利用 Python 預測風力發電量

摘要

可再生能源(如風力、太陽能發電等)由於其在發電過程中不會產生任何污染的特性被視為乾淨能源,在環保意識高漲的現代設備備受期待,在歐美先進國家如德國、丹麥、美國加州等更意圖將可再生能源作為該國最主要的能源來源。然而可再生能源看天吃飯、不受控制的特性也為電網營運帶來新的挑戰。所幸由於氣象預報科技的進步,可再生能源發電量以可藉由氣象預報大致預測。本演講將以風力發電為例簡述目前可再生能源預測的發展現況,以及如何利用機器學習演算法預測未來數日的逐時風力發電曲線及未來數日風力發電的發電總量。我們會介紹如何以Python讀取相關數據(如NOAA的氣象預報資料等open data),及如何以Tensorflow打造一個預測未來風力發電量的系統。

說明

風力發電的電力來自於風的動能並經由風力發電機轉換為電能。由於發電機設計的不同,每支風力發電機會有各自的[轉換曲線](https://www.sirris.be/sites/default/files/styles/blog_detail/public/blog/images/powercurves.jpg?itok=L4OH8hfC)(風速->發電量的函數)。因此只要能取得精確的風速預報搭配風力發電機製造商提供的轉換曲線,我們應可得到每支風力發電機發電量的預測,再將所有風力發電機的發電預測加總即可得到風力發電量預測。然而受限於氣象預報科技,我們目前無法取得在每支風力發電機位置與高度的精準風速預報;除此之外,近年研究也顯示風力發電機製造商在實驗室環境下推估的轉換曲線與實際運轉的轉換率有段落差,且除了風速之外轉換曲線還會與溫度、濕度等更多氣象因子有關。這些不精確的資訊造成目前主流的轉換曲線法在推估未來風力發電時不夠準確:以德國為例,目前商用系統對未來24小時預報的誤差大約在5~10%之間。這些不精確的預報造成我們可能需要準備更多的備援電力以維持電網的穩定性,浪費無謂的燃料並可能造成更多環境的污染。 我們在轉換曲線及氣象預測都不準確的前提假設下提出一個深度類神經網路模型來逼近轉換曲線法的理論值(即當我們能獲得正確轉換曲線與精準氣象預報時轉換曲線法的理論值);我們的實驗結果發現我們的逼近演算法對未來24小時的預報誤差大約在1.6~5%之間,應可大幅提昇風力發電的預測能力。

講者

陳律閎

中興大學統計所助理教授,曾開授資料科學方法、巨量資料分析、統計學習等課程。專長為結合領域知識提取特定用途之特徵以利後續統計與機器學習演算法分析與預測。