基于SCADA数据和人工神经网络的风力发电机功率曲线预测研究

《IEEE Access》：Wind Turbine Power Curve Prediction Using Artificial Neural Networks: A SCADA-Based Approach

本研究针对风力发电中因风速多变性和湍流强度影响导致的功率输出预测不准确问题，提出了一种基于SCADA系统运行数据的人工神经网络模型。研究人员通过3-sigma准则进行异常值过滤，并按照IEC 61400-12-1标准对风速进行空气密度归一化处理，构建了包含四个隐藏层的ANN模型。结果表明，该模型在验证数据集上决定系数R2达到0.969，相较于传统的IEC分箱方法展现出更优的复杂非线性关系捕捉能力，为风电场性能监测和发电优化提供了可靠的数据驱动解决方案。

　　

随着全球电力需求以年均2.6%的速度持续增长，可再生能源在能源结构中的占比从2023年的30%提升至2024年的32%。其中风力发电呈现爆发式增长，2023年全球新增装机容量超过110GW，巴西以超过14GW的装机容量位列全球陆上风电第六位。然而风能固有的间歇性特性使得精准预测发电量成为行业痛点，而功率曲线作为表征风速与输出功率关系的核心工具，其建模精度直接影响到风电场的运营效率。

传统功率曲线可分为四个特征区域：低于切入风速的Region 1区域功率为零但存在自耗电现象；Region 2区域遵循物理定律的立方关系；Region 3区域输出额定功率；超过切出风速的Region 4区域则启动保护性停机。值得注意的是，湍流强度对功率曲线形态产生系统性影响——在接近额定风速时高湍流会降低输出功率，而在切入风速附近反而可能提升功率表现，这种复杂非线性关系给传统建模方法带来挑战。

为突破传统方法的局限，研究人员开发了基于SCADA数据的人工神经网络模型。该研究采用巴西Senandes风电场的运行数据，针对Vento Aragano风电场1号机组2016年5月至8月的监测记录，实施了严格的数据预处理流程。首先通过3-sigma准则对0.5m/s分箱数据进行异常值过滤，随后按IEC标准进行空气密度归一化处理，将风速校正为标准空气密度1.225kg/m3条件下的等效值。输入变量采用Z-score标准化，输出功率则归一化至[-1,1]区间以匹配激活函数输出范围。

模型架构设计包含四个隐藏层（神经元数量分别为12-15-15-12），全部采用双曲正切激活函数tanh。该函数零中心特性有利于梯度下降优化，其陡峭斜率能增强对输入细微变化的响应灵敏度。训练过程采用Adam优化器，结合动量因子β₁=0.8和RMSprop衰减率β₂=0.99的自适应学习率机制，通过早停法和L2正则化防止过拟合。模型以均方误差MSE为损失函数，额外使用决定系数R²、归一化均方根误差NRMSE和对称平均绝对百分比误差sMAPE进行多维评估。

验证结果显示ANN模型具有卓越的预测能力，决定系数R²达0.96884。回归分析表明模型在低于1.5MW功率区间存在轻微高估趋势，而在接近额定功率时呈现保守估计特性。与IEC分箱法的对比验证中，两种方法在Region 2区域均能有效捕捉数据集中趋势，但ANN在Region 2与Region 3过渡区域的湍流影响表征方面展现更优适应性。

值得注意的是，IEC方法因基于分箱平均值计算而获得近乎完美的指标（R²=0.99999），而ANN模型直接面对原始数据散点，其sMAPE值37.38974实际反映了百分比指标对低功率区域微小绝对误差的敏感性。视觉对比证实ANN曲线与IEC标准曲线在所有运行区域高度吻合，且在额定功率平台过渡处呈现更平滑的特性，这正体现了连续学习函数的优势。

该研究证实了人工神经网络在功率曲线建模中的有效性，其通过捕捉风速、湍流强度与功率间的复杂非线性关系，为风电机组性能监测提供了超越传统方法的解决方案。模型对SCADA数据的直接处理能力避免了分箱方法的信息损失，对风电场的预测性维护和发电优化具有重要实践意义。这项发表于《IEEE Access》的研究为可再生能源领域的数据驱动建模提供了示范案例，也为后续研究引入更复杂环境变量奠定了基础。