔，計(jì)算結(jié)果如圖6所示。

圖5 復(fù)雜地形示意圖Fig.5 Complex terrain map

圖6 復(fù)雜地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)-實(shí)測對比圖Fig.6 Comparison between BP neural network interpolation and actually measured values for complex terrain

為對比神經(jīng)網(wǎng)絡(luò)的插補(bǔ)效果，另通過傳統(tǒng)MCP 方法對同樣的數(shù)據(jù)集進(jìn)行插補(bǔ)并驗(yàn)證。文獻(xiàn)指出，通過Windographer 中的MCP 方法進(jìn)行風(fēng)速插值與地形關(guān)系不大。本文采用MCP 方法分別對實(shí)際數(shù)據(jù)分別采用插值驗(yàn)證，通過均方根誤差（MSE）、決定系數(shù)（）等指標(biāo)的插補(bǔ)比對，本文選用傳統(tǒng)方法中插補(bǔ)效果最優(yōu)的線性最小二乘法（Linear Least Squares Algorithm）。

線性最小二乘法是一種將目標(biāo)速度和參考速度數(shù)據(jù)關(guān)聯(lián)起來的方法，其基礎(chǔ)是將線性最小二乘法直接應(yīng)用于目標(biāo)速度與參考速度的散點(diǎn)圖，得到的線性曲線擬合為線性=+的關(guān)系，斜率和截距值如公式（1）和公式（2）所示：

式中：S和S分別如公式（3）和公式（4）所示：

式中：為參考風(fēng)速（m/s）；y為目標(biāo)風(fēng)速（m/s）。

Windograph軟件通過該組數(shù)據(jù)線性最小二乘法擬合，求出相關(guān)參數(shù)，并在需要預(yù)測的數(shù)據(jù)列進(jìn)行線性插值，得出插補(bǔ)風(fēng)速。平坦地形和復(fù)雜地形的風(fēng)速插補(bǔ)具體結(jié)果表1所示。

表1 不同地形神經(jīng)網(wǎng)絡(luò)-傳統(tǒng)插補(bǔ)提升效果統(tǒng)計(jì)表Tab.1 Improvement statistics of neural network interpolation compared to traditional interpolation for different terrains

測風(fēng)塔數(shù)據(jù)插補(bǔ)結(jié)果表明：通過神經(jīng)網(wǎng)絡(luò)插補(bǔ)方法得出的風(fēng)速值與傳統(tǒng)方法相比，平坦地形風(fēng)速平均絕對誤差下降了25.2%，復(fù)雜地形下降了6.2%，平坦地形相關(guān)性系數(shù)和決定系數(shù)分別上升了2.2%和4.5%，復(fù)雜地形相關(guān)性系數(shù)和決定系數(shù)分別上升了1.1%和1.9%。比較可知，神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)相較于傳統(tǒng)風(fēng)速插補(bǔ)具有明顯優(yōu)勢，且神經(jīng)網(wǎng)絡(luò)對風(fēng)速的插補(bǔ)在平坦地形下更加有效。

3 風(fēng)電場風(fēng)機(jī)風(fēng)速插補(bǔ)

風(fēng)電場內(nèi)單臺風(fēng)機(jī)的運(yùn)行狀況與風(fēng)電場內(nèi)的發(fā)電量緊密相關(guān)。通過單臺風(fēng)電機(jī)組的風(fēng)速數(shù)據(jù)分析，能夠更加精確的評估風(fēng)電場的實(shí)際發(fā)電功率和預(yù)測未來風(fēng)電場發(fā)電量。由于停機(jī)檢修、測試等狀態(tài)下風(fēng)機(jī)啟停的影響，風(fēng)電場內(nèi)個(gè)別機(jī)組的風(fēng)速出現(xiàn)資料缺失的狀況。為解決風(fēng)速資料缺失對風(fēng)電機(jī)組數(shù)據(jù)分析的影響，采用BP 神經(jīng)網(wǎng)絡(luò)的方法對缺失風(fēng)速值進(jìn)行插補(bǔ)，滿足數(shù)據(jù)分析所需。

通過提取明陽智能某風(fēng)電場10 臺風(fēng)機(jī)的主控SCADA 數(shù)據(jù)，主控?cái)?shù)據(jù)包括風(fēng)機(jī)實(shí)時(shí)風(fēng)速、風(fēng)向、溫度、壓強(qiáng)、槳距角實(shí)時(shí)數(shù)據(jù)，數(shù)據(jù)時(shí)段為2019 年1 月1 日0 時(shí)1 分0 秒至2019 年12 月31 日23時(shí)59 分0 秒全年主控?cái)?shù)據(jù)。其中前9 臺風(fēng)機(jī)的主控?cái)?shù)據(jù)正常完整，第10 臺風(fēng)機(jī)部分?jǐn)?shù)據(jù)缺失，缺失時(shí)段分布 在2019 年11 月1 日0 時(shí)0 分0 秒至2019 年12 月31 日23 時(shí)59 分0 秒?yún)^(qū)間。根據(jù)插補(bǔ)要求，將缺失時(shí)間段劃分為測試集，將主控?cái)?shù)據(jù)中2019 年1 月1 日0 時(shí)1 分0 秒至2019 年10 月31 日23 時(shí)59 分0 秒數(shù)據(jù)作為訓(xùn)練集，通過BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成模型。

通過完整時(shí)間段的數(shù)據(jù)訓(xùn)練生成的BP 神經(jīng)網(wǎng)絡(luò)模型，對第10 臺風(fēng)機(jī)的風(fēng)速進(jìn)行預(yù)測插補(bǔ)。為驗(yàn)證插補(bǔ)效果，通過傳統(tǒng)的線性最小二乘法進(jìn)行了相同數(shù)據(jù)的預(yù)測插補(bǔ)，對比結(jié)果如圖7所示。

圖7 風(fēng)機(jī)風(fēng)速神經(jīng)網(wǎng)絡(luò)插補(bǔ)-傳統(tǒng)方法插補(bǔ)-實(shí)測值對比圖Fig.7 Comparison among wind turbine’s wind speed interpolation based on neural method，traditional interpolation and actually values

通過神經(jīng)網(wǎng)絡(luò)方法的風(fēng)機(jī)風(fēng)速插補(bǔ)與傳統(tǒng)方法的風(fēng)速插補(bǔ)效果如表2 所示。對比神經(jīng)網(wǎng)絡(luò)對風(fēng)機(jī)風(fēng)速插補(bǔ)和傳統(tǒng)方法插補(bǔ)，測試集中風(fēng)機(jī)風(fēng)速預(yù)測的平均絕對誤差下降了14.4%，相關(guān)性系數(shù)和決定系數(shù)分別提升了1.7%和2.8%，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)相較于傳統(tǒng)風(fēng)速插補(bǔ)方法準(zhǔn)確性有較大的提升。

表2 風(fēng)機(jī)風(fēng)速神經(jīng)網(wǎng)絡(luò)-傳統(tǒng)插補(bǔ)提升效果統(tǒng)計(jì)表Tab.2 Improvement statistics of wind turbine’s wind speed interpolation based on BP neural network method compared to traditional interpolation

4 結(jié) 論

基于pytorch 框架搭建BP 神經(jīng)網(wǎng)絡(luò)，對測風(fēng)塔風(fēng)速和風(fēng)機(jī)風(fēng)速缺失數(shù)據(jù)進(jìn)行插補(bǔ)，與傳統(tǒng)的插補(bǔ)方法進(jìn)行了對比分析，得出結(jié)論如下：

1）神經(jīng)網(wǎng)絡(luò)對平坦地形的插補(bǔ)效果優(yōu)于對復(fù)雜地形風(fēng)速插補(bǔ)，原因可能為復(fù)雜地形的風(fēng)速變化大，對神經(jīng)網(wǎng)絡(luò)提出了挑戰(zhàn)。

2）神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)對測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)機(jī)風(fēng)速插補(bǔ)的應(yīng)用，均優(yōu)于傳統(tǒng)方法，可應(yīng)用與測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)場內(nèi)風(fēng)機(jī)風(fēng)速插補(bǔ)，進(jìn)而為風(fēng)資源評估提供精準(zhǔn)的數(shù)據(jù)。