CN102236746A - 无测风记录区风资源模拟推算方法 - Google Patents

Abstract

提出了一种无测风记录区风资源模拟推算方法，属于风资源评估技术领域，所述方法包括：在计算机中建立人工智能网络模型的数据结构；将原始风资源数据输入所述人工智能网络模型；计算得出所述人工智能网络模型的输入层和输出层之间的关系；将与无测风记录区要推算的风资源数据相同时间序列的相邻测风记录区的风资源数据输入所述人工智能网络模型的输入层，根据建立的输入层和输出层之间的关系，得出所述要推算的风资源数据。本方法解决了如何在缺少风电场测风数据和地形数据情况下对风电场风资源进行评估的技术问题。

Description

无测风记录区风资源模拟推算方法

技术领域

本发明属于风资源评估技术领域，尤其涉及一种无测风记录区风资源模拟推算方法。

背景技术

风电场开发设计的前期工作就是对拟选定的风电场进行宏观选址和进行初步可行性研究或可行性研究设计。在风电场建设的可行性研究阶段需要对拟建风电场进行风资源评估，评估的目的主要是为确定风电场的装机容量和风力发电机组选型及布置等提供依据，便于对整个项目进行经济技术评价，而风电开发的关键问题是要清楚地了解拟选风电场的风资源状况，评估的前提条件是要有风电场内长期实测数据。一般采用现场设立测风塔进行观测的手段，对风况进行实地测量。在拟建风电场内，对于地势平坦的地形，风机位置和最近的测风塔之间建议的最大距离为2km；对于起伏山峦或者有粗糙变化的较复杂的地形，风机位置和最近的测风塔之间建议的最大距离为1km；所以在地形简单的50MW风电场内，只要1座测风塔基本可以代表本风场风资源状况，对于地势复杂的50MW风电场内，只有1座测风塔的测风数据是不够的，需要多座测风塔测风数据进行风资源评估。由于观测仪器设备的投入较高，再加上测量设备的安装、现场检查与维护等问题，在风场内设立多座测风塔投资会很大。为了减少不必要的投资，需要采取其它手段了解风场内无测风点的风资源状况。

在风能资源评估中最常用的方法是线性相关法，此方法是根据邻近测风塔的长期数据，通过回归方程求得推测点的长期风速序列。该方法计算比较简明，但要测风数据在两测风塔之间存在良好的空间相关关系，否则误差较大。在风能资源评估中常用的软件是WAsP，该软件只有在借助邻近风资源数据时才可以对风电场内的资源情况进行估算，WAsP通过输入地形、地表粗糙度和障碍物等数字化信息，利用一个点的测风资料推算出一定区域的风资源分布，但只能推出一个均值，不能推算出一系列的风速风况。计算流体力学(CFD)方法是借助法国Meteodyn公司开发的适用于任何地形条件的风流自动测算软件-Meteodyn WT，该软件使用计算流体力学方法(CFD)对风电场无测风点风速进行时间序列的推算，此软件能通过载入地形数据(.dxf文件格式或.map文件格式)，然后定义绘图区域、邻近测风点以及结果点，并通过计算邻近测风点的一列风向(16扇区)来获得推算点的定向结果，由一个测风点的一系列10分钟(或整小时)风速推算出一定区域内另一点的10分钟(或整小时)风速分布情况，以此作为无测风记录区风资源的参考资料。但此方法必须借助地形数据，否则将无法计算。

根据国家标准《风电场风能资源评估方法》(GB/T 18710-2002)，风资源评价至少需要连续一年的风电场实测逐小时风速风向数据。理想情况下，精确地评价一个区域的风资源情况需要连续10年以上的测风数据。然而，在实际工程中，一个待开发的风电场往往没有测风数据，或者只有2～3个月短期测风数据，却急需对此处的风资源情况进行初步评估。通常，从设立测风塔到取得所有详细的数据资料至少需要1年时间，这将推迟重要的开发决定，从而导致错失市场机遇。目前，没有测风数据或只有短期测风数据的风电场，只能依赖附近的完整一年的测风塔数据进行风资源推算。

风电对国内来说，还是新领域，从目前掌握的资料，利用线性相关法和WAsP软件对风电场内风资源进行评估计算的较多，也有利用多元回归法在复杂地形风资源微尺度模拟的，但以往这些采用的传统方法却无法解决对没有测风数据或只有短期测风数据的风电场进行风资源推算，目前，只有法国Meteodyn公司开发的适用于任何地形条件的风流自动测算软件—Meteodyn WT能实现此目的。具体的，WAsP软件以特定的线性数学模型为基础，通过输入气象数据(.tab文件格式)、地形数据(.dxf文件格式)、地表粗糙度和障碍物等数字化信息，可以估算风场范围内某一给定点的风资源状况，但只能推出一个均值，却无法推算出一定区域内另一点不同高度的时间序列(10分钟或整小时)风速的分布情况。线性相关法：是将附近观测点的风向按16个方位分别统计，然后计算与推测点相应时段的风速序列相关关系，依次求出16个方位的风速相关系数和回归方程。首先，绘制风向象限内风速相关曲线，建一直角坐标系，横坐标轴为观测点(推算的目标点)的风速，纵坐标轴为测风塔实测风速；取测风塔在该象限内的某一实测风速值作为纵坐标，找出观测点各对应时刻的风速值求其平均值作为横坐标，定出相关曲线的一个点；对测风塔在该象限内的其余每一个实测风速重复上述过程，作出这一象限内的风速相关曲线，对其余各象限重复上述过程，共获得16个测风塔实测与测风点的风速相关曲线。其次，将风速相关曲线定义为y＝kx+b线性方程。最后，根据该线性方程利用已知测风塔的实测数据并结合观测点的短期数据进行推算。计算流体力学(CFD)方法是借助法国Meteodyn公司开发的适用于任何地形条件的风流自动测算软件—Meteodyn WT，该软件使用计算流体力学方法(CFD)对风电场无测风点风速进行时间序列的推算，此软件能通过载入地形数据(.dxf文件格式或.map文件格式)，然后定义绘图区域、测风点以及结果点，并通过计算一列风向(16扇区)来获得的定向结果，由一个测风点的一系列10分钟(或整小时)风速、风功率密度推算出一定区域内另一点的10分钟(或整小时)风速及风功率密度分布情况，以此作为无测风记录区风资源的参考资料。

由于WAsP本身采用线性模型计算方法，有其一定的局限性，它会随着被计算流体经过地形的复杂而带来计算结果的不确定性。所以WAsP对地形相对简单、地势较平坦的地区较为适用，对于较复杂地形，由于受各种边界条件的限制，不适合采用。并且，该方法对于平均风速预测模拟较适用，对于风电场无测风点风速进行时间序列(10分钟或整小时)的推算无法实现。线形相关法是将附近观测点的风向按16个方位分别统计，根据邻近测风塔的长期数据，通过回归方程求得推测点的长期风速序列。该方法计算比较简明，但要求推测点要有短期的测风数据，并且测风数据在两测风塔之间存在良好的空间相关关系，否则误差较大。

Meteodyn WT计算流体力学软件能通过载入地形数据、定义绘图区域、定义测风点以及结果点，并通过计算一列风速来获得定向结果，由一个测风点的一系列风速推算出一定区域内另一点不同高度的时间序列(10分钟或整小时)风速的分布情况，但需要借助计算区域的地形数据才能实现。

如果风电场内没有测风数据和地形数据，以上方法就无法实现对本风电场风资源的评估。本发明主要是针对风电场风能资源评估中没有测风数据(或只有短期测风数据)和地形数据，或者测风数据在两测风塔之间不存在良好的空间相关关系的情况，可以通过采用人工智能(SVM)法对风电场内无测风记录区风能资源进行模拟推算，此方法能推算出风电场内无测风记录区时间序列(10分钟或整小时)的风速风况，以了解风能资源情况，实现对风电场内无测风记录区的风资源状况的评估。人工智能(SVM)法是Vapnik提出的支持向量机(SupportVector Machine，SVM)的学***面实现线性划分(或回归)。一般的升维都会带来计算的复杂化，人工智能(SVM)方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。人工智能(SVM)方法是寻求全局最优，实际上演化为求一个二次规划问题找到最优的ai，寻找ai的目标函数为：

约束条件为：

式中ai为拉格朗日系数，yi为目标值，n为实例空间

样本个数，ε为不敏感损失常数，K为目标常数，i为中间层节点，C为控制因子。即人工智能(SVM)法是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。

发明内容

为了解决如何在缺少风电场测风数据和地形数据情况下对风电场风资源进行评估的技术问题，本发明提出了一种基于邻近测风塔的测风资料对无测风记录区的风电场风能资源进行模拟推算的方法，本发明包括：步骤1，在计算机中建立人工智能网络模型的数据结构；步骤2，将原始风资源数据输入所述人工智能网络模型；步骤3，计算得出所述人工智能网络模型的输入层和输出层之间的关系；步骤4，将与无测风记录区要推算的风资源数据相同时间序列的相邻测风记录区的风资源数据输入所述人工智能网络模型的输入层，根据步骤3中建立的输入层和输出层之间的关系，得出所述要推算的风资源数据。

根据本发明方法的一个方面，所述人工智能网络模型包括输入层、中间层和输出层，在运算时，数据从输入层进入人工智能网络模型，在中间层进行计算，将结果输出到输出层。

根据本发明方法的一个方面，步骤2具体包括：将无测风记录区已有风资源数据和相邻测风记录区相同时间序列的风资源数据分别输入所述人工智能网络模型的输出层和输入层。

根据本发明方法的一个方面，步骤3具体包括：利用预测输出函数对输入的原始测量数据进行预处理，通过优化阶段选择线形型、多项式型、高斯径向基型和neural型核函数等，并选择不同惩罚因子和敏感损失参数，进行迭代计算，并对不同核函数间平方误差大小进行综合比较，通过计算机运算建立网络运算模型，得到输入和输出之间的关系。

根据本发明方法的一个方面，所述风资源数据为各测风高度的风速数据。

本发明提出的方法不需要采用计算区域的地形数据，也不需要推算点与邻近测风点有良好的相关性，就能推算出一定区域内风速时间序列的分布情况。利用该方法推算出一定区域内目标点风速时间序列的分布情况，不仅填补了无风记录区风能资源状况不清的空白，通过此方法对风电场内风资源模拟推算，可以减少风电场内测风塔的安装数量，为业主减少不必要的投资，还可以提高工程进度，提前进入收益阶段。

附图说明

图1示出了本发明提出的无测风记录区风资源模拟推算方法的流程图；

图2示出了人工智能网络模型的示意图；

图3示出了推算风资源数据具体计算过程的流程图。

具体实施方式

图1示出了本发明提出的无测风记录区风资源模拟推算方法的流程图。如图1所示，本发明提出的方法包括：步骤S1，在计算机中建立人工智能网络模型的数据结构，其中所述人工智能网络模型包括输入层、中间层和输出层；步骤S2，将原始风资源数据输入所述人工智能网络模型，具体地，将无测风记录区已有风资源数据和相邻测风记录区的相同时间序列的风资源数据分别输入所述人工智能网络模型的输出层和输入层；步骤S3，计算得出所述人工智能网络模型的输入层和输出层之间的关系；步骤S4，将与无测风记录区要推算的风资源数据相同时间序列的所述相邻测风记录区的风资源数据输入所述人工智能网络模型的输入层，根据步骤S3建立的关系，得出所述要推算的风资源数据。下面具体对本发明的方法进行介绍。

图2示出了人工智能网络模型的示意图。如图2所示，人工智能网络模型数据结构包括输入层、中间层和输出层，输入-输出模式映射该模型的函数关系。具体的运算过程中，数据从输入层进入人工智能网络***，在中间层进行运算，将结果输出到输出层。本发明所提出的方法需要借助于计算机运算，所以首先在步骤S1中要在计算机中建立所述人工智能网络模型的数据结构，以实现下面对于输入输出关系的计算，对于数据结构的建立在本领域中有着公知的技术，这里不再赘述。

在本文中无测风记录区的风资源数据仅有短期的风资源数据，例如为2个月，而相邻的测风记录区的实际测量数据比较齐全，例如具有1年的测风数据，这样，在步骤S2中，所述人工智能网络模型的输入层输入与无测风记录区的短期风资源数据对应时间段的相邻测风记录区的数据，而所述人工智能网络模型的输出层输入无测风记录区的所述短期风资源数据。

在步骤S2将这些数据输入后，在步骤S3中需要通过计算机运算确定输入层和输出层之间的关系，计算机通过人工智能网络模型(该模型可包括网络预测模型训练模块和网络预测模块，网络预测模型训练模块完成针对具体网络数据的支持向量回归模型训练，为网络预测模块提供准确的预测模型)中的网络预测模块

在中间层对输入的原始测量数据进行预处理，其中ai是优化过程中对应的拉格朗日系数，b是阀值常数，K为目标常数，i为中间层节点，n为实例空间样本个数。在中间层各内部单元中，计算机就是利用预测模型函数

目标函数

及其约束条件

进行迭代计算，通过优化阶段选择线形型、多项式型、高斯径向基型和neural型核函数，并选择不同惩罚因子C和敏感损失参数epsilon，进行100到1000步迭代计算，并对不同核函数间平方误差大小进行综合比较，通过计算机运算，得到输入和输出之间的关系。选择不同的核函数，可以生成不同的人工智能(SVM)关系表达式，常用的核函数如：

(1)线性核函数K(x，y)＝x·y；

(2)多项式核函数K(x，y)＝[(x·y)+1]d；(d是常数)

(3)径向基函数K(x，y)＝exp(-|x-y |^2/σ^2)(exp是函数符号，σ为函数的宽度参数)

(4)二层神经网络核函数K(x，y)＝tanh(a(x·y)+b)。(tan是函数符号，h、a、b为常数)

根据所选择的核函数的不同及输入层和输出层所输入的原始数据的不同，所得到的输入和输出之间的关系式也有所不同，得到的关系式可能是线性关系式，例如：y＝kx+b，其中k和b是模拟得出的常数；可能是多项式函数关系，例如：y＝ax^n+bx^(n-1)+cx^(n-2)+…+kx，其中a、b、c、k是模拟得出的常数，n是阶数；可能是高斯径向基型函数关系，例如：k(||x-xc||)＝exp{-||x-xc||^2/(2*σ)^2)}，其中xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围；还可能是neural型函数关系、指数函数关系、对数函数关系等等。

在步骤S4中，将与要推算的无测风记录区的风资源数据对应时间段的相邻测风记录区的实际测量数据(例如，前面除了2个月外的其他10个月的数据)输入人工智能网络模型的输入层，利用步骤S3中确定的输入层和输出层之间的关系，得到输出层的输出结果，即要推算的无测风记录区的风资源数据。

图3示出了根据上文所述的推算风资源数据具体计算过程的流程图，下面，给出一个具体实例，更具体地描述本发明。该实例仅为说明的目的，并不作为对本发明保护范围的限制。

如果一个拟建风电场内测风塔(简称A#测风塔)只有2个月的测风数据，而距离本风电场外数公里处有一座测风塔(简称B#测风塔)有一年的完整测量数据，并且测风数据在两测风塔之间不存在良好的空间相关关系，而且又没有两者之间实际测量地形图，为了了解本风电场内测风情况，现利用本发明的技术方案去模拟计算本风电场的风资源情况。具体计算过程如下。

(1)选择B#测风塔原始测量数据为试验数据，将测量数据分为两部分，①是建模用的学习数据(与A#测风塔2个月的测风数据时间序列相同)；②是计算所用的测量数据(除去2个月建模用的学习数据外的其他10个月的测量数据)。

(2)将①中B#测风塔2个月的学习数据导入到输入层，将A#测风塔的2个月的学习数据导入到输出层，例如，以测风时间为准，计算机将各测风高度的风速数据组输入到人工智能网络模块，通过预处理进行运算，建立运算模型，形成目标函数，得到输入和输出之间的关系。

(3)将②中计算所用的B#测风塔的测量数据(除去2个月建模用的学习数据外的其他10个月的测量数据)输入到人工智能网络模块运算模型中，利用(2)中得到的输入和输出之间的关系，导出A#测风塔所要得到的定向结果，即拟建风电场内A#测风塔所缺测的10个月的测量数据值。

本发明不需要采用计算区域的地形数据，也不需要推算点与邻近测风点有良好的相关性，就能根据邻近测风点推算出一定区域内风速时间序列的分布情况，不仅填补了无风记录区风能资源状况不清的空白，通过此方法对风电场内风资源模拟推算，可以减少风电场内测风塔的安装数量，节省投资，还可以提高工程进度，提前收益。

与常规方法相比，本发明具有如下优点，具体地，与计算流体力学(CFD)方法相比，本方明的方法在对无测风记录区风资源进行推算时不需要采用地形数据，也不用考虑地表粗糙度和障碍物的影响；与线性相关法相比，本方明的方法在对无测风记录区风资源进行推算时不需要考虑测风数据在两测风点之间是否存在良好的空间相关关系；与WAsP相比，本方明的方法在对无测风记录区风资源进行推算时能导出一定区域内目标点风速时间序列的分布情况，而WAsP只能推出一个均值，不能推算出一系列的风速风况。

本发明上文所描述的具体实施方式仅为说明性的，并不作为对本发明保护范围的限定，例如还可以采用人工智能方法中的神经网络(ANN)法来获得输入和输出之间的关系以实现风资源数据推算，因此，任何本领域技术人员根据各种实际情况对本发明所做出的修改，均落入本发明的保护范围内。

Claims (5)

1.一种无测风记录区风资源模拟推算方法，其特征在于，该方法包括：

步骤1，在计算机中建立人工智能网络模型的数据结构；

步骤2，将原始风资源数据输入所述人工智能网络模型；

步骤3，计算得出所述人工智能网络模型的输入层和输出层之间的关系；

步骤4，将与无测风记录区要推算的风资源数据相同时间序列的相邻测风记录区的风资源数据输入所述人工智能网络模型的输入层，根据步骤3中建立的输入层和输出层之间的关系，得出所述要推算的风资源数据。

2.根据权利要求1的方法，其特征在于：

所述人工智能网络模型包括输入层、中间层和输出层，在运算时，数据从输入层进入人工智能网络模型，在中间层进行计算，将结果输出到输出层。

3.根据权利要求2的方法，其特征在于：

步骤2具体包括：将无测风记录区已有风资源数据和相邻测风记录区相同时间序列的风资源数据分别输入所述人工智能网络模型的输出层和输入层。

4.根据权利要求3的方法，其特征在于：

步骤3具体包括：利用预测输出函数对输入的原始测量数据进行预处理，通过优化阶段选择线形型、多项式型、高斯径向基型和neural型核函数，并选择不同惩罚因子和敏感损失参数，进行迭代计算，并对不同核函数间平方误差大小进行综合比较，通过计算机运算建立网络运算模型，得到输入和输出之间的关系。

5.根据权利要求1-4任一所述的方法，其特征在于，其中：

所述风资源数据为各测风高度的风速数据。

Images