聲雷達設備對精細化測風的模擬研究

沈陽工程學院 陳子軒 高 陽 許傲然 舒心蕾 胡譯文

本文對聲雷達設備應用在風電領域精細化測風方面進行了討論研究，主要基于實際數據，對測風塔設備和聲雷達設備在精細化測風方面的各自能力做了重點分析。由于風電領域的不斷發展，致使各風電場對于今后的規劃的掌握度要求越來越高，由此，現今普遍使用的測風塔設備對于精細化測風的目標也逐漸地出現各種不利影響，新設備的提出呈現日益必要的趨勢。測風數據的準確與否將關系到接下來風電場一系列的操作步驟，所以保證精確的測風數據才能更加的反映該測風區域的實際風況，是整個測風發電過程中非常重要的一步。

當今社會各個方面的都在不停地進步發展，對能源的大量需求更為嚴峻，因此產生的能源短缺問題日益凸顯，如何能夠快速解決能源緊缺的問題顯得越來越重要，目前世界上偏向于大力開發清潔可再生新能源，并且對此各國爭相投入大量人力物力進行研究，其中在各種各樣的新能源中，風力發電技術是一種相對污染程度更低，技術也更加的完善的發電模式，它所帶來的有利影響包括投入建設使用的工期較短，在成本花費上也較少，長期運行過程中產生問題的幾率較少，維護檢修的難度較低等，因此它逐漸為人類在能源可持續發展戰略方面添上濃墨重彩的一筆，在新能源領域顯得越來越重要。當前國內三北地區的優質風資源開發已經基本飽和，所?？臻g有限，在該部分地區繼續依靠優質風資源進行大規模發展已經不具有支撐的基礎，并且當前風電行業的標準規范，風能監測手段的相對單一，監測技術的相對落后，尤其是廣泛使用的測風塔其固有的缺點，已經不能滿足當前行業發展和精細化風能監測的要求，風電領域呼喚新一代精細化智能測風技術的出現。

1 BP神經網絡的模型建立

基于對測風塔和聲雷達設備對精細化測風的要求進行比較，提出采用基于神經網絡的方法對所測風速進行功率預測，并相較于實際功率進行比較，從而可以得出兩種設備在精細化測風方面的能力。測風塔數據取自安徽省某風電場2019年3月-6月的現場采集來的風速數據，聲雷達數據取自安徽省某風電場2020年3月-6月的現場采集來的風速數據。

1.1 BP神經網絡的基本原理介紹

作為神經網絡中的一個分支，在功率預測領域體現著強大的模型優勢。BP神經網絡是在1986年的時候提出的，它不需要在一開始就在模型建立時編寫輸入-輸出映射關系的數學方程式。它的核心數學學習規則是最速下降法，并同時通過反向運算對網絡中各個神經元之間的權值和閾值進行不斷地修正，使得最終目的神經網絡的誤差平方和最小。因此BP神經網絡算法可以分為兩個主要的運算過程，即信號的正向運算和誤差的反向運算。正向運算過程即當需要計算誤差輸出時，運算過程從輸入到輸出的正方向進行；反向運算過程所需要進行的內容是對神經網絡預先設置權值和閾值進行調整時，運算過程從輸出到輸入的反方向進行。

其具體操作是首先將以風功率預測作為輸出的風電場的測風設備在各高度層所測得的現場實時風資源數據作為基礎，而后依據相關國家標準所要求的風數據的相關性和合理性等對生數據進行篩選、剔除和修正等預處理操作，整合成一套準確的基礎數據庫，接著將基礎數據庫中的各層風速數據和實際功率依次輸入到BP神經網絡模型中進行擬合訓練，在建立起模型的同時，從中可提取出訓練后的結果，最后把需要測試的相關風速數據輸入到已建立的模型中，經過短暫時間的模擬計算后，即可得到所需的風電場功率序列結果。

1.2 BP神經網絡雙向運算過程

在BP神經網絡的模型構建中，其雙向運算過程中往往涉及多個神經元、閾值和權值之間的聯系，所以一般將BP神經網絡設置n指代輸入層所含的神經元個數，m指代隱含層所含的神經元個數，k指代輸出層所含的神經元個數；θk指代輸出層的第k個神經元所設置的閾值，λm指代隱含層的第m個神經元所設置的閾值；ωnm指代輸入層的第n個神經元和隱含層的第m個神經元相互連接的設置權值，υmk指代隱含層的第m個神經元和輸出層的第k個神經元相互連接的設置權值。

誤差的反向運算過程首先從輸出層開始反向逐層計算各層神經元存在的輸出誤差，然后根據誤差梯度下降法來重新整合各層神經元之間的權值和閾值，使得修改后的網絡的最終輸出盡可能地接近預期數值。

誤差的反向運算過程包括：BP神經網絡模型一般將誤差函數的具體公式定義成將各個數據b的預估輸出值Y和實際輸出值y作差后求平方和，即：

BP神經網絡對b個訓練數據的總誤差函數為：

然后通過誤差梯度下降法對之前預先所設置的權值和閾值進行相關修正，例如：輸出層權值的修正量為Δυk，輸出層閾值的修正量為Δθk，隱含層權值的修正量為Δωm，隱含層的閾值的修正量為Δλm。具體公式如下所示：

經過反復的修正，通過以上預測誤差函數E的修正過程后，BP神經網絡權值和閾值設置為新的修正值，用該數值計算所得的結果比較合理，其中第i+1次修正值為：

1.3 功率預測原理介紹

由于風電功率波動對電網調度影響較大，因此時間分辨率以分鐘、小時為計的風電預測非常重要，風電有功功率預測將時間間距設置為第二日零時至從今天開始三天內的間隔，每兩個數據之間的時間分辨率為15min。具體各計算公式如下所示：

式中：PMi指i時刻的實際功率；

PPi指i時刻的預測功率；

Sop指風電場的開機總容量；

n指所有樣本個數；

Erms指均方根誤差；

QR指合格率；

Ema指平均絕對誤差；

CR指準確率。

2 案例分析

2.1 基本參數設置

對于兩種設備的對比試驗，取各自的對應時間的風速數據作為輸入，以風電功率作為最終輸出變量進行比較，對比實驗結果誤差。對于測風塔測風設備，取該風電場2019年3月11日3：00至5月23日24：00的樣本數據作為訓練集，取2019年5月24日0：00至6月9日12：00的樣本數據作為測試集，分別取10m、30m、50m、70m高度層的風速作為輸入信號。對于聲雷達測風設備，取該風電場2020年3月11日3：00至5月23日24：00的樣本數據作為訓練集，取2020年5月24日0：00至6月9日12：00的樣本數據作為測試集，分別取10m、30m、70m、80m、85m、95m高度層的風速作為輸入信號。綜合考慮訓練速度以及數據適應性等原因，對于模型其他參數的設置分別是同樣設置兩層隱含層，其中兩層分別含有5個和6個神經元單位；但是輸入層的神經元個數不同，測風塔由于測量高度的原因，設置為4個，聲雷達由于測風層高多，可由層高密度將其設置為6個；輸出層神經元個數都設置為1個，時間分辨率為15min，風電場的開機總容量取為148.5MW，通過某一天的兩設備測風數據進行未來一天96個時刻點的預測功率。

2.2 實驗結果

為了減小隨機性對實驗帶來的影響，對模擬實驗進行多次測試，對比變化實驗結果數據，同時在matlab軟件中輸入各指標參數計算公式，計算相關測試指標系數，得出具體結果：其中在測風塔的數據預測功率中，Erms為0.195，Ema為0.170，CR為80.5%，QR為84.4%，誤差平均值為25.296MW；聲雷達實測數據在預測功率中，Erms為0.169，Ema為0.124，CR為83.1%，QR為87.3%，誤差平均值為18.466MW。

實驗結果表明，兩種測風設備的風電功率預測結果都是滿足合格率和準確率80%的情況，相互比較中可以發現，聲雷達的合格率和準確率都較優于測風塔4%左右，均方根誤差也都處于20%以內，誤差平均值方面都處于風場總開機容量的20%以內，測量結果符合要求，這說明通過聲雷達設備經現場測量后的風速數據預測的風電功率更加切合于實際功率，聲雷達設備測量的風速數據更加精確，更能夠達到精細化測風的要求。當在某些時刻對應的瞬時風速變化差距比較大的情況時，該模型的預測結果誤差也因此變差，這結果可由因為風速的劇烈波動性具體影響了BP神經網絡的自主泛化能力來進行解釋，致使其能力減弱，最終對模型的預測結果的準確性造成了不良的影響。然而造成模型預測有較大誤差的主要原因可分為模型本身的建立過程、實際輸入數據(本節即聲雷達及測風塔測量風能數據)的精確性和真實性等。如果存在預測功率遠大于實際功率的情況時，可認為對相應發電設備進行了限電運行，致使實際功率大大減?。蝗绻嬖陬A測功率遠小于實際功率的情況時，可認為由于風場面積大，因為測風設備只是測量了某個單點的風況，致使該風能數據存在一定的錯誤。因此，輸入數據是否精確，符合實際就顯得更加重要，在測量的第一步需要嚴格達到準確度，精細化測風的要求必須得到保證。

3 結論

本文主要對風電場的實際測風設備采集而來的數據是否合格、準確進行討論分析，對于從現場聲雷達設備采集而來的風能數據對比直接從現場采集而來的測風塔實時數據，通過對BP神經網絡模型的構架，對安徽省某風電場的風電功率進行預測，從而對比該風電場的對應時間的實際功率，計算出部分誤差指標數據，皆分析出通過聲雷達測量的風能數據在功率預測方面要較好于測風塔的風能數據，聲雷達的測風數據更加的精準，更加的切合實際，更加符合精細化測風的要求，這有利于聲雷達設備今后在新能源領域繼續加大力度的投入使用，為將來大規模的從測風塔設備逐漸由聲雷達普遍代替打下基礎，使得精細化測風能力逐步得到加強，能夠更好地掌握了當地風況的變化情況，同時為風電場測風設備改進和風機的準確架設位置和數量提供參考，為風能發電的規劃發展提供了更大的幫助。