基于深度學習的風電機組風向預測方法研究

蘇智超

（上海電力股份有限公司閔行發電廠，上海200245）

隨著經濟規模的持續擴大和發展速度的大幅提升，我國面臨著嚴重的能源短缺與環境壓力問題。我國的風力資源十分豐富，根據有關氣象資料，我國陸上離地10 m高度風能資源的理論蘊藏量約為32.26億kW，其中可開發利用的風能儲量有2.53 億kW，離地50 m高度的風能資源比10 m高度多一倍，加上近海可供開發利用的風力資源可達7.5 億kW，可見我國風力資源開發潛力巨大，是未來能源結構的重要組成部分。在國家可再生能源發展規劃及風電設備國產化等政策的引導下，我國涌現出一批實力雄厚的優秀風電設備制造企業，形成了完整的配套產業鏈，極大地促進了兆瓦級風電機組的本地化生產供應能力與國產化水平，為風電產業的大規模開發奠定了基礎［1-6］。

隨著國家對新型能源的重視，我國風力發電事業得到了長足發展。關于風電場的研究目前主要是考慮如何充分地利用風能，最大程度地發電，取得最大的經濟效益和環境效益。風電場的等值建模和風電功率預測是風電場研究的重要內容，但是目前大部分研究都是從風電場的風速這一技術路線考慮的。風速是表征風況的重要特征參數，為了盡可能地利用風能，要求風力發電機的葉片垂直于來風，隨著風向的改變其偏航系統進行動作［7-10］。由于風況的隨機性和波動性，風力發電機偏航機構頻繁動作，設備的損壞率和故障率不斷升高，而且偏航追風相對風向變化總有一定程度的滯后，風能的利用還有很大的提升空間。

對于風速預測的研究，眾多專家學者做了大量的工作，也取得了一系列的成果。與風速預測不同，對風向的研究和預測鮮有開展，原因在于風向是矢量，隨機波動性大且規律難以捉摸。風向是風電場運行中的重要因素，風向預測更側重于風電機組控制性能優化，關注的重點是各風電機組歷史時刻的風向、偏航系統動作次數、偏航角度、追風偏航的動作時間等，還關系到風電機組捕獲風能的效率，對其進行深入研究的意義重大。

本文主要闡述如下幾個方面的研究成果：風電場風向預測的具體思路；根據某風電場提供的實際風數據，詳細介紹風數據的清洗整定方法，并舉例論證其效果；提出關聯種子選取的基本原則，結合風機偏航系統實際工作原理提出用風機偏航事件相關性來篩選預測關聯種子，并詳細介紹風機偏航事件相關性的數學模型和求取方法；通過試驗論證用風機偏航事件相關性來篩選關聯種子風機的可行性。

1 風向預測總體思路與風電機組運行數據特征概述

1.1 風向預測總體思路

在風電場區域中，風向不會發生突變，所有風機都應向著當前時刻的主導風向，但是受地理位置、風機尾流效應等因素的影響，不同風機的風向會存在一定的差異。經過上游風機的風將在一段時間后吹到下游風機，成為下游風機風向發生變化的重要因素，即下游風機和上游風機的風數據存在一定的關聯，風電場的風速為6～9 m·s-1， 10 min 風前進的距離一般不足6 km［11-15］。這種上游風機與下游風機風向的關聯受諸多外在條件的影響，無法用簡單的數學公式來概括，因此希望通過機器學習對之前的數據進行學習。

風向預測的總體思路是：選取與待預測風機相關性較好的上游風機作為關聯種子，通過關聯種子當前時刻的實測風數據，預測10 min 后待預測風機的風向，并根據預測風向與當前時刻風向的差異，決定是否提前偏航。風向預測的理論示意如圖1 所示。

圖1 風向預測的理論示意

1.2 偏航系統工作原理及控制策略

1.2.1 偏航系統的工作原理

在風輪前部或者機艙一側，裝有風速風向傳感器，作為感應元件將風向與風速變化轉換為電信號，并將其傳輸到偏航電機控制回路的控制器中。當風輪主軸方向與風向風速傳感器信號偏離一定角度時，偏航控制器便開始偏航延時，當偏航延時時間達到設定值時，偏航控制器認為風向已經發生改變，經比較判斷后發出向左或者向右的偏航指令［16-18］。偏航電機通過偏航齒輪箱、減速器以及調向小齒輪帶動偏航大齒輪轉動，風機機艙隨之運動，當偏航角度誤差消除后，風向風速傳感器失去電信號，偏航電機停止工作，偏航制動器鎖緊，整個偏航過程結束。

1.2.2 偏航系統的控制

（1）偏航系統控制策略：當外界風向發生變化時，風向傳感器將檢測到的風向信號傳送到控制器，控制器通過計算風向信號與機艙位置夾角來判斷機艙是否需要進行調整以及朝哪個方向調整。為降低偏航過程中的陀螺力矩，偏航電機轉速經減速器減速后將偏航力矩作用在偏航大齒圈上，按照控制器所基于的控制方法控制偏航驅動電機，驅動偏航大齒圈將風輪調整到與風向一致的位置。

（2）偏航系統優化控制策略：偏航系統優化控制策略是在綜合風場風速特性與風機出力特點的基礎上，結合偏航系統運行成本壽命分析，從偏航系統全壽命周期經濟效益最優角度，對偏航系統的傳統控制策略進行細分和改進［19-22］。

研究發現，不同風速區域內的風向特征存在一定的差異，對風機輸出功率的影響也不同：小風區域，風向變化頻繁，風機輸出功率增長緩慢；中風區域，風向變化較多，風機輸出功率增長較大；大風區域，風向平穩，風機輸出功率一直維持在滿發狀態。偏航系統優化控制策略并非強調實時追蹤風向變化來獲取最大發電功率，而是在掌握風場風能特性的基礎上，采取“此消彼長”的策略，實現不同分段風速區間與不同運行年限下的變參數控制，即減少功率輸出增長較慢的風速區間內的偏航次數，增加功率輸出增長迅速的風速區間內的追風次數［23-26］。

偏航系統優化控制策略根據風場風速大小的不同，采取不同的參數設定與動作方式，將偏航系統啟動分為兩級，即高風速偏航與低風速偏航，如圖2 所示。

圖2 偏航系統優化控制策略流程

當風向與機艙軸線偏離一定角度時，控制系統經過一段時間的確認后，首先判斷風向變化角度θ是否大于風機的最大允許誤差角度θdmax，當θ＞θdmax時，先令風機正常停機而后進行偏航動作，隨后再使風機正常啟動，本次風向變化判斷過程到此結束。否則繼續判斷風速v是否大于高低風速界定風速vd，當v＜vd時，判斷θ是否超出低風速區間內的設定角度θd1，如果θ＞θd1，經過Td1偏航延時后，啟動偏航系統，完成對風動作，否則不進行偏航；當v＞vd時，判斷θ是否大于高風速下的閾值設定角度θd2，如果θ＞θd2，經過偏航延時Td2后，啟動偏航電機，進行風向追蹤，否則不進行偏航，本次風向變化判斷過程結束。

2 風速風向運行數據清洗整定

由于風向數據為矢量的特殊性質，以及風機檢修和數據記錄故障等的原因，風機初始數據在某些時刻會存在缺失，無法進行后續的數據分析和風向學習及預測，因此需要對風電場提供的初始數據進行必要的處理［26］。

2.1 數據對齊

由于風電場風機初始數據的缺失使得獲得的每臺風機數據不等長，無法進行不同風機的橫向比較，因此需要將所有風機的運行數據按照時刻進行歸類，這個過程稱為數據對齊。主要方法為當某時刻某風機運行數據缺失時人為填入標識符p（取-30），使得對齊后的數據長度相同。數據對齊流程如圖3 所示。

圖3 數據對齊流程

2.2 數據清洗

圖4 數據清洗流程

2.3 數據整定

風機測得的風向絕對值范圍為0° 到360°，當某時刻風機測得的風向絕對值為355° 而后一時刻測得的風向絕對值為5° 時，根據偏航系統設定得到的結論是風向逆時針旋轉350°，而非順時針旋轉10°，這顯然是不符合常理的。因此，清洗后的風向數據依然無法準確反映風向的變化情況，需要再進行風向數據整定。數據整定的主要思想是將原屬于矢量的初始風向絕對值整定為標量，使得整定后的風向能夠直接反映風向的變化情況。數據整定流程如圖5 所示。

圖5 數據整定流程

2.4 數據處理案例分析

經過數據處理后，風機8 和風機24 清洗整定后的風向數據和曲線如圖6 所示。從圖6 可以明顯看出，兩臺風機的風向具有較好的相關性，說明本文提出的數據清洗整定方法具有科學性。

圖6 風機8 和風機24 清洗整定后的風向數據曲線

3 風機相關性判定和關聯種子選擇

3.1 風向預測理論依據

同一風電場區域的風向不會發生突變，吹過上游風機的風在經過一段時間后將會吹到下游風機，成為影響下游風機風向變化的重要因素，即下游風機和上游風機的風數據存在一定的關聯。選取與待預測風機相關性較好的上游風機作為關聯種子，通過關聯種子當前時刻的實測風向，預測10 min 后待預測風機的風向，從而實現優化偏航系統控制的目標。

3.2 關聯種子選取基本法則

關聯種子選取是風電場風向預測中非常重要的一部分，只有選取與待預測風機相關性較好的關聯種子風機才能做到準確預測。關聯種子的數量對預測結果也有很大的影響：選取過多的關聯種子會導致處理速度過慢，占用過多內存；而選取過少的關聯種子則會使得預測精度達不到要求。因此需要根據關聯種子選取法則和對應的試驗最終決定關聯種子。

根據風向預測的理論依據，關聯種子的選取應遵循如下基本法則。

（1）相同時間內關聯種子風機和待預測風機風向相關性應盡可能高；

（2）根據風電場當前狀態下的風向，選取上游風機作為關聯種子風機，下游風機作為待預測風機；

（3）關聯種子風機和待預測風機的直線距離不應太遠。

3.3 風電場風向分布的季節特性

在關聯種子的選取中，要求將上游風機選為關聯種子，用來預測下游風機，然而風電場的風向隨時間變化明顯，準確判斷風機的上下游關系并不容易。某一地區的風向分布情況和季節存在密切的關系，每個季節都存在主導風向，這為根據季節判定風機的上下游關系提供了理論依據。

3.3.1 風玫瑰圖基本原理

風是矢量，不僅大小（風速）在時間上呈現周期分布，而且在方向（風向）上也具有一定的周期分布規律。瞬時風向時刻都在變化，無法預測，但對某一地點的平均風向進行長時間的連續記錄，就可以得到各種風向的累計分布圖。在風能利用中，描述風向統計特性的參數是風向頻率。把在某一時期內（一月、一季、一年或多年），風向在某個方向的累計次數占該周期內所有風向（包括靜風）累計總次數的百分比稱作風向頻率，即：

風向頻率通常用風向頻率玫瑰圖（因圖形酷似玫瑰花朵而得名）表示，簡稱風向玫瑰圖或風玫瑰圖。它是根據某一地區在一定時期內（一月、一季、一年或多年），風在各個方向的累計百分數值，按一定比例在極坐標圖上繪制的，多用16 個羅盤方位表示。最常見的風向玫瑰圖是一個圓，從圓心等角度均勻地引出16 條射線，它們代表16 個不同的方向，每個方向的跨度為22.5°，大于348.75°或小于11.25° 為第一個方向，大于11.25° 且小于33.75° 為第二個方向，以此類推。一般情況下以正北為基準，按順時針方向旋轉，東風為90°，南風為180°，西風為270°，北風為360°。每條射線的長度與這個方向的風向頻率成正比，靜風的頻率在圓點處。風玫瑰圖射線上的點離圓心的遠近，表示從此點吹向圓心方向的風的頻率的大小，距離越近則頻率越小。某地風向玫瑰圖示例如圖7所示。

圖7 某地風向玫瑰圖示例

3.3.2 風玫瑰圖試驗結論

在某風電場提供的風向數據中，風向絕對值為矢量，用0°～360 °之間的任一整數表示當前時刻風向相對于該偏航系統0° 處的順時針偏轉值。

將某風電場其中1 個月共計4 224 組風向數據進行風玫瑰圖試驗，得出風機14、風機23、風機24 的風玫瑰圖如圖8 所示。

圖8 風機14、風機23、風機24 的風玫瑰圖

每臺風機的風向零位不同，導致不同風機的主導風向方向范圍存在差異，但是可以證明在風向零位一致的前提下，同一風場各風機具有相似形狀的風玫瑰圖。

3.4 風機偏航事件相關性求取

風機的偏航指令與風向有著直接關系，偏航系統根據測得的風向發布偏航指令，包括順時針偏航、逆時針偏航、不偏航，將其稱為偏航事件。根據偏航系統提供的機艙風速絕對值與風向絕對值兩項數據可以求得某一時刻的偏航事件。我們認為同一風電場各風機偏航事件存在一定的關聯性。

3.4.1 風機偏航事件相關性概述

某風電場采用偏航系統優化控制策略，即某一時刻風機是否偏航不僅與該時刻的風向及當前風機位置角度有關，還與該時刻的風速有關。在風機運行過程中，風向也不是在各風速區間內平均勻變化的，而是各有差異，并且一般小風時刻風向變化頻繁，大風時刻風向變化則相對較慢，因此考慮偏航系統動作的經濟性，設定偏航啟動角度，只有當風向變化值大于偏航啟動角度時，才發出偏航指令。某風電場的偏航啟動角度設定為風速8 m·s-1以上時為8°，風速8 m·s-1以下時為16°。

本文提出根據風機偏航的事件相關性來選取關聯種子。風機在某時刻的偏航事件情況有且只有3 種：順時針偏航、逆時針偏航、不偏航。在某一時間段內，偏航事件相同次數越多的風機的偏航事件相關性越好，選取偏航事件相關性較好的風機作為關聯種子風機有助于獲得更好的預測結果。

3.4.2 風機偏航事件的數學建模

風機偏航事件可以根據風機的風速、風向數據和風電場的偏航啟動角度來表示。 記為第i個有效時刻n號風機的風機位置角度為第i個有效時刻n號風機的風機偏航啟動角度為第i個有效時刻n號風機的風機偏航角為第i個有效時刻n號風機的風機偏航事件標識，=-1 為發生逆時針偏航，=1 為發生順時針偏航，=0 為不偏航。n號風機偏航事件的數學建模主要步驟如下。

風機偏航事件建模流程如圖9 所示，其中k為風電場風機總數，本文中k=24。

圖9 風機偏航事件建模流程

3.4.3 風機偏航事件相關性求取方法

由于偏航事件標識為離散定類變量，每個值代表一個類別，這些值之間沒有大小、次序之分，因此Pearson 公式對其不再適用，需要用其他的相關性分析方法。

列聯表是一種將樣本按照兩個或兩個以上的特征分類后的交叉頻數表，可以簡明扼要地體現出兩個樣本在不同特征情況下的樣本頻數。構造風機n1和風機n2的偏航事件2×2 列聯表，如表1所示。

表1 風機偏航事件2×2 列聯表

在眾多定類變量的相關系數中，Q系數是計算兩個變量相關性的最簡單方法，如下式所示：

Q系數的值在-1 到1 之間。Q越接近1，則L(1，1)×L(2，2)遠大于L(1，2)×L(2，1)，表明風機n1和風機n2在固定時間段內偏航事件相同的次數越多，偏航事件正相關；Q越接近于-1，則L(1，2)×L(2，1)遠大于L(1，1)×L(2，2)，表明風機n1和風機n2在固定時間段內偏航事件不同的次數越多，偏航事件負相關；Q=0 則表示風機n1和風機n2偏航事件不相關。

3.4.4 風機偏航事件相關性求取試驗結果

對某風電場24 臺風機的實際偏航事件開展相關性分析，相關度根據Q系數分為如下幾類。

（1）密切相關（Qn，24＞0.7）：風機20，風機23。

（2）高度相關（0.6 ＜Qn，24≤0.7）：風機5，風機8，風機19，風機21，風機22。

（3）中度相關（0.5 ＜Qn，24≤0.6）：風機2，風機11，風機13，風機14。

（4）低度相關（0.3 ＜Qn，24≤0.5）：風機3，風機6，風機12，風機17。

（5）極低度相關（Qn，24≤0.3）：風機1，風機4，風機9。

因此，選取風機20 和風機23 作為風機24 的關聯種子風機。

3.4.5 關聯種子選取最終法則

綜上所述，某風電場以冬季預測風機24 為例，關聯種子選取法則概括如下。

（1）相同時間內關聯種子風機與風機24 的偏航事件相關性Q系數應盡可能高。

（2）僅考慮主導風向預測，應選取位于風機24 西側的風機作為關聯種子風機。

（3）關聯種子風機和風機24 的直線距離不應大于6 km。

4 結語

本文在分析了風機偏航原理和風電場實測數據的基礎上，將兩者的特點相結合提出了偏航事件的建模方法，然后論證了根據偏航事件相關性篩選風向預測關聯種子的有效性，為風向的精確預測提供了基礎。

（1）討論了風機偏航系統原理，提出了一種風向預測理論，并將機器學習作為工具來預測風向。

（2）對風數據進行科學處理，根據某風電場實測風數據，提出了犧牲連續性保證同時性的數據處理方法，并詳細介紹了計算方法。

（3）研究了風向的季節性，通過風玫瑰圖得出風向隨季節變化明顯的結論，可通過季節來確定風電場主導風向。

（4）提出了風機偏航事件相關性，并根據提供的實際風數據完成數學建模，給出了基于列聯表Q系數的偏航事件相關性的計算方法。

（5）通過簡單的R 語言預測試驗，論證了用風機偏航事件相關性篩選預測風向關聯種子的有效性。