明阳智慧能源郑侃：多样风场环境下风资源深度学习插补模型的适应性研究

2020年10月14日-16日，2020北京国际风能大会暨展览会（CWP 2020）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，本届大会以“引领绿色复苏，构筑更好未来”为主题，聚焦中国能源革命的未来。能见App全程直播本次大会。

在15日下午召开的学术发布会上。明阳智慧能源集团股份公司测试开发工程师郑侃作为代表发言。

以下为发言实录：

郑侃：谢谢大家到场，也谢谢专家的介绍，大家好，我是明阳智慧能源集团股份公司测试工程师郑侃，很高兴跟大家一起分享交流，今天分享的主要议题是关于多样风场环境下风资源的深度学习插补模型的适应性研究。

下面我将从四个方面去介绍我的一些研究的进展，和大家分享交流，大家如果有什么好的建议或者意见随时可以告诉我。

第一部分，风速插补方法。其实这两天在逛风展的时候看到了很多做测风设备的厂家过来，提供测风设备也是多种多样，但是我们在实际测试当中，测风设备经常会出现一些人为的或者是机械上一些损伤，导致我们的测风数据的缺失，但是我们在做风资源评估，又必须用到这些数据，那怎么办？我们就需要对数据进行分析和插补，完成我们所需要数据的一个插补过程。这样来评估风场的风资源情况。

传统最多的是使用Windographer这个软件使用的MCP方法，这些方法是基于现行插补理论，在应用当中总觉得准确性差那么一丁点，让风资源评估出现了一些不准确的情况，这款软件提供8个方法，针对不同应用场景，我们会使用不同方法进行丰富的插补。由于准确性和精度上的不足，我们提出了关于深度学习的插补方法，大家都知道现在的人工智能的应用非常广泛，风电行业也是广泛应用，所谓的深度学习就是模拟人脑进行学习的神经网络，模仿人脑的事情去解释数据的机械学习技术，说到深度学习不得不说一下单层感知机，在此基础上发展出了多层感知机，中间增加了多个神经元，增强模型的表达能力，单层只能做分类，多层可以做数据分析。深度神经网络基于多层感知机发展而来的。

在这个方面人工智能发展很快，很多人做出相应的一些包，集成了很多深度学习的算法，在这儿就不一一介绍了。

我们想介绍的是在风速方面的应用，风速插补是基于BP的神经网络，左边这张图有输入层到多层隐藏层，技术的就是输入的一些变量，风速，风向，温度，经过神经源输出我们的风速，我们再对它进行反向的传播，调整它的权重和误差，以达到我们所需要的精度，我想介绍的是后面这张图，一个计算流程，我们通过侧风塔获得测风数据，对数据进行预处理，对数据进行分组，规预化操作。然后传到所建立神经网络模型当中进行迭代循环，对函数进行预算，更新权重和误差，使我们的精度满足所需的要求，这样当模型建立之后我们再次输入相关需要预测或者插入数据的时候，通过这个模型可以很快计算出预测的风速，简单介绍一下背景以及应用方法。

下面通过两个例子来说一下关于风速插补方面一些应用。

第一，关于侧风塔风速做了关于平坦地形和复杂地形的，首先介绍平坦地形的，这个图是明阳智能西北地区某风电场的地图，海拔1340米，地势最大高差是2米，风电场内有3个侧风塔高度10米，40米，60米，80米和100米，我们是10分钟一次进行测试。

我们基于pytorch搭建深度神经网络，并对风速相关数据进行训练，建立一个模型，第一张图是目标函数训练级，我们采用时间是2017年7月10号0点到2018年2月15号9点10分的数据，我们对它进行一个插补，大家看这个趋势图，红绿对比看到非常明显，效果是比较好的，计算了一下它的相关信息系数达到97.3%，这个是深度学习当中经常用到的，后面可以介绍。后面看到低风速风区，这个插入是很好的，往上风速高一些，离散度稍微大一些，这是目前做出来的效果，高风速因为存在着学习量比较少，导致插补的时候数据偏离度有一点大，但是整体相关性是很好的，达到97.3%。

介绍一下复杂地形的，我们选用明阳智能在西南地区的风电场，海拔是281米，场内地势高差达到50米，选取场内5个侧风塔，高度是10米，40米，60米，80米和100米，对于风速、风向、温度，湿度、气压数据进行一个插补，会做同样的事情，户划分数据级，跟我前面所讲到的图一样，先划分数据级，训练集和测试集，对测试级目标数据进行插补，我这个时候插补前面是100米的，风速可以看到相较于平坦地区，复杂地形稍差一点，为了证明插补的效果如何，我们使用了常规方法进行了一个插补，插补之后图也可以看得到，左边蓝色的是神经网络插补的，右边绿色就是用传统方法插补的，很明显平坦地形比复杂地形要相对好一点。根据这两个方法进行插补，我们通过机器学习的手段，主要是误差和相关性系数来进行判断，在误差上面来说的话，误差减少了43.7%，这是平坦地形的，复杂地形可能因为地势原因，还有地势不规则，降低了11.3%，相关性系数平坦地形97.3%，复杂地形是93.9%。基于此的定论，这是针对于侧风塔，我们对于风场风机也可以进行一个修正和插补。

这里我们选用明阳在内蒙的一个风场里面大数据，拿出了实时风速风向、温度、压强、浆距角实时数据，差不多10个月的插补数据，后面还有两个月的，蓝色的线就是传统方法对比的，红色的就是实测真实值，绿色就是我们神经网络一个插补，我们可以很明显看到，传统方法插补对它的波动性离散性非常大了，用神经网络高差利线，后面做了一个表格统计，我们关注均方误差和决定系数，均方误差下降了34.5%，然后相关性系数可以达到97.9%，提升1.7的效果。这是通过深度学习和传统常规软件进行了一个对比分析的结果，我们发现通过神经网络来做，确实能够对风速插补有一个相应的提升。

下面给一些结论，刚才已经讲了，测风塔风速和风机风速，深度神经网络学习对于风速插补是优于传统方法的，是比较推荐的，我们在平坦地形的效果还是比较好的，目前这些方法我们都应用到了风机测风塔风速的应用，为我们的风资源提供一个数据。未来我想说的是，明阳这边来说的话，我们会基于边缘计算的人工智能将嵌入到工业应用当中，将风机做得更为智能化，精度更高，发电量更高，这是我的所有演讲。谢谢大家。

（根据速记整理，未经本人审核）