学术︱基于混合神经网络的风电场风资源评估

湖南大学电气与信息工程学院的研究人员王娜、周有庆、邵霞，在2015年第14期《电工技术学报》上撰文，准确的风资源评估是风电场规划和设计的前提。为了提高风电场风资源评估的精度，提出了一种基于混合神经网络的风电场风资源评估方法，该方法可综合利用风电场附近区域信息进行评估。

首先根据风电场和附近参考气象站的同期数据建立基于混合神经网络的相关模型，训练得到神经网络的权值参数，为了提高神经网络的学习能力和避免陷入局部最优，混合神经网络采用不同的训练方法，并且采用自适应粒子群算法进行优化；再将参考气象站的历史观测数据应用到该模型中，即可得到风电场的长期风速特性，在此基础上进行风资源评估参数的计算。仿真结果表明该方法具有较高的精度。

正确的风资源评估是风电场规划和建设的前提。风资源评估的目的是对备选风电场寿命周期内潜在的风能资源及发电量进行评估，从而进行风电场的宏观选址和机组选型，评估的准确性直接关系到将来风电场的经济效益。

由于风速是不断变化的（日变化、季节变化、年际变化），要对某处的风能资源进行精确评估，至少需要数年甚至数十年的现场观测数据，这样才能减少由于风速变化带来的不确定性[1-3]。而实际中，在风电场的规划阶段不可能用如此长时间来收集现场数据，因此广泛采用测量-相关-预测（Measure- Correlate-Predict, MCP）算法，其基本思想是在备选风电场址处设立测风塔进行1～2年的观测，根据与测风塔同期的参考气象站的观测数据建立风电场与气象站风速之间的相关模型，利用此相关模型以及参考气象站的长期历史观测数据推算出风电场处的风速，并以此为基础进行风能资源评估。

目前风能资源评估的MCP算法主要有线性回归法[4,5]、方差比法[4]、Weibull尺度法[5]、概率函数法[3]、神经网络法[2,6-8]、Bayesian网络法[1]和组合法等[9-11]。线性回归法原理简单，但当风电场和气象站的风速线性相关性较小时预测误差较大；方差比法是线性回归法的一种替代方法，通常预测效果要好于前者；神经网络法和Bayesian网络法属于人工智能的范畴，可以利用区域信息并实现非线性映射，预测精度较高，但神经网络存在训练时可能陷入局部最小的问题，从而影响预测精度。国内对风能资源评估方法的研究较少，在实际中广泛采用基于线性回归的代表年分析法[12,13]。

为了进一步提高风电场风资源评估的准确性，本文提出了基于混合神经网络的风资源评估算法。混合神经网络结构可以充分利用不同训练算法的优点，具有更强的学习能力，自适应粒子群优化算法具有较强的全局搜索能力，能避免神经网络陷入局部最小。采用8个气象站20年间的风速样本对本文所提方法的有效性进行了验证。

结论

本文提出了一种基于混合神经网络的风电场风资源评估方法，并采用实测数据进行了仿真分析，仿真结果表明，该方法相比常规神经网络法和方差比法具有较高的精度。算法需要参考气象站长期的逐小时风速风向数据或Weibull分布，如果仅已知参考气象站逐年平均风速，可采用文献[13]的代表年分析法，即根据风电场长期逐年平均风速将风电场数据订正为一套反映风电场长期平均水平的代表年的逐小时风速风向数据，这时仍然可以应用本文提出的混合神经网络的相关模型，但神经网络的输入层信号就不能包括风向信息，而这时模型的性能也需要进一步验证。