利用機器學(xué)習(xí)預(yù)測風(fēng)能
2022年4月27日
風(fēng)能的可變性和隨機性使其區(qū)別于其他可再生資源。因此，風(fēng)能發(fā)電預(yù)測對于電力系統(tǒng)的可靠性和供需平衡至關(guān)重要。本文將探討如何利用機器學(xué)習(xí)更好地預(yù)測風(fēng)能以及該領(lǐng)域的最新進展。
風(fēng)能因資源豐富和發(fā)電技術(shù)高效而備受關(guān)注。
然而，由于風(fēng)的不確定性和隨機性，大規(guī)模強風(fēng)和不可控風(fēng)會破壞電網(wǎng)的穩(wěn)定性。
風(fēng)力發(fā)電受外部和內(nèi)部因素的影響，例如風(fēng)速和風(fēng)向、濕度、溫度和環(huán)境壓力。因此，預(yù)測風(fēng)力發(fā)電可以實現(xiàn)電能調(diào)度的控制、維護、管理和規(guī)劃。
機器學(xué)習(xí)在風(fēng)能應(yīng)用中的作用
機器學(xué)習(xí)可以幫助風(fēng)電場運營商做出基于數(shù)據(jù)的更明智的決策。因此，發(fā)電量和電力需求之間可能會有更好的匹配。
為了提供可靠的預(yù)測，機器學(xué)習(xí)可分析當(dāng)前和歷史天氣數(shù)據(jù)。公司使用這些數(shù)據(jù)來管理能源系統(tǒng)。如果風(fēng)力預(yù)報結(jié)果有利，它們會生產(chǎn)可再生能源并儲存起來。如果結(jié)果很差，公司會相應(yīng)地調(diào)整他們的負(fù)荷。
機器學(xué)習(xí)方法近年來發(fā)展迅速，最近才被用于風(fēng)能預(yù)測。機器學(xué)習(xí)在特征提取和模型泛化方面的表現(xiàn)優(yōu)于傳統(tǒng)的統(tǒng)計預(yù)測模型。
無需明確編碼，機器學(xué)習(xí)系統(tǒng)就可以識別數(shù)據(jù)集中的結(jié)構(gòu)和模式，開發(fā)數(shù)學(xué)模型來描述這些關(guān)系，并利用它們進行預(yù)測或判斷。
研究與開發(fā)
谷歌和DeepMind算法
為了讓風(fēng)力發(fā)電成為一種更可預(yù)測的能源，谷歌和DeepMind使用機器學(xué)習(xí)算法來處理美國700兆瓦的風(fēng)電產(chǎn)能。早期數(shù)據(jù)表明，機器學(xué)習(xí)使風(fēng)能的價值增加了大約20%。
盡管該算法仍在修改中，但谷歌認(rèn)為其在風(fēng)電場中使用機器學(xué)習(xí)已經(jīng)產(chǎn)生了積極的結(jié)果。初步研究結(jié)果表明，機器學(xué)習(xí)可以提高風(fēng)能的可預(yù)測性和價值。
機器學(xué)習(xí)還可以幫助風(fēng)電場業(yè)主使用更準(zhǔn)確的數(shù)據(jù)更好地評估其能源輸出的表現(xiàn)和滿足電力需求的情況。
Vaisala風(fēng)能預(yù)報員
Vaisala是一家環(huán)境監(jiān)測企業(yè)，可提供風(fēng)能項目評估等服務(wù)。
在風(fēng)能行業(yè)，Vaisala風(fēng)能預(yù)報員可提供極其精確的風(fēng)能預(yù)測，以成功管理投資、降低風(fēng)險并在市場中獲得競爭優(yōu)勢。
統(tǒng)計技術(shù)、高度專業(yè)化的中尺度數(shù)值天氣預(yù)報（NWP）模型、機器學(xué)習(xí)模型和公開可用的預(yù)測都可用于創(chuàng)建風(fēng)能預(yù)測。
Vaisala的數(shù)值天氣預(yù)報（NWP）使用當(dāng)前天氣條件來模擬未來天氣，并在無法直接觀測的位置提供替代性數(shù)據(jù)。
這些模型基于復(fù)雜的流體動力學(xué)并采用長期風(fēng)能測量數(shù)據(jù)，通過利用各種數(shù)據(jù)集來預(yù)測風(fēng)能發(fā)電。
麻省理工學(xué)院機器學(xué)習(xí)模型
麻省理工學(xué)院（MIT）的研究人員創(chuàng)建了一種機器學(xué)習(xí)方法，可以更快地預(yù)測風(fēng)速在一定時間內(nèi)的變化，使可再生能源初創(chuàng)企業(yè)更容易找到潛在的風(fēng)電場。
麻省理工學(xué)院團隊僅用三個月的特定風(fēng)電場位置的歷史數(shù)據(jù)估算未來兩年的風(fēng)速，其準(zhǔn)確度比現(xiàn)有模型用八個月的數(shù)據(jù)估算的結(jié)果高出三倍。
此后，研究人員通過嘗試不同的聯(lián)合分布估算方法來改進他們的模型。來自科學(xué)博物館的額外數(shù)據(jù)表明，他們改進的方法可以將預(yù)測的準(zhǔn)確性提高兩倍。
美國羅格斯大學(xué)機器學(xué)習(xí)算法
羅格斯大學(xué)的研究人員創(chuàng)建了一種機器學(xué)習(xí)算法，使用基于物理的模擬器和真實世界的天氣數(shù)據(jù)來預(yù)測海上風(fēng)電。此外，他們建立了一種敏感性分析方法，來發(fā)現(xiàn)和預(yù)測導(dǎo)致海上風(fēng)電環(huán)境不確定性的主要因素。
機器學(xué)習(xí)模型將一個物理模擬器的輸出與采集自新澤西州一組浮標(biāo)的真實氣象數(shù)據(jù)相結(jié)合，來支持這種敏感性分析。
這些浮標(biāo)位于至少三個潛在的海上風(fēng)電項目附近。該團隊的研究表明，海浪對于預(yù)測風(fēng)向和風(fēng)速至關(guān)重要。
風(fēng)能應(yīng)用中機器學(xué)習(xí)的未來展望
在過去十年中，風(fēng)能已成為許多國家的重要無碳電能來源。然而，由于風(fēng)的不可預(yù)測性和變化無常，它仍然是一個不可靠的來源。
能夠準(zhǔn)確預(yù)測風(fēng)力發(fā)電的不可預(yù)測性的人工智能模型將有助于管理供需變化。使用機器學(xué)習(xí)，風(fēng)能可能會產(chǎn)生更大的效益，無碳能源也可以更廣泛地用于全球電力系統(tǒng)。
（編譯：國核自儀 陳瀟莉，轉(zhuǎn)載請注明出處）
- 聯(lián)系我們
- 地址：上海市閔行區(qū)江川東路428號
- 電話：+86-21 2351 8000
- 傳真：+86-21 2351 8500
- 郵箱：bgs@snpas.com.cn
- 關(guān)注我們
國核自儀