- 頭條西安交通大學王晨、寇鵬：風電場內多風機風速預測的新方法2021-02-08 作者：王晨, 寇鵬 | 來源：《電工技術學報》 | 點擊率：導語本文提出了一種通過學習歷史風速和歷史風向中空間相關性和時間相關性信息，從而實現不同地理位置上多風機各自本地風速的預測方法。
團隊介紹
王晨，碩士研究生，主要研究方向為人工智能技術在電力系統中的應用，目前在參與國家自然科學基金等項目的研究。
寇鵬，副教授，博士生導師，主要研究方向為新能源發電與智能微電網、電機先進控制、預測控制與智能控制等。近年來主持及參與了國家自然科學基金、企業合作研究等多項科研項目。在IEEE Transaction on Power Systems、IEEE Transactions on Energy Conversion、IEEE Transactions on Smart Grid、電力系統自動化等本學科重要學術期刊以及重要國際會議（如IEEE CDC、IEEE PESGM 、ICCET、WCICA等）發表科研論文共計30余篇。
導語
本文提出了一種通過學習歷史風速和歷史風向中空間相關性和時間相關性信息，從而實現不同地理位置上多風機各自本地風速的預測方法。
該方法首先利用卷積神經網絡（Convolutional Neural Network，CNN）提取空間相關性信息，然后將蘊含空間信息的特征序列交由簡單循環單元（Simple Recurrent Unit，SRU）處理，進而學習時間相關性信息。
在實際風電場數據上的仿真測試表明：在多個不同的預測時域下，該方法與現有利用時空相關性的預測方法相比，不僅顯著減小了計算代價，而且提高了預測的準確性。
項目研究背景
鑒于化石能源的不可再生性和其造成的環境壓力，新能源發電技術越來越受到世界各國的重視。風力發電是新能源發電中重要的一部分，在2018年，全球風電裝機容量規模達到597GW，中國的風電裝機容量規模占據全球第一，超過200GW。
隨著風電滲透率的不斷增加，由于風速的隨機性和不確定性，風電功率的波動會對電網的安全性造成影響。風電功率主要由風速決定，準確的風速預測可用于指導設計高效的風電控制策略，進而減小對電網不利影響。但由于一個風電場中的風機廣泛分布在不同的地理位置上，每個風機的風速都不相同。
論文所解決的問題及意義
在傳統風電場風速預測中，往往是將風電場視作一個整體，進而給出較大空間尺度下的單一整體風速預測結果。但在實際風電場中，多臺風機分布在不同的地理位置上，其各自的本地風速也存在明顯差異。
針對這一問題，本文提出了一種集成預測模型，該集成預測模型可以精細化地預測風電場中每臺風機的本地風速，為風電場控制提供更為充分的信息，進而提升風電場控制的靈活性和最優性。
論文方法及創新點
本文提出了一種基于深度學習的風電場內多風機風速集成預測模型，該模型學習多風機間風速和風向的時空相關性。
在集成預測模型中，CNN負責多風機風速序列間空間相關性和風向序列間空間相關性的建模。風速和經三角函數處理的風向構成三維輸入矩陣，此特征輸入矩陣與彩色圖像RGB三維通道的結構類似。而CNN非常適合處理具有類似彩色圖像結構的數據，所以在空間相關性方面使用CNN進行空間特征提取。
RNN是一種專門用來處理具有時序特征數據的深度神經網絡，RNN不僅具有并行處理能力，能極大地減小計算代價，而且可以有效地緩解梯度消失，解決長期依賴問題，所以將經過CNN處理后、蘊含空間信息的數據再輸入到SRU中進行時間特征提取。
該時空集成預測模型的整體結構如圖1所示，在預測時域為h=1時，風機組在某一時刻的預測輸出誤差熱力圖如圖2所示，編號1風機在多個時刻的迭代預測結果如圖3所示。
圖1 集成預測模型結構
圖2 風機組在某一時刻的預測輸出誤差熱力圖
圖3 編號1風機的風速預測結果
結論
針對于在同一風電場中不同地理位置分布的多風機風速預測問題，本文提出了一種基于CNN和SRU集成預測模型的預測方法，通過仿真對比分析，可以得出以下結論：
1）與其他循環神經網絡相比，SRU具有并行計算的能力，進而顯著的減小了計算成本。并且在整個訓練過程中，SRU一直保持著較大的梯度，可以有效的解決隨著網絡層次的增加帶來的梯度消失問題。
2）通過學習風速和風向的時空相關性，首先提取空間特征，然后將蘊含空間特征的數據輸入到多個SRU中提取時間特征，從而CNN和SRU的集成預測模型可以提取到十分豐富和有效的預測信息。
引用本文
王晨, 寇鵬. 基于卷積神經網絡和簡單循環單元集成模型的風電場內多風機風速預測[J]. 電工技術學報, 2020, 35(13): 2723-2735. Wang Chen, Kou Peng. Wind Speed Forecasts of Multiple Wind Turbines in a Wind Farm Based on Integration Model Built by Convolutional Neural Network and Simple Recurrent Unit. Transactions of China Electrotechnical Society, 2020, 35(13): 2723-2735.
