工程论文哪里有？本研究首先提出一套预处理流程，辅佐在线模型进行预训练；在此基础上提出一套在线风速预测模型，另外分析了风向的时序特性，在风速预测模型的基础上提出一套高效准确的风向预测模型，弥补了现有风速风向预测算法的不足，为智慧风场中风能的精准预测提供了一套完备的工程解决方案。
1 绪论
1.2 国内外研究现状
气象学领域对于风资源预测的研究相对起步较早。早在二十世纪九十年代，丹麦的气象系统研究人员开发出名为Prediktor的风速预测算法系统，可以搜集到各类相关物理信息，包括但不限于：实时压强变化、湿度信息、地形信息等，建立起一套完整的数值天气预测系统[30]；紧接着西班牙采用自己的物理信息系统搭建了名为LocalPre的风能预测系统，相比于荷兰的数值气象模型，西班牙的物理信息系统采用的是统计学模型，他们着重于风速风向的短期预测[31]；德国也意识到短期预测的重要性，模仿西班牙LocalPre系统建立起Previento系统预测风速风向变化，这些短期预测一般在小时级[32]；美国太平洋西北国家实验室(PNNL)针对超短期风速预测的实时性要求开发出一套针对超短期的预测模型，能够对于分钟级别的风速变化进行预测[33]。
随着数据挖掘研究的不断成熟，数据科学开始专注短期和超短期风能预测。风能作为矢量，风速和风向的预测都是必要，两变量互相耦合。无论是风速还是风向，从预测方法分类，主要包括时序统计预测法、信号分解预测法、模型参数优化预测、大规模人工神经网络预测和多模型组合预测法。
(1). 时序统计预测法
风速风向序列都属于时间序列，最常用的方法就是采用统计预测法。统计预测模型主要是指利用统计学方法，计算得到预测值，最典型的时序统计预测方法有针对平稳序列的自回归滑动平均模型（Auto-Regressive and Moving Average Model，ARMA模型）[34]，主要由自回归模型（Auto-Regressive Model，AR模型）与移动平均模型（Moving Average Model ，MA模型）为基础融合新构成的自回归模型，以及针对非平稳序列的差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model，ARIMA），其通过差分使得序列平稳然后采用ARMA去预测。另外，马尔科夫预测模型[35]、卡尔曼滤波预测[36]、拓展卡尔曼纳滤预测[37]等都是基于统计学知识建立预测模型。
3基于改进宽度学习的实时风速预测研究
3.1 引言
建立准确可靠的超短期风速预测模型一直被风电业内所关注。无论是场级的功率优化，还是单机的稳定性控制都需要可靠的超短期风速预测。第一章详细介绍了超短期风速预测存在的难点，介绍了前人的研究结果并针对性进行归纳总结，提炼出每种方法的好处和存在的问题；第二章节充分介绍了对于风电预测场景下的数据预处理工作，如何从激光雷达测风装置和SCADA系统中可靠的提取与风速风向特征相关的变量，并解决了特征选择、时序分析、缺失值填补的问题。本章节在第二章节数据预处理研究的基础上，建立起一套实时准确稳定可靠的在线风速预测模型，由于风向和风速本身的差异性，本章节重点介绍风速的预测，风向预测将根据风向本身的特点以风速预测模型作为基础，进行进一步的改进和优化。
本章节从保证模型实时性和提升预测准确性两个维度出发，提出一种基于改进宽度网络系统与参数自适应优化的并行组合风速预测系统。首先，基于第二章节预处理的训练集，预先训练好三种鲁棒性和稳定性较好的单模型，并根据各类模型的特点选用合适的参数调整机制找到最优的初始参数；其次，进行在线预测中，为了能够及时训练到近期的数据，提出一种参数自适应优化机制对每个模型进行实时训练集调整和参数小范围优化，在保证预测时间的基础上不断提升预测精度；最后，改进原始的宽度学习架构，通过多通道模式增强模型对于输入数据的信息提取能力，提出multi-channel BLS（mBLS）网络架构，融合之前的实时单模型预测，将单模型输入mBLS 的不同通道，通过集成的方式进行组合预测，最终达到精度最优，通过消融实验与对比实验证明了模型的有效性。
4 风电机组超短期实时风向预测研究
4.1 引言
第三章节介绍了对于风速的超短期预测，但是对于风电系统来说，风向预测也是同样重要。准确有效的风向预测可以提升机组偏航系统的响应速度，有效的降低机组运行载荷；还可以协助尾流在线计算，对于不同的未来风向，风电场将会决策出不同的迎风面机组，建立实时风电场尾流模型，用以辅助机组的场级功率分配。风速与风向作为两个强相关变量，有相似也有不同，本章节将在第二章预处理和第三章风速预测模型的基础上，针对风向与风速的差异性提出一套在线风向预测算法，提升风向预测的精度。
本章节从保证风向预测的实时性和准确性角度出发，提出一套基于区间划分概率决策的mBLS组合风向预测算法。首先，分析了风向特征的旋转特性和风电场本身由于位置和季节导致的样本不均衡特点；其次，针对旋转特性提出分解风向以平滑风向变化；之后，根据之前分析的主导风向特性提出先分类后预测的策略，本研究使用随机森林对风向先做分类预测，在不同分类决策下进行并行预测；最后，采用概率决策机制，考虑单分类结果不确定性，采用输出预测区间概率分布，让概率决定不同区间模型对于最终结果的决定权重，多区间模型利用所在区间训练集预测最终结果，用概率作为权重进行叠加，输出最终预测结果。该方法针对因为风电场主风向的存在导致的样本不均衡特性，通过多分类预测保证了模型预测的准确性，每个区间的预测迁移了风速预测的mBLS组合预测架构，最终通过实验证明了模型的有效性。
4.2 风向特性分析
4.2.1 风电场风向分布特征
风向一般指大气流动时平行于地面的分量方向，范围从0-360度。快速尾流建模需要通过风向决定迎风面和迎风机组作为尾流计算的开始；机组偏航系统需要依赖风向变化完成对风误差控制，提高发电效率，减少载荷损伤；在风电场布置阶段需要根据当地的盛行主风向决定机组排布方式，尽可能让机组之间减少尾流效应导致的风能损耗。
由于风电场建立完毕后地理位置不会发生变化，由于经纬度和地形地貌影响，风从来不会均匀从四面八方吹来，会存在“主导风向”概念，它代表当地风能主要来流方向[91]。相比风速大小的变化导致各种风况差异巨大，根据风向进行风况划分相对容易很多。风向数据在风电场存在明显的样本不均衡特性，一年中大部分风都是来自于主导风向及其相近方向，其他风向数据相对较少。
风玫瑰图又叫风向频率玫瑰图，展示了该地区不同风向出现的频率大小[92]。风向频率是代表了某个时期中风电场实际风来向出现次数或者时间占全部观测次数或总时间的比例，其呈现明显的季节与年周期性变化，用来辅佐风电场选址和机组排布。
5 总结与展望
5.2 工作展望
针对智慧风场的机组控制、尾流计算、功率调度等需求，研究在线超短期风资源预测算法，设计了风电数据预处理，风速预测和风向预测的数据分析算法。考虑到本文内容篇幅与研究时间的限制，结合相关项目需求和工程实践的背景，提出如下有待继续研究和深入挖掘的进一步方向：
(1) 预训练环节中，离线缺失值填补环节预填充没有能够参与模型的训练，精度还有进一步提升的可能性，实验环节模型过于专注随机成行缺失，而对于SCADA系统来说，数据通信错误造成的干扰经常是连续成行缺失，对此没有做更深入更具体的研究；
(2) 风速预测环节中，由于受限于在线训练环节放弃了时序深度网络，而传统机器学习模型由于没有时序输入样本的能力，时序信息输入模式上和非时序相似，对于精度会造成一定不利的影响，而且尾流效应使得机组和机组之前的风速拥有较强的耦合性，如何关联整场风速信息，挖掘场级特征进行风速预测也是一个提升预测精度的关键。
(3) 风向预测环节中，只是融合单个机组的SCADA信息以及测风雷达历史信息存在一定的提升空间，如果能更充分地融合当地气象站气象数据、测风塔信息等，可能会取得更好的预测效果，但也对于模型的规模、训练效率和实时性提出更高的要求，也是值得后续深入地研究。
参考文献（略）
