风力发电厂技术经济分析的混合方法

《Renewable Energy》：A hybrid approach for the techno-economic analysis of wind power plants

　　

•首次整合DoE、SAM和ML，降低了WPP设计的不确定性。
•涵盖4个参数和8个美国地区的2688个场景的综合数据。
•在ML模型中，NN和SVM在预测yLCOE和yAEP方面实现了更优越的预测精度。
•混合DoE-SAM-ML方法为WPP提供了一种强大的决策支持工具。

引言

在全球能源需求上升和化石燃料环境影响的背景下，可再生能源（RE）的重要性日益凸显[1]。化石燃料不仅是有限资源，还显著加剧了温室气体排放和空气污染等环境问题[2]。RE来源由自然界持续补充，能够以环保、可持续的方式进行能源生产，同时对环境造成的损害极小[3]。RE的主要类型包括太阳能、风能、水能、地热能和生物质能[4]。尽管RE来源众多，本研究重点关注风能，风能因其高潜力及对技术发展的响应能力而脱颖而出。风能是一种间歇性、可再生能源，直接来源于大气运动[5]。

规划安装风力发电厂（WPP）时最关键的要素之一是对发电能力的准确估算[1],[6]。风的固有变异性使其难以确保持续能源生产。在此背景下，仅仅安装涡轮机是不够的；风电场的位置和配置对能源生产至关重要[7]。如今需要多种技术来分析WPP性能。当使用单一方法进行WPP性能分析和输出估算时，系统的复杂性往往无法被完全捕捉。因此，整合实验设计（DoE）、计算机模拟、系统顾问模型（SAM）、统计分析和机器学习（ML）等技术，能够更有效地对WPP系统进行建模[8]。这种多层方法提高了与风能等高风险动态系统的兼容性，并提升了预测质量[9]。本研究聚焦于整合DoE、模拟和ML方法，这些方法在WPP分析中涉及密集交互。

Bontempo等人运用DoE方法分析了扩散器支撑型风力涡轮机的性能，发现叶片跨距和叶片弦长是影响最大的参数[10]。另一项研究表明，低风速下的最优配置是采用Box-Behnken设计（BBD）、三叶片、100米塔高和10 m/s的风速[11]。在另一项研究中，使用田口方法和方差分析（ANOVA）确定，采用NACA 0015翼型、三叶片、4°攻角和2的叶尖速比（TSR）的垂直轴风力涡轮机（VAWT）实现了最高性能[12]。Elsakka等人采用响应面法（RSM）研究了低风速下VAWT的性能，证明翼尖小翼显著提升了性能，尤其在低展弦比下[9]。Shen等人使用双Darrieus混合VAWT最大化功率因子并最小化扭矩波动，采用了DoE-RSM和多目标粒子群优化（MOPSO）[13]。这些研究表明，DoE方法对于提高风力涡轮机效率和改善设计过程不可或缺。

风力能源规划对准确预测和选址适宜性分析的强依赖性使ML技术成为重要的研究焦点。在Liu等人的研究中，随机森林（RF）模型在预测风力涡轮机轮毂高度处的风速方面显著优于传统的幂律方法，在120米处相关系数为0.93，均方根误差（RMSE）为1.09 m/s[14]。在中国、美国和欧盟开展的一项研究中，ML生成的土地适宜性图表明，风电场最关键的决定因素是容量系数和平均风速，并识别出14–29%的总面积为高优先级开发区域[15]。Li和Zhang开发的深度残差循环神经网络（DR-RNN）模型在预测风力涡轮机结构响应方面显著优于传统数据驱动的长短期记忆（LSTM）模型，将训练误差降至0.023，测试误差降至0.031[16]。类似地，在一项关于无叶片涡轮机的研究中，Dehghan Manshadi等人开发的LSTM模型同时实现了高精度和显著的时间节省，RMSE值为0.3，平均计算时间从2.5小时缩短至2分钟[17]。

模拟技术被广泛应用于评估风电场对气象、能源生产和电网集成的影响。一项研究报告称，所生成的合成风速序列的一阶自相关系数为0.75，而历史数据中为0.78[18]。另一项研究报告称，利用模拟建模，两个风电场之间的相关系数为0.65[19]。在一项研究中，所提出的混合模拟模型与原始WRF模拟相比改善了34.71%，将平均绝对误差（MAE）降至1.36 m/s[20]。一项研究表明，在稳态条件下风速为11–15 m/s时，涡轮机引起的湍流可使行星边界层高度增加高达99米，但模型性能具有场地特异性[21]。

一些研究通过整合DoE、ML和模拟方法，在风能领域取得了显著成果。一项研究使用BBD、RSM和模拟，发现优化后的混合风力涡轮机实现了0.491的功率因子，性能提高10–14%，起飞风速低2.81 m/s[22]。在另一项研究中，使用前馈神经网络（FFNN）开发的DoE方法展现了优越的预测精度，与LSM-based模型相比，模拟中的预期质量损失（EQL）降低了4倍，在案例研究中R2达到99.99%[23]。卷积神经网络-双向长短期记忆（CNN-BiLSTM）模型产生了更准确的结果，在实时模拟测试中误差率比传统模型低13–24%[24]。Li等人提出了一种将天气研究与预报（WRF）模型输出与计算流体力学（CFD）模拟相结合，并辅以深度学习（DL）误差校正的新方法，表明该方法将短期风速预报误差降低了2.28%，功率预报误差降低了2.62%[25]。

我们此前的研究[26]采用了一种带有期望度函数方法的多目标优化框架，为WPP确定了单一最优设计配置——本质上回答了一个规范性问题："在给定约束条件下的最佳设计是什么？"相比之下，本研究解决了一个根本不同且互补的问题："使用不同的ML算法，在不同条件下能够多准确地预测技术经济成果？"这种从优化到预测的转变代表了一项关键进展：优化确定设计空间中的最优点，而预测则能够在整个设计空间中进行快速预可行性筛选、风险评估和场景分析，无需重新运行计算量大的模拟。此外，与大多数依赖单一模型或有限场景集的SAM-based研究不同，我们的框架系统地基准测试了五种不同的ML算法（NN、SVM、PLS、k-NN、SGD），提供了对其预测性能的全面比较评估。这种算法基准测试与系统化生成的全因子数据集相结合，提供了现有SAM-based预测或优化研究所不具备的透明度、泛化性和稳健性。因此，本研究并不取代而是补充并显著扩展了我们先前的优化工作，将其转化为一个经过验证的、多算法的预测工具——这对于需要快速、可靠且与地点无关的决策支持的WPP规划的开发者、投资者和政策制定者来说是一项至关重要的能力。

本研究通过填补可再生能源文献中的一个关键空白做出了理论贡献。由于DoE、SAM和ML方法单独产生的结果有限，必须将它们视为一种整合方法加以考虑。SAM方法能够在虚拟环境中对能源生产过程进行建模并预先测试各种场景[27]。然而，SAM输出的可靠性主要取决于输入参数的质量[28]。在这方面，DoE对于识别哪些变量显著影响系统行为以及确定这些变量的适当测试水平至关重要[29]。DoE不仅促进了系统化的数据生成，还支持模型验证。DoE结果为SAM提供数据并形成更现实场景的基础[30]。另一方面，ML算法通过摄取大规模、结构良好的数据集来学习复杂关系并生成预测模型。这三种方法还创造了一个双向数据流和反馈回路。SAM结果指导DoE设计的修订，而ML模型的预测误差则使新变量能够被纳入DoE过程中。

与文献中先前研究相比，所提出框架的创新性可以通过三个独特贡献来阐述。首先，虽然近期研究使用ML考察风能预测，但我们的研究系统地比较了五种算法在五种技术经济输出方面的表现，提供了单算法研究通常缺乏的全面评估[25]。其次，虽然已发表了SAM-based技术经济优化研究——例如将SAM与多项式回归代理模型相结合用于风电场布局优化的NPV最大化模拟优化框架[31]，以及使用SAM评估LCOE和NPC的风-光-氢混合系统分析——但它们通常聚焦于使用独立SAM模拟优化单一涡轮机设计或场址布局。我们的方法不同之处在于，它整合了全因子DoE与SAM模拟和ML代理建模，系统性地覆盖了整个设计空间，而非聚焦于孤立的优化点。第三，虽然现有ML应用主要解决短期功率预测[32]，但我们的框架侧重于长期技术经济预测（AEP、LCOE、NPV）以支持预投资决策，弥合了基于ML的快速预测与基于物理的SAM模拟之间的差距，并具有量化的计算优势。这些特征共同使我们的工作与先前的工作区别开来，并建立了一个可迁移的、计算高效的、经过算法验证的风力发电技术经济评估预测框架。

节选片段

研究设计与方法
本研究的方法论工作流程包括三个相互关联的基本阶段，如图1所示。首先，通过确定影响WPP性能的四个基本设计和环境参数（涡轮机范围、风速、轮毂高度和转子直径），创建了一个系统化的场景矩阵。然后使用国家可再生能源实验室（NREL）开发的SAM创建这些场景。这一全面的SAM数据集用于训练五种ML

结果与讨论
在本研究方法论部分详细所述的DoE、SAM和ML方法所获得的所有定量结果在此系统地呈现。本节首先从描述性统计开始，总结数据集的一般结构，然后进行SAM输出的区域分析，包括DoE结果和统计显著性检验，最后比较ML算法的预测性能。所有呈现的结果均使用五个关键输出变量进行评估

该方法在其他国家和地区的可适用性
需要强调的是，本研究的主要贡献并非特定区域的实证发现，而是一个可推广、可迁移的方法论框架。尽管我们的模拟输入数据来源于使用2014年WIND Toolkit的美国八个地区，但所提出的DoE-SAM-ML流程本质上与地点无关。相同的系统程序——（i）定义输入变量及其水平，（ii）生成多级全因子DoE，（iii）运行SAM

局限性与未来方向
本研究存在若干需要承认的局限性。首先，分析中使用的数据集完全来源于SAM，依赖于美国地区的气象和技术数据。其次，经济参数是在确定性假设下建模的，未考虑外部不确定性，如电价波动或能源政策变化，这些可能影响风力发电项目的实际财务可行性。第三，尽管

结论
本研究成功地开发了一个整合DoE、SAM和ML的混合框架，以降低WPP设计中的技术和经济不确定性。通过跨四个关键设计参数（风速、转子直径、轮毂高度和涡轮机数量）的多级全因子设计，覆盖八个不同的美国地区，共生成了2688个场景。区域分析揭示了显著的地域变异性，怀俄明州实现了最高的能源产量（659,434 MWh/年，$1.59/kWh）

作者贡献声明
Yasemin Ayaz Atalan：撰写——初稿、验证、资源、方法论、调查、数据管理、构思。Abdulkadir Atalan：撰写——初稿、可视化、软件、资源、方法论、形式分析、数据管理、构思。Sue Ellen Haupt：撰写——审阅与编辑、指导、项目管理。Jared A. Lee：撰写——审阅与编辑。

Patrick Hawbecker: 撰写——审阅与编辑

数据可用性声明
本研究结果所依据的数据可向通讯作者提出合理请求后获得。

资金支持
本研究由土耳其科学和技术研究委员会（TüB?TAK）2219计划资助，资助编号为[1059B192302148]和[1059B192402458]。

利益冲突声明
作者声明以下可能存在潜在利益冲突的财务利益/个人关系：Abdulkadir Atalan报告称其获得了土耳其科学和技术研究委员会的财务支持。Yasemin Ayaz Atalan报告称其获得了土耳其科学和技术研究委员会的财务支持。若有其他作者，他们声明不存在已知的竞争性财务利益或个人关系。

致谢
我们衷心感谢土耳其科学和技术研究委员会（TüB?TAK）以及美国国家科学基金会（NSF）国家大气研究中心（NCAR）资助YAA和AA前往NCAR进行延长访问。本研究材料基于美国国家科学基金会国家大气研究中心的支持工作，该中心是美国国家科学基金会在合作协议编号1852977下资助的主要设施。

Yasemin Ayaz Atalan | Abdulkadir Atalan | Sue Ellen Haupt | Jared A. Lee | Patrick Hawbecker