短期风电功率预测模型研究综述作者：崔垚王恺来源：《电子世界》2012年第23期【摘要】短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。
而预测性能提高的关键在于预测模型选择和模型优化。
本文对目前国内外几种主流风电场功率预测模型（物理预测模型、统计预测模型和组合预测模型）的建模原理和研究现状进行了综述性分析，对每种模型的优缺点和适用性进行了一些总结。
并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨，最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。
【关键词】风电场；功率预测；物理；统计；组合；综述1.引言随着风力发电机组单机容量的提高和自动化技术的发展，风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展。
根据规划，我国将在内蒙、甘肃、河北、吉林、新疆、江苏沿海等地区建设7个千万千瓦级风电基地。
预计2010-2020年，七大风电基地的开发规模将占全国风电开发总规模的68%至78%。
这将使得风电在电网中比例不断增大，大量并网的风电对电力系统的调度运行和安全稳定带来了严峻挑战。
有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例[1]。
而风电功率预测的关键在于预测模型的合理选择和模型性能优化，本文对风电场功率预测模型的建模原理和模型适用情况做了一些综述性的分析。
在此基础上对风电功率预测模型的误差分析和预测的不确定性研究做了一些探讨，最后对目前研究中面临的问题和未来的研究方向做了一些可行性展望。
2.国内外研究现状国外（主要是欧洲）经过数十年的技术积累，目前已经拥有了多套较为成熟的风电功率预测模型和预测工具[2]，如基于物理学方法的Prediktor、LocalPred-RegioPred等，基于统计学方法的WPPS、GH-FORECASTER等。
基于物理-统计学方法组合的Previento、ANEMOS等。
这些预测系统已经成为欧美很多大型并网风电场系统管理和控制的基本组成部分。
虽然如此，由于风能的间歇性和不确定性，国外相关科研工作者仍在不断探索。
我国对风电场功率预测的研究显得尤为紧迫。
虽然国外已有一些相对成熟的预测模型，但是由于我国的风电场与欧洲风电发达国家的风电场风况、容量等情况不同。
而风电场功率预测模型的优势往往与风况和容量等因素密切相关。
虽然国内已有一些预测效果较好的风电场功率预测系统[3]问世，但是总体上来说，目前我国在风电功率预测领域尚处于探索和发展阶段。
3.风电场功率预测模型目前从大的研究方向上来说，风电场功率预测模型可以分为三类：1）物理预测模型；2）统计预测模型；3）组合预测模型。
3.1 物理预测模型[4.5]物理预测模型是基于数值天气预报（NWP）的预测模型。
数值天气预报是指根据大气实际情况，在一定的初值和边界条件下，预测未来一定时段的大气运动状态和天气现象的方法。
物理预测模型的一般建模步骤如图1所示：首先利用数值天气预报（NWP）系统得到风电场的风速、风向、气温、气压等天气信息，然后根据风电场的物理和地理信息，在充分考虑风电机组群集聚效应（塔影效应、尾流效应等）的基础上，得到每个风力发电机组轮毂高度处的天气信息（风速、风向、气温、气压等），再使用单个风机的功率曲线计算计算出风电机组的输出功率，进而累加得到整个风电场的输出功率。
物理预测模型的关键是准确地得到风电机组在轮毂高度处的天气信息。
物理模型的优点是不需要大量的历史数据，只需要从实时的数据出发进行预测，是新建风电场的首选预测模型。
然而，这也带来了许多新的问题，如如何实现数据的高精度采集和实时快速传输等，这些都对数据采集装置和数据传输网络提出了很高的要求。
并且物理预测模型的建模过程比较复杂，在一定程度上降低了预测精度。
3.2 统计预测模型统计预测模型的实质是在输入（历史数据、天气预报信息等）和输出（风电场功率）之间建立一种映射模型。
然后应用这个模型进行预测。
目前的统计预测模型主要有：自回归（ARMA）模型[6]、时间序列（Time Serises）模型[7]、灰色模型（Grey Model）[8]、数据挖掘（Data Mining）模型[9]、人工神经网络（ANN）模型[10]和支持向量机（SVM）模型[11，]，最小二乘支持向量机（LSSVM）模型[12]等。
统计预测模型的一般建模步骤如下：1）建立历史数据学习映射模型。
选取合适的输入输出建立相关映射预测模型。
2）进行检验。
对第一步建立的映射进行检验。
检验结果（误差大小）满意模型用于预测，不满意则进行再学习。
3）进行预测。
把检验结果满意的映射用于对风电场功率的预测研究。
相对于物理预测模型来说，统计预测模型建模相对简单，提高了预测精度。
但是，统计预测模型需要大量的历史数据，同时由于风速、风向等气象数据具有随机性。
因此统计预测模型的预测时间尺度比物理预测模型小。
3.3 组合预测模型组合预测模型[13]是将两种以上的单一预测进行综合考虑。
利用每种单一预测模型的优点来获得全局最优的预测性能。
综合国内外文献可以看出：多种预测模型的组合是提高风电场功率预测精度的重要手段，也是国际上公认的未来一段时间内风电场功率预测的重要研究方向之一。
风电场功率预测中组合模型的类型主要有：1）物理模型和统计模型的组合预测；2）不同统计模型之间的组合预测。
目前国内外相关研究人员的在这两方面研究的侧重点不太一样。
国外相关研究人员的研究重点主要集中在物理预测模型和统计预测模型的组合，而国内的相关学者则主要致力于不同预测方法之间的组合研究。
3.3.1 物理模型和统计模型的组合基于物理模型和统计模型的组合预测模型建模方法如下：使用NWP系统得到风电场的天气预报信息，并对信息根据风电场物理地理信息、群集聚效应进行相应处理（如图1）。
得到所需要的数据。
把数据输入经过历史数据学习建立的满意映射中（图2），预测风电场功率。
如图3所示。
对于还没有装设数值天气预报（NWP）系统的风电场，则可以通过对不同统计模型之间组合预测的方法进行风电场功率组合预测。
3.3.2 不同统计模型之间的组合不同统计模型之间的组合实际上是对几种单一预测模型进行加权优化，不同统计模型之间的组合预测模型如图4所示，其建模步骤是：首先建立几种不同的单一统计预测模型，然后依据某种最优准则构造目标函数Q，在约束条件下极小（大）化Q，求得综合模型的加权系数。
再进行累加得到组合预测模型。
这种模型的优点是可以通过考虑不同的影响因素，从不同的角度进行建模预测，能够充分利用信息。
不足之处是对各种单一模型预测精度要求较高，样本数据需要量大，计算成本高。
4.面临的问题和研究方向展望4.1 NWP精度问题对于使用到NWP的预测模型来说，关键是提高NWP模型的分辨率，使之能够精确地预测到某一点（如每台风电机组轮毂处）的天气情况，即建立风电场当地版的NWP模型。
这对NWP系统的预测精度要求较高。
有文献则提出了对几种NWP数据进行组合的方法减小NWP 的预测误差。
所以开发新型的适合我国国情的NWP系统具有重要意义，同时改进NWP预测算法是减小NWP误差的重要研究方向之一。
4.2 统计预测面临的问题目前在统计模型方面的研究最常用的是人工智能方法，通常为了描述一个较长时期的风电功率的变化趋势，需要信息较为完备的样本集。
但是包含较完备信息的样本集数据容量都很大，人工神经网络等算法在对其进行计算的时候计算量增大，所以一般实际应用中使用的数据样本容量都不大，这也是目前风电场功率预测精度不高的主要原因之一。
如何通过大容量样本集的训练来提高预测精度，优化和改进统计预测模型也是未来的研究重点。
4.3 组合预测模型面临的问题目前在风电场功率预测模型中，对于不同统计模型之间的组合仅限于一些线性的组合。
由于是各单一预测模型之间的凸组合，可能出现有争议的负权重等问题，这使得线性组合预测方法的使用受到一定程度的限制。
而非线性组合预测可以克服线性组合预测的这种局限性，有文献使用人工智能方法对非线性组合预测进行了一些研究，但是构造合适的，特别是通用的非线性组合模型至今仍较困难，所以建立适用于风电场功率预测的非线性组合预测模型将是未来研究的难点和热点。
5.结论本文主要是对风电场功率预测模型进行了一些综述性的探讨。
重点介绍了物理预测模型、统计预测模型和组合预测模型的建模原理和当前研究现状，并对这些模型的优缺点和适用性进行了一些总结。
最后对风电场功率预测模型在目前研究中所面临的一些问题进行了分析，并对未来的研究方向做了展望。
希望能为风电功率预测的研究人员带来更多新思路。
参考文献[1]X.Catala，J.P.S.O，H.M.I.Pousinho and V.M.F.Mendes， "Hybrid intelligent approach for short-term wind power forecasting in Portugal"，Renewable Power Generation，IET，vol.5，pp.251-257，2011.[2]A review of wind power forecasting models，Energy Procedia，v 12，p 770-778，2011，Proceedings of Interna-tional Conference on Smart Grid and Clean Energy Technologies.[3]范高锋，王伟胜，刘纯.基于人工神经网络的风电功率短期预测系统[J].电网技术，2008（22）：72-76.[4]冯双磊，王伟胜，刘纯，等.风电场功率预测物理方法研究[J].中国电机工程学报，2010（2）：1-6.[5]Lange M，Focken U.New developments in wind energy forecasting[Z].2008，1-8.[6]高阳，朴在林，张旭鹏，等.基于噪声场合下ARMA模型的风力发电量预测[J].电力系统保护与控制，2010（20）：164-167.[7]J.W.Taylor，P.E.McSharry and R.Buizza，”Wind pwer density forecasting using ensemble predictions and time series models，”Energy Conversion，IEEE Transactions on，vol.24，pp.775-782，2009.[8]李俊芳，张步涵，谢光龙，等.基于灰色模型的风速-风电功率预测研究[J].电力系统保护与控制，2010（19）： 151-159.[9]A.Kusiak，Z.Haiyang and S.Zhe，”Short-term prediction of wind farm power：a data mining approach，”Energy Conversion，IEEE Transactions on，vol.24，pp.125-136，2009.[10]范高锋，王伟胜，刘纯，等.基于人工神经网络的风电功率预测[J].中国电机工程学报，2008（34）：118-123.[11]叶林，刘鹏.基于经验模态分解和支持向量机的短期风电功率组合预测模型[J].中国电机工程学报，2011（31）：102-108.[12]王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短期风速预测[J].电网技术，2010，（1）：179-184.[13]刘纯，范高锋，王伟胜，等.风电场输出功率的组合预测模型[J].电网技术，2009（13）：74-79.作者简介：崔垚（1986—），男，硕士，毕业于武汉大学电气工程学院，现供职于合肥供电公司，主要研究方向：新能源并网。