风电功率预测方法的研究摘要由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。

进行风电功率预测并且不断提高预测精确度变得越来越重要。

通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。

根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。

关键词：风电功率预测；电力系统；风力发电；预测方法；引言随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。

风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。

根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。

其中，中国风电新增装机容量达30500MW，占市场份额48.4%。

全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。

目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。

当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。

根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。

本文主要研究不同的风电功率短期预测方法的优缺点。

通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。

课题国内外现状国外对于风电功率预测的研究起步早，始于80年代，随着其研究的不断深入，其预测技术越来越完善、预测精度不断提升。

目前发达国家像美国、德国、西班牙、丹麦等风电功率预测技术较为成熟。

丹麦国家研发的典型的风电功率预测系统有Prediktor、WPPT、Zephyr。

其中Prediktor系统是全球第一个风电功率预测软件、其采用物理预测模型，其能够根据高空的数值天气预报的风速得到某一地面的风速；WPPT系统使用自回归统计算法，功率被认为是一个随时间变化的非线性随机过程；而Zephyr则是将上述两种预测模型结合起来，其集中了两种预测模型的优点。

美国研发的eWind系统组合了多个统计模型像多元线性回归、支持向量回归、人工神经网络等集合生成预测结果。

该系统基于高分辨率的数值天气预报模型，具有先进的统计预测技术，目前为CAISO、ERCOT、NYISO 等电网运营商提供预报服务。

德国研发的Previento系统通过对气象部门提供的数值天气预报结果进行空间细化，结合风电场当地具体的地形、海拔高度等条件，根据其风电机组相应的功率曲线把预测的风速转化为预测的输出功率。

其他典型的风电功率预测系统还有西班牙的AWS Trewind系统、法国的AWPPS系统、欧盟的ANEMOS项目。

国外发达国家较为成熟的风电功率预测技术是其更高的风电功率普及率的保障。

这些发达国家往往有很好的数值天气预报系统为风电功率预测提供支持，但从全球范围上看数值天气预报技术不够完善普及。

现发达国家研究的重点在于通过人工智能算法研发出更精确的预测模型、寻找更好的将统计模型与组合模型结合起来的方式方法以及开发相应的技术与工具对预测结果的不确定性进行评估。

我国在风电功率预测技术方面的研究起步较晚，很多研究只停留在理论方面而实际应用方面的工作相对滞后。

但目前很多风电功率预测预报系统已被国内的一些科研机构和高校开发出来。

例如湖北气象中心的WPPS系统、中国气象局公共服务中心的WINPOP系统、中国电科院的WPFS系统、华北电力大学的SWPPS系统等。

WPPS系统使用C#做为开发语言，其具有根据实际风电场情况采用合适的算法模型的优点，目前已投入湖北省的九宫山风电场和新疆的乌兰达布森风电场使用。

WINPOP系统采用C/S结构，以全球天气分析服务系统为基础进行开发，运用了SVM、人工神经网络、自适应最小二乘法等多种算法进行风电功率预报。

WPFS采用B/S结构，使用Java语言进行开发，其能够对单独风电场或者特定区域的集群预测。

该系统不仅可以设置每日预测的时间和次数，还能够对风机故障与限电等特殊情况进行功率预测。

总体来说，我国风电功率预测方面的研究取得了一定的成果，一些学者也提出了不同于传统方法的新型研究方法和技术[22]。

但是在中国，并没有针对这个方面的数值天气预报，这将严重的制约我国在风电功率预测方面的进一步发展。

目前在预测的精确度方面有待提升，根据其预测结果安排发电计划有相当大的风险。

预测时长尺度还不能满足要求。

预测方法概述风电功率预测方法从时间上可划分为超短期预测、短期预测、中长期预测三类。

超短期预测预测时长为未来几个小时内，用于风电的实时调度；短期预测预测时长为未来三天内，主要用于机组组合和备用安排；中长期预测时长为未来三天至一周及一周以上，用于风资源评测和检修安排等。

从预测模型上可以划分为物理方法、统计方法、及组合模型方法三类。

物理模型主要是根据气象部门提供的数值天气预报结果来模拟风电场范围内天气，并将预测到的风电场内风向、风速、大气压、空气密度等天气数据结合风机周围物理信息与风电机组轮毂高度等信息建立物理预测模型，最后利用风电机组功率曲线得到预测功率。

物理法预测风电功率时，往往要考虑尾流效应的影响。

从空间角度来看，风速序列表现出无规律、大幅度的波动；从时间角度来看，风速包含的趋势分量取决于大气分量的持续性而随机分量取决于大气运动情况，因此难以建立普适性的物理模型进行分析和预测，给预测结果带来了无法避免的误差。

由于物理方法是建立在数值天气预报之上，因而预测结果往往取决于数值天气预报结果的准确性。

统计方法是通过一种或多种数学工具建立历史数据、天气预报数据、预测数据之间的函数关系，其本质是挖掘出蕴含在大量数据下的规律，并根据规律来进行预测。

风电功率预测中常用的统计算法有时间序列算法和机械学习算法。

时间序列算法主要有：自回归模型、滑动回归模型、自回归滑动平均模型。

其主要建立输入与输出之间线性的映射关系，并要求时间序列为平稳时间序列，对于非平稳时间序列要进行处理得到平稳、正态、零均值的时间序列。

机械学习算法主要有：遗传算法、人工神经网络、模糊逻辑、支持向量机等。

其理论上可以对任意非线性关系进行无限逼近。

组合模型预测方法是在多种预测方法的基础上，通过综合利用各种方法预测结果来得出最终的预测结果。

组合预测模型由于集合了各种单个预测方法的优点，通常其最终预测结果要好于其单个预测方法。

从建模对象来分可分为基于风速和基于风电功率两种预测方法。

基于风速预测方法先预测出风电场附近的风速，再根据风机的功率曲线计算出预测的输出风电功率。

由于基于风速预测模型受到风速测量塔安装的限制，因此在有多个风电机组的风电场内不能得到所有风机处的准确风能信息，并且风速和风电功率并非线性关系，当风速预测值存在微小的误差都可能产生较大的功率值误差。

常用的短期风电预测方法时间序列法通过分析与挖掘现有的数据来建立相应的的数学模型，建模过程包括对处理历史数据、模型识别、确定参数、校验模型适用性等。

该方法建模容易，结构较为简单，但是其需要大量的历史数据，非线性关系无法拟合，预测时间越长，预测精度越低。

人工神经网络法[18-20]是模拟人脑神经过程，其能够对历史数据进行学习从而实现对复杂问题的处理，目前已被大量应用于短期风电功率预测当中。

其模型建立的过程包括对预处理数据、确定其网络模型、选择网络参数、数据训练、网络测试。

该方法对于数据的质量要求不高，不需要建立先验模型，但是其需要长时间的训练过程和大量的训练数据，难以确定网络结构和参数等问题。

支持向量机（SVM）是在统计学习理论基础之上提出来的，其对于非线性、小样本方面当中的预测具有较好的效果。

其建模过程有样本数据的预处理、选择合适的核函数、确定相关、数据的训练、执行预测。

该方法能够在小样本数据中获得较好的预测效果，没有过学习和易陷入局部最小等缺点，对新鲜样本的学习适应能力很强，但其对于大量数据的处理能力不强，要确定最适合的核函数和最优参数往往需要其他理论。

模糊逻辑是在充分利用专家经验的基础上，结合现有的历史数据，得出相应的模糊逻辑推理规则。

应用该方法进行预测由于发挥了专家经验的优势，能够对风电输出功率预测当中的模糊现象进行处理。

但其更多的受到主观经验的影响，学习能力弱，当有较多的规则时，就要耗费很多的从处理时间。

由于大气运动过程具有混沌特性，其运动过程短期内系统发散较小，因此在短期内根据混沌理论进行风电功率预测是可行的。

该方法符合大气运动的自然特性，但是初始条件的微小变化都将引起预测精度大幅度下降，并且只能用于短期内的风电功率预测。

分析各种预测方法的优缺点，通过对不同的预测方法的取长补短综合得出最终的预测结果就是组合模型方法。

根据相关研究成果其预测结果通常优于单一预测方法的结果。

总结对于我国来说，中国风能资源丰富，但是相对的我国风能资源分布地区广，情况复杂，各地区建立的风电场情况各有不同，风电场周围情况，风电场运营历史数据等资料的建立不同的风电场有不同的情况，因而在不同情况下对风电场功率预测方法的选择也要根据实际情况来考虑，要根据不同的风电功率预测方法的优缺点结合具体风电场的实际情况来选择适合的风电功率预测技术。

参考文献[1] 2015年全球风电装机容量，中国贡献最大.铁甲工程机械网,2016-03-14.[2]2015年中国风电行业发展现状及竞争格局分析.中国产业信息网行业频道,2016-01-18.[3] 陈正洪, 许杨, 许沛华, 等.风电功率预测预报技术原理及其业务系统. 北京: 气象出版社, 2013.[4] 王瑞雪,刘博. 浅谈我国风电产业发展现状及前景[J]. 城市建设理论研究.2015,14(1).[5] 孟静.风电功率预测[J]. 武汉理工大学.2012,4(21-22).[6]宁美凤.风速及风电功率短期预测方法研究[D]. 郑州市中原区科学大道100号:郑州大学.2012-5.[7]2015风电产业发展情况.国家能源局网站.2016-02-02.[8]段学伟,王瑞琪,王昭鑫,郎澄宇,孙树敏,赵鹏.郑伟. 风速及风电功率预测研究综述[J].山东电力技术,2015,210(42):26-31.[9]钱晓东,刘维奇.基于时间序列分析的风电功率预测模型.[J].电力学报,2015,29(4).[10] 徐敏，袁建洲，刘四新，郭含. 基于支持向量机的短期风电功率预测[J].南昌大学学报,2012,34(2).[11] 邱潇钰，张化祥.概论核方法及核参数的选择.信息技术与信息化，2007,6:62-65.[12] 武小梅,白银明,文福拴等.基于RBF神经元网络的风电功率短期预测[J].电力系统保护与控制,2011,39(15):80-83.[13] 杨桂兴.对风电功率预测系统中预测精度的讨论[J].电网与清洁能源,2011,1(1)[14] 徐曼,乔颖,鲁宗相. 短期风电功率预测误差综合评价方法[J].电力系统自动化,2011,35(12):20-26.[15]孟岩峰，胡书举，邓雅，许洪华.风电功率预测误差分析及预测误差评价方法.[J].电力建设,2013,[16] 风电场功率预测预报管理暂行办法[S].北京：国家能源局，2011[17] 风电功率预测功能规范[S].北京：国家电网公司，2011[18]杨世成.基于人工神经网络的风电功率预测[D].北京市昌平区北农路2号：华北电力大学.2011-3.[19] 杨志凌,曾宇,刘永前等.基于粒子群神经网络的风电功率预测算法[C].//2010年全国高性能计算学术年会(HPC china2010)论文集.2010:586-592.[20] 刘永前,朴金姬,韩爽等.风电场输出功率预测中两种神经网络算法的研究[J].现代力,2011,28(2):49-52.[21] Zhengtang Liang , Jun Liang, Chengfu Wang, Xiaoming Dong, Xiaofeng Miao, Short-term wind power combined forecasting based on error forecast correction [J]. Energy Conversion and Management 2016(119) 215–226.[22] Haijian Shao , Xing Deng . Short-term wind power forecasting using model structure selection and data fusion techniques [J]. Electrical Power and Energy Systems 2016(83)79-86.。