基于深度学习和cfd模型的风资源精准评估-(1)

模型的风资源精准评估•项目整体发电量差异小于2%；•但是T07~T11机位差异大于20%;某项目部分机位电量差异超过20%•风机性能与设计表现一致且全场机组表现一致•风机可靠性表现正常机组运行分析•仿真与实测差异主要集中在30°扇区0306090120150180210240270300330仿真实测误差的扇区分布特征123456789101112部分机组误差月变化T02T03T04T09T1000.20.40.60.811.21.41.6123456789101112部分机组误差月变化T06T07T08T21误差的时间特征01234567891011121314151617181920212223部分机组误差日变化T02T03T04T09T1001234567891011121314151617181920212223部分机组误差日变化T06T07T08T21在该项目上海拔差异和误差无明显关系识别的特征给我们模型的分析提供了方向0306090120150180210240270300330仿真实测•各机位实测与仿真风向基本一致仿真实测仿真风向造成出现问题增加扇区数量无法有效提升精度热稳定度影响很小对比格林CFD和WT结果，格林CFD较WT好3%，较线性模型好7%。其他模型结果会好一些么？还有我们未曾识别的特征？•分析RIX、海拔、距离等维度，依然无法有效统计出可以有效评估后续项目风险。海拔距离RIXy=-0.0004x+0.0182R²=0.0905y=-0.0004x+0.0254R²=0.0697-40%-30%-20%-10%0%10%20%30%40%50%-180-160-140-120-100-80-60-40-20020406080100120140160180200220240260280300320y=-6E-07x+0.0211R²=0.0003y=-2E-07x+0.0251R²=4E-05-40%-30%-20%-10%0%10%20%30%40%50%020004000600080001000012000y=0.4942x+0.0143R²=0.0166y=0.7996x+0.0186R²=0.0315-30%-20%-10%0%10%20%30%40%-0.05-0.03-0.010.010.030.050.070.090.110.13问题的本质---偏差来源？模型+地图风加速因子误差风速误差AEP误差物理模型精度差（特殊项目）怎么办？其他解决方案？解决方案---机器学习？匹配成功深度学习提取机位特征第I类风机点位第II类风机点位...N类风机点位模型网络原理简介相似相似深度学习进度规划阶段1模型初探：单风场测试可行性阶段2小试牛刀：多个典型风场训练并测试阶段3扩展训练集，调参：大批量扩展训练数据，调参提高模型预报精度阶段4产品化：对应的格林模块上线已完成已完成待续。。。待续。。。深度学习模型训练及验证---阶段一项目背景：
极端误差项目（25个机位）
所有微观选址软件对此项目发电量高估15%左右（全场均值）
个别机位发电量高估30%模型数据：•23个机位信息（地图，交叉预报误差）---训练集•2个机位信息（地图，交叉预报误差）---测试集地图信息误差信息：深度学习模型训练及验证---阶段一训练过程图项目背景：
极端误差项目（25个机位）
所有微观选址软件对此项目发电量高估15%左右（全场均值）
个别机位发电量高估30%模型数据：•23个机位信息（地图，交叉预报误差）---训练集•2个机位信息（地图，交叉预报误差）---测试集实际应用场景?自己预报自己？？？部分风机数据深度模型训练其余机位的结果预报大量风机数据（训练集）深度模型训练前期风场的结果预报运行数据预报前期风场基于远景能源云平台，打通运行与设计数据进行深度学习进度规划：阶段1模型初探：单风场测试可行性阶段2阶段3扩展训练集，调参：大批量扩展训练数据，调参提高模型预报精度阶段4产品化：对应的格林模块上线小试牛刀：多个典型风场训练并测试深度学习误差预报值与实际误差值对比图（风场B）深度学习误差预报值与实际误差值对比图（风场A）发电量误差百分比发电量误差百分比14.3%12.2%7.4%9.6%深度学习模型训练及验证---阶段二1500160017001800190020002100220023002400模型运行深度学习发电量20002100220023002400250026002700模型运行深度学习发电量总结
大部分微观选址项目，流体模型有较高的预报精度；但是对于个别“复杂”项目或机位，几乎所有流体模型的预报精度较差。
对目前流体模型的“漏网之鱼”利用深度学习进行修正预报，可降低30%的发电量误差；
提取“误差特征”助力流体模型预报精准度提升；