在2020北京国际风能大会暨展览会上，明阳智能以《多样风场环境下风资源深度学习插补模型的适应性研究》为题，展示了基于深度学习与风速预测的融合发展创新技术。当深度学习遇到风速预测，究竟会迸发怎样的火花？
风能是自然界中受环境影响最为敏感、随机性最强的能量之一。在风电开发领域，精准且及时的风资源评估是一项长期存在的国际性课题，准确的风资源数据在很大程度上可帮助业主更好地进行选址和选型、制定控制策略以及预测发电量，从而大大降低由发电能力预测决定项目投资回报预期所带来的财务风险，提升风电项目开发质量。
有报告研究认为，仅由于风资源评估的不准确对年发电量预期的影响就可在±1%，因此更精益的风资源评估预计可以带动度电成本下降0.4-0.6分/度，而对于山地、丘陵等风资源条件更为复杂的区域而言，度电成本下降预计可达0.5-0.7分/度。
风电项目开发中，前期的风资源数据采集主要基于测风塔的数据，但受到设备缺失、机械故障、恶劣天气和人为因素等影响，测风塔数据往往会出现采集时间短、间断点多、数据失真等问题，这对于风资源评估带去不小麻烦。
一般而言，测风设备缺测或数据失效，需要插补测风设备实测数据。传统的方法是，基于数学相关性插值法进行间断数据的插补和拟合，但这种方法智能化程度低，且由于插补拟合前提假设是风速存在线性特定关系，而真实关系并非线性，所以其准确性略显不足。
尤其是在抢电价的关键时期，传统插补方法的数据失真对风电项目开发建设影响更大。例如在某风电项目中，业主在场内立了1座测风塔，测风时间为3个月，风速为4.93m/s。风电场周边有2座长期在役测风塔，但距离项目较远，分别为16km和22km。利用两座场外测风塔，通过传统插补方法对场内测风塔进行插补，插补后得到场内测风塔风速为4.85m/s，与实际数据偏差较大。因此，第三方评测认为插补带来的不确定性较大，建议满足测风完整年再评估后再进行开发决策，而电价无补贴关口将至，该项目最终面临退出开发风险。
为了解决插补数据缺失及不准确的问题，明阳智能在大量项目经验实施过程中，探索出了一套将深度学习模型应用于风资源插补领域的解决方案，致力于帮助风电行业能够更精准地进行风资源评估。实际应用数据显示，具有高度非线性和较强的泛化能力的深度学习模型，在提升风资源评估的准确性上，较传统线性方案具有较大优势。
明阳智能深度学习风速预测方案主要基于“反向传播”的训练方法，即在模拟训练过程中收集系统所产生的误差，并返回这些误差到输出层，之后用这些误差来调整神经元的权值，逐步使得误差值最小，最终得到最优模型。通过历史数据对模型进行训练，可完成对风速缺失值的更准确地插补。
无论是在平坦地形还是复杂地形，明阳智能深度学习插补数据都展现出了与实测数据的高度吻合。
平坦地形对比：相关性系数达到0.973，较传统插补方法提升2.2%
选取某平坦地形风电场数据，对目标风速进行插补。训练集选取2017年7月10日0点至2018年2月15日9时；测试集选取2018年2月15日9时20分至2018年4月15日7时30分。结果如下：
复杂地形对比：相关性系数达到0.939，较传统插补方法提升1.1%
选取某复杂地形风电场数据，对目标风速进行插补。训练集选取2017年3月18日0时至2019年1月1日0时；测试集选取2019年1月1日0时至2019年5月4日0时。结果如下：
可以看出，明阳智能深度学习插补方法与实测值变化趋势基本一致，数据显示在平坦地形和复杂地形，其平均绝对误差分别为0.571和0.588，相关性系数分别达到0.973和0.939，表现优异。
下面还是分别以平坦地形和复杂地形为例，再将明阳智能深度学习插补方法与传统插补方法进行对比。
结果显示，在两种地形条件下，深度学习插补方法的平均绝对误差可分别降低25.2%和6.2%，平坦地形相关性系数和决定系数分别上升了2.2%和4.5%，复杂地形相关性系数和决定系数分别上升了1.1%和1.9%。
表1 不同地形深度学习插补较传统风速插补提升效果统计
通过具体数据分析，明阳智能深度学习插补方法较传统插补方法在数据表现上有较大提升，平均绝对误差（MAE）和均方误差（MSE）下降明显，相关性系数（COR）和决定系数（R2）提升效果显著。
基于平坦和复杂地形测风塔数据插补的实用性验证，明阳智能技术团队还将深度学习风速预测解决方案延伸到了风机风速预测领域。对于风场中单台或多台风机数据缺失的问题，可以根据风场内临近机位的风机的历史风速数据，进行深度学习预测插补，解决风场风资源数据部分缺失的问题，也可以根据插补的风速值，用于历史机位的故障诊断。根据插补数据，这一方法的相关性系数可达0.979，较传统插补方法提升1.7%。
明阳智能深度学习风速预测为智慧风场建设提供了创新性的风资源评估方案支持，而对于专注自主创新的明阳智能而言，深度学习风速预测技术仅仅是人工智能应用技术之一，未来明阳智能还将不断拓展这一技术方案，结合边缘计算技术，更好地为风电产业智慧化、高质量发展贡献力量。
