基于區(qū)域信息融合的風電場平均年發(fā)電量預測*

王 娜 ,邵 霞,高云鵬，萬 全

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

基于區(qū)域信息融合的風電場平均年發(fā)電量預測*

王 娜1?,邵 霞1,高云鵬1，萬 全2

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

備選風電場在壽命周期內(nèi)的平均年發(fā)電量是風電場宏觀選址的一個重要參考判據(jù).為了提高風電場平均年發(fā)電量的預測精度，提出了一種基于風電場附近多個氣象站長期測風數(shù)據(jù)的區(qū)域信息融合的平均年發(fā)電量預測方法.首先分別建立各氣象站與風電場同期小時風速之間的相關模型，應用相關模型得到多個長期小時風速預測值，再用神經(jīng)網(wǎng)絡對長期小時風速預測值進行融合處理得出最終的小時風速預測值，在此基礎上進行風電場平均年發(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)電量的預測誤差比采用單一氣象站數(shù)據(jù)的預測誤差最高可降低11.32%.

平均年發(fā)電量；測量-相關-預測；信息融合；神經(jīng)網(wǎng)絡

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

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)絡法[1,6]和Bayesian網(wǎng)絡法[7]等.其中線性回歸法、方差比法、Weibull尺度法、概率函數(shù)法均是利用風電場附近單一氣象站的信息進行預測.實際上風電場附近可能存在多個與風電場距離較近且風速相關性較強的氣象站，在這種情況下只采用一個氣象站的信息勢必會影響預測的精度.為了進一步提高預測精度，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)電量預測算法.該算法由3部分構(gòu)成，首先分別建立各參考氣象站與風電場同期小時風速之間的相關模型，應用相關模型得到多個長期小時風速預測值；然后用神經(jīng)網(wǎng)絡對長期小時風速預測值進行融合處理得出最終的預測值；最后，在長期小時風速的基礎上進行風電場平均年發(fā)電量的估算.與文獻[1]和[7]相比，算法更加靈活，并且可以運用目前成熟的MCP算法，對年平均發(fā)電量的預測誤差相比采用單一氣象站數(shù)據(jù)預測方法最高可降低11.32%.

1 基于區(qū)域信息融合的年發(fā)電量預測

1.1 基本原理

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

假設風電場附近區(qū)域有n個氣象站，能夠提供與風電場測風塔同期(1～2年)的逐小時風速和風向數(shù)據(jù)以及連續(xù)20～30年的逐小時風速和風向數(shù)據(jù).以參考氣象站1為例，對測風塔和參考氣象站1的同期風速進行相關處理，再將參考氣象站1的全部小時風速和風向數(shù)據(jù)應用到此相關模型中，從而得到一組風電場的長期小時風速預測值.采用相同的方法可得到n組長期小時風速預測值.這時對每一個時間點均有n個預測值，將這n個預測值經(jīng)過融合算法后得到該時間點最終的預測值，逐點處理后即可得到風電場最終的長期小時風速預測值.最后應用所得風速信息進行平均年發(fā)電量的估算.

圖1 風電場平均年發(fā)電量預測示意圖

這里假設風電場壽命周期內(nèi)的風速特征不會發(fā)生明顯改變，因此，可用長期歷史平均年發(fā)電量來代表風電場在未來壽命周期內(nèi)的平均年發(fā)電量.同時，由于算法中應用了氣象站的長期小時風速和風向，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.

算法中有兩個關鍵點，一是風電場和各氣象站同期小時風速的相關預測算法，二是多個預測值的融合算法.本算法采用已有成熟的利用單一氣象站的MCP算法作為相關模型，因此，本文重點研究預測值的融合算法.

1.2 基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡融合算法

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，能夠?qū)W習和存貯大量輸入-輸出模式的非線性映射關系，是廣泛應用的數(shù)據(jù)融合方式.

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

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

圖2 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

(1)

(2)

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

具體訓練過程為：

1)將各個氣象站的同期逐小時風速和風向數(shù)據(jù)應用到相關模型，從而得到多個風電場同期小時風速預測值，將此多個風速預測值構(gòu)成新的樣本集，并以新的樣本集作為輸入，相應的風電場同期實測風速作為輸出進行訓練，在滿足一定的精度時結(jié)束訓練，將此時的權(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)絡的權(quán)值.為了能夠從神經(jīng)網(wǎng)絡結(jié)束的位置繼續(xù)進行優(yōu)化，將粒子1的位置初始化值設置為神經(jīng)網(wǎng)絡傳遞過來的權(quán)值rij，而其他位置初始化為隨機值，即[8]：

(3)

所有粒子的速度初始化值也為隨機值.

3)以均方根誤差作為適應度函數(shù)，評價粒子適應度值.將第i個粒子當前點設為最優(yōu)位置pBesti，所有粒子中最優(yōu)者設為種群最優(yōu)位置gBest.

4)按式(1)和式(2)更新各個粒子的速度和位置，得到新的種群.

5)計算各粒子的適應度值，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：一是達到最大進化代數(shù)；二是在應用驗證樣本進行計算時，最優(yōu)粒子連續(xù)6次保持不變.神經(jīng)網(wǎng)絡和粒子群算法具有相同的訓練樣本和驗證樣本.

2 平均年發(fā)電量計算及評價指標

在風能資源評估中，需要選擇一種成熟的機型初步估算風電場發(fā)電量，一般認為在扣除各種損耗 后風電場年等效滿負荷小時數(shù)超過2 000 h才具備較好的開發(fā)價值，或認為容量系數(shù)大于0.3的地區(qū)將會有明顯的經(jīng)濟效益.

在利用風電機組的功率曲線計算發(fā)電量時，廠家通常只提供有限對風速、功率點值M(vj,Pwtj)，而對于風速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分別為風機的切入和切出風速.

已知風電場處的長期小時風速后，采用式(5)進行累加計算年發(fā)電量：

(5)

其中ρ和ρ0分別表示實際空氣密度和標準環(huán)境下的空氣密度.多年計算結(jié)果的平均值即為長期平均年發(fā)電量.需要指出的是，本文計算的是單臺發(fā)電機組的理論平均年發(fā)電量.

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

(6)

(7)

其中下標p代表預測值，m代表測量值.

3 算例分析

3.1 數(shù)據(jù)來源及典型風電機組選擇

本文應用荷蘭6個氣象站(S1～S6)1994年～2013年20年間的小時風速及風向序列來對所提方法進行驗證，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個氣象站風速之間的線性相關系數(shù)如表2所示，在風能資源評估中，一般需要校驗風電場和參考氣象站之間的風速相關性.如果相關系數(shù)太小，評估誤差也會增大.

表2 不同氣象站之間風速的線性相關系數(shù)

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

v1=(h1/h0)a·v0

(8)

式中v1為高度h1處的平均風速；v0為高度h0處的平均風速；a為風切變系數(shù)，采用冪指數(shù)方程.因缺乏不同高度的實測風速數(shù)據(jù)，取風切變系數(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，即風電場和氣象站2013年的小時風速和風向均為已知.利用短時同期風速對融合算法進行訓練，再將參考氣象站長期小時風速和風向數(shù)據(jù)(1994年～2013年)輸入到模型中，即可得出風電場的長期小時風速預測值.

在仿真中，將某些氣象站作為備選風電場，將某些氣象站作為參考氣象站，由此得到不同的算例，本文選擇如表3所示的15個算例.如在算例1中，將S1作為風電場，分別選擇其附近1個(S2)、2個(S2，S4)和3個(S2，S4，S5)氣象站作為參考氣象站來預測S1處的長期小時風速和平均年理論發(fā)電量，并與實際值比較來評價算法的性能.當采用風電場附近的區(qū)域信息即多個參考氣象站信息時，第2個參考氣象站與風電場之間的風速相關系數(shù)小于第1個，第3個小于第2個，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

仿真中風電場和參考氣象站之間的同期風速采用方差比法進行8扇區(qū)相關處理(也可以用其他相關算法)，神經(jīng)網(wǎng)絡隱含層節(jié)點20個，在matlab中采用train函數(shù)進行訓練，粒子參數(shù)設置為：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)域多個氣象站信息融合的風電場長期小時風速預測均方根誤差如圖4所示，從圖中可以看出均方根誤差隨著參考氣象站數(shù)量的增加而減小.

算例

圖5是在Vestas801800機型的基礎上計算的單臺發(fā)電機的理論發(fā)電量實際值和預測值，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)，參考氣象站數(shù)量的增加并不一定使誤差減小，仍以算例10為例，采用2個參考氣象時的誤差為1.17%，采用3個參考氣象站時的誤差則為1.76%，這與長期小時風速的均方根誤差隨參考氣象站數(shù)量的增加而單調(diào)遞減不同，產(chǎn)生這種現(xiàn)象的原因在于風速與風電機組的功率曲線呈現(xiàn)非線性關系，風電機組只有在實際風速處于切入風速和切出風速之間時才能發(fā)電，而且在功率曲線的上升階段，風速預測誤差會對發(fā)電量產(chǎn)生較大影響，而在風速達到額定風速之上時，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)域信息融合的風電場年平均發(fā)電量預測模型，應用6個參考氣象站20年間的風速樣本進行了仿真，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)電量的預測誤差.根據(jù)仿真結(jié)果綜合分析，在實際應用中一般采用2個或3個參考氣象站的數(shù)據(jù)為宜.本文提出的算法適用于參考氣象站的歷史觀測數(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[4]中的思路，將風電場的測風數(shù)據(jù)訂正為一套反映風電場長期平均水平的代表年的逐小時風速風向數(shù)據(jù)，訂正過程中仍可將多參考氣象站的信息進行融合，但其精度還需要進一步驗證.

[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)督檢驗檢疫總局. GB/T18710-2002, 風電場風能資源評估方法 [S]. 北京：中國標準出版社, 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

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

王 娜(1979-)，女，遼寧鐵嶺人，湖南大學講師，博士研究生

?通訊聯(lián)系人，E-mail:wangna_ln@126.com

TM315

A