运达风电陈广宇：测量相关预测方法的不确定度研究

　　2021年10月17日-20日，2021北京国际风能大会暨展览会（CWP 2021）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京。

　　

　　本届大会以“碳中和——风电发展的新机遇”为主题，历时四天，包括开幕式、主旨发言、高峰对话、创新剧场以及关于“国际成熟风电市场发展动态及投资机会”“国际新兴风电市场发展动态及投资机会”“风电设备智能运维论坛”“碳达峰碳中和加速能源转型”等不同主题的15个分论坛。能见App全程直播本次大会。

　　

　　在19日下午召开的风资源精细化评估论坛上，浙江运达风电股份有限公司创新研究院高级工程师陈广宇发表了题为《测量相关预测方法的不确定度研究》的主题演讲。

　　

　　陈广宇：各位领导、各位同仁大家下午好，我是来自浙江运达风电创研院陈广宇，我今天分享主题是“测量相关预测方法的不确定度研究”。

　　

　　首先，为什么要做测量相关预测方法的不确定度研究，主要因为开发或者风资源评估实践中，发现有些规模小，周期短的项目，往往没有完整的测控数据支持，给风资源评估带来很大的难题。现在业内解决方案主要是利用短期测风+长期数据插补的方法。测量相关预测方法是在空间相关性原理基础上，利用目标站点短期测风数据以及长期参考数据建立模型。我们研究对象聚焦到6种常用的MCP方法，分别是LLS、VS、WBL、VR、BSR、SS。

　　

　　研究方法，分别截取了史册完整年测风塔风速向前的1到11个数据，结合中尺度数据，利用MCP方法进行预测，将截取数据补全到12个月，再与史册的完整一年数据进行对比，对于MCP方法一个影响，还套用WD147-2500机型功率曲线进行发电量对比。我们用了相对偏差的概念，就是下面这两个公式。

　　

　　数据方面选取了河北、河南、山东、江苏、安徽等分散式比较集中的省份，统计了全国485个测风塔数据样本，这些样本对应区域内中尺度在分析数据，测风塔数据选用是一年，准确率95%以上，中尺度数据选用Merra2的再分析资料。根据相关系数大小，将这些数据分为三档，相关系数0到0.5不相关或者弱相关，0.5到0.7弱相关，0.7到1为强相关，低于0.5的是异常的，分析的时候我们会把异常数据剔掉。

　　

　　看一下研究结果，这是误差的散点，横坐标是同步时长，1到11个月，纵坐标是误差，我们用百分比的误差。黑色点是485个数据的一个误差散点，红色线是这些散点误差一个平均值误差，蓝点是平均误差，一个带符号，一个不带符号。

　　

　　从这个图看出来他们基本呈零度上下对称的，可以更具体去把这些数据提取出来，我们看一下这个图，这是表格，是我们计算了4个参数，第一个是它的平均值误差，第二是它的平均误差一个误差标准差。第三是平均值误差一介差分，第四是二介差分。

　　

　　可以得到四条结论，各方法的平均值误差小于5.8%的，当同步时长大于等于7个月时间，各个方面误差趋于一致，小于1.6%，如果测风数据大于7个月，用什么方法去插补意义差不多，没有必要挑了。VS和LLS和BSR方法在平均风速还原上差不多的，三者差异不是很大。他们随着同步时长增加而减少的，增加时长可以明显减少误差的，第四通过分析平均值误差的二介差分得到的，当同步时长在三个月时间，它误差减少的速度开始变慢了，带来收益开始减少，这就是给我们客户推荐一些组合测风的时候，我们建议他测三个月，这是它的一个根据，为什么测三个月是比较好的。

　　

　　把三个月数据提取出来做了一个误差的平均风速图，对它进行拟合，可以看到这些数据它基本上服从平均值是0的正态分布，拟合数据之间相关系数大于0.95的，我们可以利用这6种MCP方法不确定度用标准差来进行表征，平均差是0的，当平均时长为3个月，偏差最小的VS方法不确定度是3.68%，偏差最大的不确定度为4.51%。这是一个关于相关系数一个分析，在我们做一些业务的时候，工程师苦恼对于不同地形，不同相关系数条件下，用哪个方法最好，我们进行了6种方法在不同相关系数条件下误差的对比。

　　

　　浅色图是相差系数在0.5到0.7，黑色图是强相关，0.7到0.1之间，我们同样可以得到三个结论，首先测风数据和相关系数越好，平均值误差越小的，这是显而易见的，其中VS方法在相关系数较差时误差最小，而且它在不同相关系数之间，它的偏差是比较小的，它对相关性不是很敏感的，更适用于相关条件下的插补，当相关系数大的时候，各个算法之间差异是比较小的它性能是差不多的，其中VS和BS2方法，平均值误差是最小的，在相关性较好情况下，这两种方法它可以带来我们更好的结果。

　　

　　同样的分析方法分析了年发电量，这个图跟刚才的图差不多，仔细看会发现，VS和LLS在同步时长小于6个月是明显小于6的，这样的方法对发电量进行一个低估，同样进行数据提取，我们分析4套结论，首先是WBL、VR、BSR、SS方法在同步时长年发电量表现要明显好于VS和LLS方法，BSR方法它误差在年发电量方面同样很小的，它对于平均风速也是很好的，它可以兼顾平均风速和年发电量。剩下两条结论和刚才是一样的。

　　

　　关于刚才研究的进行了一点思考，在一个风速分布大概是一个尺度参数A和形状参数K决定的，刚才我们提到对于风速预测更好的方法，它其实表征是这个尺度参数A，对发电量预测更好的方法表征的是形状参数K，所以发电量最终是由A、K决定的，我们使用要兼顾风速和发电量，简单方法把我们风速预测更好的方法和发电量预测更好的方法进行一个结合。    

　　

　　我们还进行了一个验证，左边三个方法是对于平均风速预测更好的MCP方法，右边三组对于发电量预测更好的MCP方法，我们有9种组合，预测了它的误差和变化，它对发电量计算偏差较为一致，基本上看不出有很大差别，差别比较小的，但是它和对于发电量预测最好的WBL方法相比是较大提升的，虽然差别不大，可以挑出来最好的组合，VS+WBL方法组合，它的组合可以看到平均值误差4.47，比任何他们两个单独的平均值误差都要小很多的。

　　

　　这边针对10个项目开展了一个实际的风资源评估，分别利用VS+WBL方法和SLL方法进行一个评估，最后根据评估结果中平均风速、和满发数进行了一个对比，分别分别差异，这边差异是比较明显的，在平均风速上两个性能差不多的，但是它在发电量上面非常明显的，红线是组合方法，黑线是单独的，VS方法和WBL方法这个组合有很大改善的，平均偏差分别是6.01和3.52%，这个方法简单减少50%的误差。

　　

　　这个方法有点简单，它的结果比较好的，缺点就是系数作用于整个时间序列，它在一定程度上改变实测数据，可能会引起一些不必要的事情，我们后续可能还会进行一些优化。我的报告到此为止，谢谢各位聆听。

　　

　　（根据速记整理，未经本人审核）