利用机器学习预测风能

2022年4月27日  

 

        风能的可变性和随机性使其区别于其他可再生资源。因此，风能发电预测对于电力系统的可靠性和供需平衡至关重要。本文将探讨如何利用机器学习更好地预测风能以及该领域的最新进展。

        风能因资源丰富和发电技术高效而备受关注。

        然而，由于风的不确定性和随机性，大规模强风和不可控风会破坏电网的稳定性。

        风力发电受外部和内部因素的影响，例如风速和风向、湿度、温度和环境压力。因此，预测风力发电可以实现电能调度的控制、维护、管理和规划。

机器学习在风能应用中的作用

        机器学习可以帮助风电场运营商做出基于数据的更明智的决策。因此，发电量和电力需求之间可能会有更好的匹配。

        为了提供可靠的预测，机器学习可分析当前和历史天气数据。公司使用这些数据来管理能源系统。如果风力预报结果有利，它们会生产可再生能源并储存起来。如果结果很差，公司会相应地调整他们的负荷。

        机器学习方法近年来发展迅速，最近才被用于风能预测。机器学习在特征提取和模型泛化方面的表现优于传统的统计预测模型。

        无需明确编码，机器学习系统就可以识别数据集中的结构和模式，开发数学模型来描述这些关系，并利用它们进行预测或判断。

研究与开发

谷歌和DeepMind算法

        为了让风力发电成为一种更可预测的能源，谷歌和DeepMind使用机器学习算法来处理美国700兆瓦的风电产能。早期数据表明，机器学习使风能的价值增加了大约20%。

        尽管该算法仍在修改中，但谷歌认为其在风电场中使用机器学习已经产生了积极的结果。初步研究结果表明，机器学习可以提高风能的可预测性和价值。

        机器学习还可以帮助风电场业主使用更准确的数据更好地评估其能源输出的表现和满足电力需求的情况。

Vaisala风能预报员

        Vaisala是一家环境监测企业，可提供风能项目评估等服务。

        在风能行业，Vaisala风能预报员可提供极其精确的风能预测，以成功管理投资、降低风险并在市场中获得竞争优势。

        统计技术、高度专业化的中尺度数值天气预报（NWP）模型、机器学习模型和公开可用的预测都可用于创建风能预测。

        Vaisala的数值天气预报（NWP）使用当前天气条件来模拟未来天气，并在无法直接观测的位置提供替代性数据。

        这些模型基于复杂的流体动力学并采用长期风能测量数据，通过利用各种数据集来预测风能发电。

麻省理工学院机器学习模型

        麻省理工学院（MIT）的研究人员创建了一种机器学习方法，可以更快地预测风速在一定时间内的变化，使可再生能源初创企业更容易找到潜在的风电场。

        麻省理工学院团队仅用三个月的特定风电场位置的历史数据估算未来两年的风速，其准确度比现有模型用八个月的数据估算的结果高出三倍。

        此后，研究人员通过尝试不同的联合分布估算方法来改进他们的模型。来自科学博物馆的额外数据表明，他们改进的方法可以将预测的准确性提高两倍。

美国罗格斯大学机器学习算法

        罗格斯大学的研究人员创建了一种机器学习算法，使用基于物理的模拟器和真实世界的天气数据来预测海上风电。此外，他们建立了一种敏感性分析方法，来发现和预测导致海上风电环境不确定性的主要因素。

        机器学习模型将一个物理模拟器的输出与采集自新泽西州一组浮标的真实气象数据相结合，来支持这种敏感性分析。

        这些浮标位于至少三个潜在的海上风电项目附近。该团队的研究表明，海浪对于预测风向和风速至关重要。

风能应用中机器学习的未来展望

        在过去十年中，风能已成为许多国家的重要无碳电能来源。然而，由于风的不可预测性和变化无常，它仍然是一个不可靠的来源。

        能够准确预测风力发电的不可预测性的人工智能模型将有助于管理供需变化。使用机器学习，风能可能会产生更大的效益，无碳能源也可以更广泛地用于全球电力系统。

        （编译：国核自仪 陈潇莉，转载请注明出处）