陆上风能系统的运行数字镜像

《Energies》：Operational Digital Shadow for Onshore Wind Energy Systems

　　

摘要

准确且能考虑不确定性的瞬时风力发电机输出估算，是將陆上风电机组整合到低排放能源系统中的前提条件。在這类系统中，运行监控、能源性能验证以及协同资产管理都依赖于可审计的风机运行数据表现。本研究基于一台处于运行状态的维斯塔斯V52型陆上风电机组（850千瓦，位于爱尔兰邓多克理工学院；2006年至2020年间共有457,429条10分钟间隔的运行记录）14年的监控与数据采集记录，开发了一种基于数字镜像的功率曲线建模框架，并在相同的预处理条件下，对七种方法进行了对比测试，测试数据按严格的时间顺序进行划分（训练数据为2006年至2017年，测试数据为2018年至2020年，共52,388条记录）。此外还采用了75/25的随机分割方式作为分布内诊断手段，该方式显示不同架构下R²值最多可能上升0.003至0.027。人工神经网络在时间序列预测方面表现最佳（R²值为0.9924，BCa 95%置信区间为0.9910至0.9931，均方根误差为19.79千瓦）；只有人工神经网络以及一种具有24步风速延迟的一维卷积神经网络（R²值为0.9921）的预测效果显著优于IEC标准下的制造商功率曲线。通过对分位数回归森林进行分割一致性校准，其90%预测区间覆盖率从0.534提升至0.904，同时预测区间宽度也从30千瓦增加至51千瓦。该框架符合数字镜像的标准，而且通过“地平线欧洲”技术成熟度评估，以及与ISO 50001:2018标准中的计划-执行-检查-行动能源管理流程以及欧盟2018/2001号指令规定的可再生能源社区治理标准相衔接，可作为一种可用于协同管理陆上风电机组运行的可审计监控层。目前的实证研究仅基于单台风电机组，未来自然需要进行多台风电机组、多地点的重复验证。