用机器学习破解新能源领域的“弃风”难题

音乐发烧友深有体会，玩音乐的本质就是玩电网。火电声音偏暖，水电偏冷，风电偏空旷。至于太阳能发的电，则略显朦胧和单薄。

不知你是否有感觉，近两年家里的音响声音越来越冷，听起来越来越单薄？

—————天热了，讲个冷笑话—————

实际上，中国近几年的太阳能发电和风电发展可谓突飞猛进。2025年第一季度，全国风电和光伏发电合计装机达到14.82亿千瓦，历史性首次超过火电的14.5亿千瓦。

放眼全世界，你可能觉得全球都在经历轰轰烈烈的能源转型。但实际上，这个转型几乎全靠中国的一己之力。

2023和2024年，全球的风电和光伏发电新装机容量接近三分之二来自中国，一枝独秀。

其余国家的新增装机，发电装备也主要来自中国。尤其是太阳能，中国为全球各国提供了80%以上的光伏组件。

无敌是多么寂寞。

但装机容量高，不代表发电就多。各地一直存在令人心痛的“弃风、弃光、弃水”问题。有的地方甚至出现过单日弃风率70%的极端案例，可以认为有70%的风机实际没有发电。

为何弃风？因为电网“实发实用”且风机发电功率不稳定。风来了，电量供过于求，电网面临冲击。风走了，电不够用，显然也不行。

缓解弃风，关键在于精准预测未来一段时间的风电功率。我们不怕风电不稳定，只怕它产生预期外的不稳定。换句话说，要将风电的“不确定性”转化为“可预见性”。

风机功率影响因素复杂，怎么预测？

下面展示一个案例，用数据预测风电功率。来自清华大学孙逸凡团队，主题《面向复杂风电数据的核密度清洗与功率预测分区模型》。

该案例荣获第三届“天洑杯”数据建模大赛的特等奖。

数据采集自陕西某风电场，规模相当庞大，有442809 条，59个维度。

这59个维度，其中一个是输出功率，即因变量。另外58个是自变量，包括风速、温度、风向、叶片桨距角等等，它们或多或少都会影响输出功率。

工具采用DTEmpower，一款门槛超低上手简单的智能数据建模软件。

建模过程包括数据读取、数据清理、敏感性分析、模型训练、模型对比等步骤，下面为完整工程界面。

其中：

• 数据清理部分，项目团队基于软件的数据处理模块，开发自编程清洗程序，实现数据高效批量化处理。同时考虑风机工作特征和数据异常原因，将建模过程结合业务背景。

• 敏感性分析部分筛选掉“不重要”的自变量，提高建模精度。

• 模型训练部分，先根据风电特征将数据分区，然后分别用不同的训练算法做模型训练。

• 模型对比阶段，用测试集对基于不同算法训练得到的模型进行精度对比。

最后一步模型聚合，将优选出的分区模型合并为一个。

最终经测试集数据测试，合并后的模型精度非常高，R2值达到0.99。

这说明基于风速、温度以及桨距角这些容易测量或容易预测的数据，就能实时预测未来一段时间的风机功率。

如果预测到功率偏低，那就让火电机组做好准备，甚至让风电停机检修。反过来，如果预测到功率偏高，火电就能歇息一阵了。

如此一来，大大提升风机的利用率，降低“弃风”率，让每一缕风都有机会点亮万家灯火。

最后，欢迎到天洑软件官网下载试用DTEmpower，从数据中挖掘价值，预测未来。