基于BP神經網絡方法的風電場風速插補分析應用

鄭侃，魏煜鋒，文智勝，朱夢霞，何宇翔

（明陽智慧能源集團股份公司，中山528437）

隨著人工智能技術的發展，神經網絡的應用被引入風電行業。朱曉玲等人通過BP 神經網絡對單臺測風塔不同高度層風速進行訓練，并完成單臺測風塔指定高度層風速的插補，效果較好。羅恩博等人通過改進型的BP 神經網絡進行風功率預測，并驗證了LM-BP 神經網絡的準確性。向健平等人通過粒子群化BP 神經網絡，分析風機SCADA 系統的歷史數據，建立主軸承故障預警模型，實現主軸承故障預警。針對傳統方法風速插補的諸多不足，本文引入神經網絡方法，采用BP 神經網絡系統進行風速插補，對歷史的風速數據進行訓練建模，并根據模型對未來缺失的風速值進行插補。基于此方法，本文將其應用于測風塔風速插補和風機風速插補兩種應用場景，以插補和比對風電場內的實測風速。

1 BP神經網絡

BP（Back Propagation）網絡是一種多層感知器，包括輸入層、中間層和輸出層，層與層之間的神經元采用全互連的連接方式，通過相應的網絡權函數相互連接；每層內的神經元之間沒有連接。BP 算法包括信號的正向傳播和誤差的反向傳播兩個過程，正向傳播時，輸入信號通過隱含層作用于輸出節點，通過每個節點的權重參數進行非線性變換產生輸出信號，比較輸出值與期望值的大小，若實際輸出與期望輸出不相符，則轉入誤差的反向傳播過程。反向傳播由輸出層向輸入層方向逐層反轉，并將誤差分攤到各層所有單元并調整各單元的權重值。當下一次訓練開始后，信號再次經過神經單元，并正向傳播，重復上述過程，直至輸出值與期望值誤差滿足要求為止，BP 神經網絡風速插補示意圖如圖1所示。

本文基于pytorch 環境搭建BP 神經網絡，以歷史風速相關量作為輸入參數，輸出量為預測插補風速值，BP神經網絡插補流程如圖2所示。

具體流程為：

1）選取風電場風速相關變量，并進行歸一化處理。

2）將相關變量由輸入層傳入神經網絡，通過神經網絡的前向轉播，計算傳播過程中的每個神經元的權重值和誤差值。

3）比較最后的風速誤差，并反向傳遞誤差值，調整權重，直到最后符合精度為止。

所謂“補換水”，就是利用黃河汛期的間隙水，通過渠道注入烏梁素海，進行生態補水、置換湖水，從而達到改善烏梁素海水質的目的。2003年實施“引黃入海”工程，烏梁素海已利用黃河凌汛間隙水，獲得生態補水累計3.2億m3，平均每年有約7 000萬m3的水補充。然而，據初步估算，要徹底解決烏梁素海水質問題，需對湖水每兩年置換一次，即年均補水1.5億m3，按照目前的生態補水總量來看，還遠遠滿足不了烏梁素海改善水質需要的補水量。因此，烏梁素海補換水嚴重不足，水體無法得到有效稀釋，富營養化程度加重，也是促使黃藻暴發的一個原因。

圖1 BP神經網絡風速插補示意圖Fig.1 Wind speed interpolation diagram of BP neural network

圖2 BP神經網絡風速插補流程圖Fig.2 Flow chart of wind speed interpolation based on BP neural network method

2 測風塔風速插補

選取明陽智能西北地區某平坦地形風電場，該風電場平均海拔1 340 m，地勢最大高差為2 m，地形圖如圖3所示。

選取場內測風塔實測風速相關數據，包括風速、風向、溫度、濕度、氣壓數據，該數據為每10 min采樣一次。選用風電場內3座測風塔10 m、40 m、60 m、80 m 和100 m 高度處的測風數據作為數據集，并根據需要將歷史數據劃分為數據訓練集，需要插補的風速時間段劃分為測試集。訓練集選取2017 年7 月10 日0 點至2018 年2 月15 日9 時的3座測風塔風速相關歷時數據；通過BP神經網絡對訓練集的數據進行訓練建模，將生成的模型用于對目標測風塔風速數據進行預測插補。測試集選取2018 年2月15日9時20分至2018年4月15日7時30的風速相關歷時數據。通過前兩座測風塔所有高度層的風速相關有效數據，通過模型插補出第3 座測風塔100 m 高度處的風速數據。平坦地形神經網絡插補與實測數據對比結果如圖4所示。

圖3 平坦地形示意圖Fig.3 Flat terrain map

圖4 平坦地形神經網絡插補-實測對比圖Fig.4 Comparison between BP neural network interpolation and actually measured values for flat terrain

選取明陽智能西南地區某復雜地形風電場，該風電場平均海拔281 m，場內地勢高差達到了50 m，復雜地形示意圖如圖5所示。

選取場內5 個測風塔10 m、40 m、60 m、80 m和100 m 高度處的測風數據（包括風速、風向、溫度、濕度、氣壓數據）作為數據集，分別采用BP神經網絡和傳統插補方式對目標風速進行插補。其中，復雜地形訓練集選取2017 年3 月18 日0 時至2019 年1 月1 日0 時風電場測風塔數據，測試集選取2019 年1 月1 日0 時至2019 年5 月4 日0 時風電場測風塔，計算結果如圖6所示。

圖5 復雜地形示意圖Fig.5 Complex terrain map

圖6 復雜地形神經網絡插補-實測對比圖Fig.6 Comparison between BP neural network interpolation and actually measured values for complex terrain

為對比神經網絡的插補效果，另通過傳統MCP 方法對同樣的數據集進行插補并驗證。文獻指出，通過Windographer 中的MCP 方法進行風速插值與地形關系不大。本文采用MCP 方法分別對實際數據分別采用插值驗證，通過均方根誤差（MSE）、決定系數（）等指標的插補比對，本文選用傳統方法中插補效果最優的線性最小二乘法（Linear Least Squares Algorithm）。

線性最小二乘法是一種將目標速度和參考速度數據關聯起來的方法，其基礎是將線性最小二乘法直接應用于目標速度與參考速度的散點圖，得到的線性曲線擬合為線性=+的關系，斜率和截距值如公式（1）和公式（2）所示：

式中：S和S分別如公式（3）和公式（4）所示：

式中：為參考風速（m/s）；y為目標風速（m/s）。

Windograph軟件通過該組數據線性最小二乘法擬合，求出相關參數，并在需要預測的數據列進行線性插值，得出插補風速。平坦地形和復雜地形的風速插補具體結果表1所示。

表1 不同地形神經網絡-傳統插補提升效果統計表Tab.1 Improvement statistics of neural network interpolation compared to traditional interpolation for different terrains

測風塔數據插補結果表明：通過神經網絡插補方法得出的風速值與傳統方法相比，平坦地形風速平均絕對誤差下降了25.2%，復雜地形下降了6.2%，平坦地形相關性系數和決定系數分別上升了2.2%和4.5%，復雜地形相關性系數和決定系數分別上升了1.1%和1.9%。比較可知，神經網絡風速插補相較于傳統風速插補具有明顯優勢，且神經網絡對風速的插補在平坦地形下更加有效。

3 風電場風機風速插補

風電場內單臺風機的運行狀況與風電場內的發電量緊密相關。通過單臺風電機組的風速數據分析，能夠更加精確的評估風電場的實際發電功率和預測未來風電場發電量。由于停機檢修、測試等狀態下風機啟停的影響，風電場內個別機組的風速出現資料缺失的狀況。為解決風速資料缺失對風電機組數據分析的影響，采用BP 神經網絡的方法對缺失風速值進行插補，滿足數據分析所需。

通過提取明陽智能某風電場10 臺風機的主控SCADA 數據，主控數據包括風機實時風速、風向、溫度、壓強、槳距角實時數據，數據時段為2019 年1 月1 日0 時1 分0 秒至2019 年12 月31 日23時59 分0 秒全年主控數據。其中前9 臺風機的主控數據正常完整，第10 臺風機部分數據缺失，缺失時段分布 在2019 年11 月1 日0 時0 分0 秒至2019 年12 月31 日23 時59 分0 秒區間。根據插補要求，將缺失時間段劃分為測試集，將主控數據中2019 年1 月1 日0 時1 分0 秒至2019 年10 月31 日23 時59 分0 秒數據作為訓練集，通過BP 神經網絡訓練生成模型。

通過完整時間段的數據訓練生成的BP 神經網絡模型，對第10 臺風機的風速進行預測插補。為驗證插補效果，通過傳統的線性最小二乘法進行了相同數據的預測插補，對比結果如圖7所示。

圖7 風機風速神經網絡插補-傳統方法插補-實測值對比圖Fig.7 Comparison among wind turbine’s wind speed interpolation based on neural method，traditional interpolation and actually values

通過神經網絡方法的風機風速插補與傳統方法的風速插補效果如表2 所示。對比神經網絡對風機風速插補和傳統方法插補，測試集中風機風速預測的平均絕對誤差下降了14.4%，相關性系數和決定系數分別提升了1.7%和2.8%，結果表明，神經網絡風速插補相較于傳統風速插補方法準確性有較大的提升。

表2 風機風速神經網絡-傳統插補提升效果統計表Tab.2 Improvement statistics of wind turbine’s wind speed interpolation based on BP neural network method compared to traditional interpolation

4 結 論

基于pytorch 框架搭建BP 神經網絡，對測風塔風速和風機風速缺失數據進行插補，與傳統的插補方法進行了對比分析，得出結論如下：

1）神經網絡對平坦地形的插補效果優于對復雜地形風速插補，原因可能為復雜地形的風速變化大，對神經網絡提出了挑戰。

2）神經網絡風速插補對測風塔風速插補和風機風速插補的應用，均優于傳統方法，可應用與測風塔風速插補和風場內風機風速插補，進而為風資源評估提供精準的數據。