远景能源许锋飞：AI支持下的发电量评估精确度提升

2019年10月21-24日，2019北京国际风能大会暨展览会（CWP2019）在北京隆重召开，大会主题“风电助力‘十四五’能源高质量发展：绿色、低碳、可持续”。自2008年首次在北京举办以来，已连续举办11届，成为北京金秋十月国内外风电行业争相参与的年度盛会。

10月22日，CTO论坛在新国展召开。远景能源（江苏）有限公司解决方案负责人许锋飞出席论坛并发表演讲。

以下是发言内容：

许锋飞：大家下午好，在开场之前我想简单自我介绍一下，我个人本身就是做风资源出身的，所以今天的这个论坛我看了一下题目，大家基本上都会关注在风机，关注在未来的技术，为什么我要在这里讲风资源，大家可以看一下这张图，一个风电厂LCOE由哪些部分组成的，有我们的初投资，有每年的运维费用，有发电小时数，什么是最重要的。

其实这里面最重要的是发电量，某种程度上，其实我们通过把单位扫风面积做大，我认为在风机技术上，某种程度上可以弥补我在控制上，在技术上的一些小不足，因为这个物理规律会决定我的发电量起来，然后我的系统工程造价无非土建、电建、生涯的设计，这些东西某种又是固定的，这里边最最最不固定的就是发电量。

我们这里边同样的一个风厂我给大家同样的输入，让大家用同样的软件，这个屋子里没有任何两个人算出来的电量结果是一模一样的。好了，我们该往什么方向努力呢？为什么你们这帮搞风资源的人感觉像风水大师呢？而发电量又这么追求。

传统的以一个流场模型为基准的仿真里，有哪些因素会影响我的发电量呢？在我前期刚开始决定圈某一块地方的时候，它就在影响我的度电成本，过去我们讲跑马圈风，跑马圈风一点没有做，在我的对手之前抢到更好的风资源，风数据分析，同样的测风塔我们根本不用走到最后一步，当我们来到了黑线之内的第二步以后，同样的一座测风塔测了8600个小时以后，我们这个屋子所有里人就会得出来不同的风速，地形图和粗糙度又怎么定义，风电厂流体的模型，模型越来越多。

即使我们到这一步，我们的流场模型算出来，静电量都一样，对不起尾流模型又是一个复杂的难题，它又会带来一双脏手来摸我的发电量，到后边还会选不同的风机，可能我们投入了很多的力量设计了一款风机，但是一个错的微观选址评估就会让你全盘皆输，假设前面做对了，载荷没有算准，当这个风电有一个很怪的下坡风，然后，你几台风机载荷老是出问题，你的收益就完蛋了，你的载荷适应性要不同来回迭代，到建设期的时候，发现征不了那块地，你要换一个位置又会影响你的发电量，甚至要削掉一个山头，电量又不一样了，这是在模型的框架下。

我们是希望提高我们这场投资的确定性的，遗憾的是任何一个风资源工程师给不了你这样的确定性，即使你的风机是确定的，你的造价是确定的，我们这些所谓的风水大师感觉真的像风水大师，很简单，过去科学经典的流体力学已经做了这么久，很多人再发力，比如说这是一个最简单的余旋山，最简单的模型是上边的仿真软件。

大家可以看到当我的风从图的左侧吹过来的时候，最最早的模型认为这是对称的，但是很简单，我们即使没有学过风资源的人也知道，当风从左边吹过来，在山的背后，它的风速应该是被扰动的，有人可以把这个软件做的更精细，做到下边这张图，这是一种求解的方式，我觉得这种方式其实已经带来了我们风资源精准度大幅度的提高，我刚开始做风资源的时候就去学WSP软件，现在大家在复杂地形都开始用CFD了。

这样的方式是不是我们能最终达到理想的彼岸呢？比如说这个项目是一个复杂山地，这里面有等高线图，我圈出来红圈的这些机位，它实际的发电量，推出来的CFD的风速和实际的风速都有极大的差异，都造成了这个风电厂投资很大的损失，但所幸的是这个风电厂的风速很高、而且定价很高，如果这个项目是个平价项目，这个业主就要亏损了。

我们这些风资源工程师最后提炼出来了我标黄的这些原则，或者说这其实是什么？这有点像论语，像一些经验，它不是一个科学的体系，它就告诉你唯女子与小人难养也，山坡后边两座高山你不要选址，但我为什么要这样做呢？能不能给我更多的东西，所以这些地形的特征，我能不能通过一个特征提取出来，能从经验变成智能，这是我留给大家的问题。

这里边其实我们可以提更多更多的原则，比如说大家看到的最左侧的两个机位，它的风速都很长，这是一张等高线的图，因为它的背后有一条主山梁，比它高的多，这两个机位在我们做风资源的人看来，就像背后有一把太师椅，我们通过后评估、通过反思，又拿出来了两个原则，我过去的论语只有两条，现在又多了两条，你在这样的地方不要选机位，但是我们总想把人的经验变成一个智能的算法。

我再给大家提个困惑，在青海海南州在规划项目，大家可以看到北边是一个4000米的高山，再往下边走是个3000米很平的地方，如果这个地方只有一座测风塔，我会告诉大家所有人用CFD测出来的结果都是山坡那个位置，离4000米高山机位的风速高，然后这个3000米左右风速低，因为CFD是一个靠算地形加速因子的东西算出来的，但是气象是不是这样的，还好，在青海这里我们有很多的测塔，有非常精确的数据证明越离高山近的地方风速越低，但是我是不是就需要立这么多测塔。

我给大家看一下这张图，这些东西其实不用经验，我的下属工程师在做这个项目的时候，他来找我审这个项目的时候，他算出的结果是全错的，我的经验告诉我他错了，但是能不能让我经验变成一个工具呢？我有足够的证据可以证明，大家可以看我在G6高速的附近点了一个点，它的风速是5.77，它的海拔是3089，但是我如果去一个海拔2960的地方更低的位置点一个中尺度的点，它的风速是6.11，所以我有充足的大数据能够证明我的经验是对的，但是我的经验不是工具，我不可能教给我的每一个下属，这就是这些中尺度特征的东西，其实都包含在这个规律里。

我们找出来5000多台风机，这5000多台风机已经有很多个完整年的发电量，有3000多座测塔，做了非常干净的测风数据，我可以做一种像人脸识别一样的技术，因为这些机位里边，有很多机位我们用软件仿真下来是非常精确的，但是比如有一些机位在我们正态分布图里不管你用谁家的软件，不管你用远景的还是金风或者是维斯塔斯的VSU，答案都会告诉你，没有人能仿准，因为CFD在那个空间它失效了，解不了。

那这里边就是我要识别出来的人脸识别出来的偷我电量的贼，它有哪些特征呢？它的气象特征像我刚才讲的是有中尺度的，我们可以看到一个中尺度的数据，我不用做任何仿真，都比你倒一堆数据，跑一堆CFD数据更准，这个信息怎么倒进去，它是带特征的。我总有山坡背后、总有背后倚着山坡的机位算不准，一定有特征，这些特征和我们的鼻子、眼睛一样，是可以被AI识别出来的，我通过这样的识别就可以，大家可以看到这是一个实例，我用了AI来写正我的CFD结果以后，可以更接近我的真实结果，还有粗糙度的真实结果。

也就是说通过我们去提取那些坏机位的特征，可能它的中尺度跟CFD仿真有很大的误差，可能前面有高山，可能立在悬崖的位置，可能离一个小湖很近，热稳定度是有稳定的，这些特征都可以被AI来识别，但它不是一个公式，它是一堆算法，这些特征被识别以后，可以把这些修正变成一个精确电量的指导，也许是3%电量的减少，也许是5%。

通过这样的修正，我们通过5000多个机位点现在有非常大的信心，可以告诉大家，我们能够把电量算的更精确，精确到大概2%左右，但是2%在内蒙未来大概是60多个小时，60多个小时会影响我们也许是300块钱的投资造价，你可以多花300块钱买更好质量的风机，进一步你的可靠性也会降低，你就会进入到良性循环。

回过来，其实我说的那些经验，这张PPT是早已经离开了金风的人，他在10年以前跟我一样就开始做微观选址，他做了一个项目，这个项目在云南，背后有一座高山，他也在总结他的经验，他发现这个蓝色的圈下边有4台风机，他们的发电量只有600个小时，他的经验、我的经验，我们这些人的经验怎么样让AI变成一个智慧的工具，将来所有的工程师不用做十年的微观选址就应该知道这样的机位是有问题的，而且是电量化的告诉踏踏的电量会到600或者到1800。

我相信随着电量的精准再加上风机的发电能力或者我们的性能，风机越来越可靠，系统工程这么确定的事情，通过我们的人也在优化，我们的BOP会降低，可靠性会保证，发电量会更精准，平价其实不是一个挑战，而是一个大机遇，我今天的讲解就这么多，谢谢大家。

（根据演讲速记整理，未经演讲人审核）