人工智能在預(yù)測單機(jī)風(fēng)電功率上有什么優(yōu)勢

單機(jī)風(fēng)電功率預(yù)測依據(jù)風(fēng)機(jī)輪轂風(fēng)速的歷史數(shù)據(jù)預(yù)測風(fēng)電功率。風(fēng)速與功率的高比例關(guān)系使得電力調(diào)度系統(tǒng)對風(fēng)電功率預(yù)測精度的要求較高，此外，風(fēng)速具有間隙波動性和隨機(jī)性，使得風(fēng)速和風(fēng)電功率序列呈現(xiàn)出很強(qiáng)的非線性。人工智能在處理非線性預(yù)測問題上具有優(yōu)勢，對單機(jī)風(fēng)電功率預(yù)測建模有一定的價值。

因此，湖南工業(yè)大學(xué)的研究人員郭茜、匡洪海、王建輝、周宇健、高閏國，在2020年第2期《電氣技術(shù)》雜志上撰文，介紹了基于人工智能的單機(jī)風(fēng)電功率預(yù)測模型的建立過程，闡述了模糊邏輯等人工智能方法在單機(jī)風(fēng)電功率預(yù)測中的應(yīng)用與特點(diǎn)，探討了單機(jī)風(fēng)電功率預(yù)測模型存在的問題，提出了對提高單機(jī)風(fēng)電功率預(yù)測模型性能的一些見解。

2019年5月，國家發(fā)展改革委及國家能源局在《關(guān)于建立健全可再生能源電力消納保障機(jī)制的通知》中指出，自2020年1月1日起將對各省級可再生能源的消納水平全面進(jìn)行監(jiān)測評價和正式考核。2018年風(fēng)電利用率達(dá)92.8%，但由于受自然條件影響大，風(fēng)能明顯的波動性使得電力系統(tǒng)的調(diào)度壓力較大，電力系統(tǒng)還不能完全適應(yīng)大規(guī)模風(fēng)能并網(wǎng)。2020年的風(fēng)電利用率指標(biāo)為95%。因此，調(diào)度系統(tǒng)對準(zhǔn)確快速地預(yù)估風(fēng)電功率有著切實(shí)需求。

風(fēng)機(jī)分為離網(wǎng)型和并網(wǎng)型。前者的功率預(yù)測準(zhǔn)確率在分布式風(fēng)力發(fā)電中要求較高，單機(jī)功率預(yù)測的性能將直接影響其投入使用時的可靠性。從集群風(fēng)電網(wǎng)的角度來看，并網(wǎng)型單機(jī)功率預(yù)測的誤差對集群功率預(yù)測的影響是成倍的。

對電場中的每一單機(jī)都進(jìn)行預(yù)測的成本很高，鑒于同一范圍內(nèi)風(fēng)速等氣象的相似性很高，往往由一臺或多臺電機(jī)的功率預(yù)測推算集群風(fēng)電網(wǎng)功率。無論是離網(wǎng)型單機(jī)還是并網(wǎng)型單機(jī)，單機(jī)的風(fēng)電功率預(yù)測精度都是影響風(fēng)力發(fā)電普及率的重要因素。因此，對單機(jī)功率預(yù)測模型及方法的研究變得尤為重要。

目前學(xué)術(shù)界已對電場級和集群級功率預(yù)測系統(tǒng)中的風(fēng)電功率預(yù)測方法展開了大量研究，國外對風(fēng)電功率預(yù)測的研究起步較國內(nèi)早，尤其在工程應(yīng)用方面，國外已有相對完整的全套風(fēng)電功率預(yù)測工具。近十年的國內(nèi)外學(xué)術(shù)界對功率預(yù)測模型研究中，約17%采用人工智能預(yù)測模型，組合模型占比20%左右，可見風(fēng)電功率人工智能預(yù)測模型是近年來的研究熱點(diǎn)，但相比占比54%的統(tǒng)計(jì)模型來說還相差較遠(yuǎn)；研究方向的偏好上，只有約10%是針對建模問題的研究，大部分的研究集中在預(yù)測方法和仿真上?？梢娙斯ぶ悄茴A(yù)測模型的研究空間仍較大。

現(xiàn)有的對風(fēng)電功率人工智能預(yù)測模型的研究多集中于電場級和集群級預(yù)測，不能滿足分散式風(fēng)機(jī)準(zhǔn)確快速供能的需求。因此，有部分國內(nèi)外學(xué)者對單機(jī)風(fēng)電功率預(yù)測展開了有益的研究。

有學(xué)者綜述了風(fēng)電功率預(yù)測技術(shù)，指出由于氣象等隨機(jī)因素的影響使得單機(jī)風(fēng)電功率預(yù)測難度較大，且許多研究都圍繞電場級和集群級預(yù)測；

有學(xué)者研究了單機(jī)輸出功率的波動特性，表明預(yù)測精度和時間尺度成反比，在空間尺度上單機(jī)功率的波動性比電場與集群要強(qiáng)；

楊俊友等人提出考慮尾流響應(yīng)的單機(jī)功率物理預(yù)測方法，在預(yù)測模型的建立中考慮了隨機(jī)因素，改善了預(yù)測效果，并將單機(jī)功率預(yù)測引入無功控制策略中，充分利用單機(jī)預(yù)測的精確性優(yōu)勢，改善了分散式電場的無功調(diào)節(jié)效果；

葉林等人提出利用單機(jī)有功預(yù)測實(shí)現(xiàn)有功控制及校正。

可見針對單機(jī)功率預(yù)測隨機(jī)性大的特性，國內(nèi)更多采用或結(jié)合物理建模技術(shù)來建立單機(jī)風(fēng)電預(yù)測模型，且在有功功率和無功功率的控制上進(jìn)行了突破性的應(yīng)用探索；國外則更傾向于采用統(tǒng)計(jì)建模技術(shù)建立單機(jī)風(fēng)電功率預(yù)測模型。

單機(jī)風(fēng)電功率預(yù)測模型的建立，根據(jù)預(yù)測策略的不同分為兩類，即物理建模和統(tǒng)計(jì)建模。

1）物理建模技術(shù)借助氣象學(xué)對復(fù)雜的大氣物理過程進(jìn)行分析預(yù)測，由于風(fēng)速序列在時間、空間上無規(guī)律、大幅波動的特點(diǎn)，難以針對不同機(jī)組建立統(tǒng)一的物理模型，對數(shù)值天氣預(yù)報（numerical weather prediction， NWP）的依賴性強(qiáng)，但具有不需要?dú)v史數(shù)據(jù)的優(yōu)點(diǎn)。

2）統(tǒng)計(jì)建模技術(shù)是基于統(tǒng)計(jì)學(xué)思想，利用風(fēng)速/風(fēng)電功率時間序列等歷史值對未來值進(jìn)行回歸預(yù)測或概率預(yù)測。統(tǒng)計(jì)模型主要包括人工智能預(yù)測模型。人工智能預(yù)測模型對非線性序列的預(yù)測問題具有優(yōu)勢，包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）預(yù)測模型和支持向量機(jī)（support vector machine， SVM）預(yù)測模型。

湖南工業(yè)大學(xué)的研究人員分析了基于ANN及SVM建立的單機(jī)風(fēng)電功率預(yù)測模型，梳理了基于模糊邏輯法、啟發(fā)式算法（heurisTIc algorithm， HA）等人工智能技術(shù)的單機(jī)風(fēng)電功率預(yù)測方法，對單機(jī)風(fēng)電功率預(yù)測模型和方法進(jìn)行總結(jié)，對不同模型及方法的優(yōu)劣進(jìn)行比較，重點(diǎn)梳理了預(yù)測過程中可能產(chǎn)生誤差的方面，并展望了可能的研究方向。

圖1 模糊推理過程

圖2 ANFIS預(yù)測模型的拓?fù)浣Y(jié)構(gòu)

研究人員指出，單機(jī)風(fēng)電功率預(yù)測模型中，ANN預(yù)測模型的拓?fù)浣Y(jié)構(gòu)緊湊、預(yù)測精度較高、遷移性能很好，但需要大量歷史數(shù)據(jù)，且訓(xùn)練模型的時間長、不易找到全局最優(yōu)解；SVM預(yù)測模型較簡單、魯棒性能好、預(yù)測精度比ANN高，但是核函數(shù)的選擇條件要求嚴(yán)格、易出現(xiàn)過擬合的問題。

單機(jī)風(fēng)電功率預(yù)測方法中，模糊邏輯法針對風(fēng)速的不確定性和隨機(jī)性，采用ANFIS提取有效信息并預(yù)測風(fēng)電功率，彌補(bǔ)了原預(yù)測模型不能準(zhǔn)確預(yù)測功率序列中非光滑部分的缺點(diǎn)；HA對隨機(jī)信息的捕捉能力強(qiáng)，用于調(diào)節(jié)模型參數(shù)。

ANN預(yù)測模型在超短期和短期預(yù)測中的整體表現(xiàn)優(yōu)于SVM預(yù)測模型，超短期預(yù)測結(jié)果可輔助風(fēng)力發(fā)電機(jī)調(diào)節(jié)槳葉節(jié)距角，短期預(yù)測結(jié)果可輔助風(fēng)機(jī)控制決策。SVM預(yù)測模型更適于中長期風(fēng)電功率預(yù)測，如果在并網(wǎng)運(yùn)行情況下，小時級的中期預(yù)測用于對風(fēng)機(jī)及其他能源的調(diào)度判斷，包括設(shè)計(jì)儲能設(shè)備的調(diào)度計(jì)劃，以滿足對電能質(zhì)量和功率容量的要求；在分散式分布式發(fā)電的情況下，同樣可作為對分布式能源調(diào)度的重要參照。

此外，基于SVM的長期風(fēng)電功率預(yù)測在風(fēng)電場規(guī)劃、年檢修計(jì)劃和風(fēng)光互補(bǔ)等多能源組合發(fā)電的規(guī)劃中都是重要的指標(biāo)依據(jù)。

單機(jī)風(fēng)電功率預(yù)測是多能源智能電網(wǎng)中調(diào)配發(fā)電容量、儲能容量和年度檢修計(jì)劃的重要依據(jù)，為微電網(wǎng)的推廣奠定了重要基礎(chǔ)。除此之外，超短期單機(jī)風(fēng)電功率預(yù)測在精度足夠的情況下，預(yù)測誤差還有望作為未來預(yù)測風(fēng)機(jī)故障的方法，以推進(jìn)堅(jiān)強(qiáng)電網(wǎng)建設(shè)。

目前，單機(jī)風(fēng)電功率人工智能預(yù)測模型還存在一些問題：①預(yù)測模型對輸入數(shù)據(jù)的依賴度較高，實(shí)際工程上幾乎無法為每個風(fēng)機(jī)提供精確的微觀氣象數(shù)據(jù)，置信度低且許多模型未充分考慮風(fēng)速計(jì)與風(fēng)機(jī)輪轂之間的空間差；②預(yù)測模型的超參數(shù)及參數(shù)的設(shè)定方式主要通過經(jīng)驗(yàn)及交叉驗(yàn)證法取得，無法給出物理意義的解釋；③對模型的評價環(huán)節(jié)中，由于不能完全脫離數(shù)據(jù)討論模型性能而急需有準(zhǔn)確統(tǒng)一的評價標(biāo)準(zhǔn)。

因此，研究人員在文中最后展望了未來單機(jī)風(fēng)電功率人工智能預(yù)測模型的研究方向。

1）提高模型輸入數(shù)據(jù)質(zhì)量?？梢詮?個角度優(yōu)化。

①采用分辨率更高的NWP數(shù)據(jù)并結(jié)合地理信息系統(tǒng)（geographic informaTIon system， GIS）進(jìn)行風(fēng)速修正，提升精確度；②在選取預(yù)測特征時充分考慮所處地理?xiàng)l件對風(fēng)速的影響，提升準(zhǔn)確度；③考慮構(gòu)建與物理模型、動力模型和流體力學(xué)模型結(jié)合的組合模型，從模型的建立上提升預(yù)測系統(tǒng)的性能。

2）建立專門的評價數(shù)據(jù)庫。

風(fēng)電功率模型的固有特性決定了不同的方法在不同的數(shù)據(jù)中得出的結(jié)論沒有直接可比性，必須對同一數(shù)據(jù)采用不同方法才可以通過誤差的量值差得到其間的差別。現(xiàn)如今，新型模型越來越多，但針對每一模型性能的完備評估卻較少，這對未來的實(shí)踐是十分不利的。因此，建立專用的風(fēng)電功率數(shù)據(jù)庫用于預(yù)測系統(tǒng)性能的評估參考，并從可靠性、運(yùn)行效率、合格率和復(fù)雜性等角度全面評估模型是十分必要的。

3）建立高性能云運(yùn)算平臺。

單機(jī)風(fēng)電功率人工智能預(yù)測模型的定時更新有助于預(yù)測系統(tǒng)跟蹤風(fēng)速的實(shí)時變化，這需要強(qiáng)大的運(yùn)算能力支撐。此外，在分散式發(fā)電中應(yīng)用單機(jī)功率預(yù)測系統(tǒng)，還需要有云計(jì)算的輔助，降低配置服務(wù)器的成本。人工智能領(lǐng)域中的數(shù)據(jù)挖掘、大數(shù)據(jù)處理、智能算法和模型等技術(shù)都能為單機(jī)功率預(yù)測提供支持。