风电场风速及风电功率预测方法研究综述

———————————————————基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。

第27卷第1期2011年1月电网与清洁能源Power System and Clean EnergyVol.27No.1Jan.2011文章编号：1674-3814（2011）01-0060-07中图分类号：TM614文献标志码：A风电场风速及风电功率预测方法研究综述洪翠，林维明，温步瀛（福州大学电气工程与自动化学院，福建福州350108）Overview on Prediction Methods of Wind Speed and Wind PowerHONG Cui,LIN Wei-ming,WEN Bu-ying（College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ）ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method,statisticalmethod,learningmethodandthecomprehensive one combining all the other methods.Based onaccurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents abrief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods;learning methods;combinatorial prediction摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。

现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。

基于数字天气预报（NWP-numerical weather prediction ）的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少，较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。

本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。

关键词：风电预测；统计方法；学习方法；综合预测随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。

2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。

风力发电是风能的主要利用方式之一。

2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。

中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。

近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。

除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。

随着规模越来越大、数量越来越多的风力发电功率注入电网，风能具有的随机性对电力系统的影响越来越不可忽视。

1风电预测的意义准确有效地预测出风电场的输出功率不但可帮助电力系统调度运行人员做出最有效决策，还可为电力市场条件下并网风电功率趸售提供相关依据。

并网风电场的输出功率受风能随机性影响很大，保证电力系统安全可靠运行成为制约风电功率注入水平的因素之一，有效的预测将在提高风电注入功率水平等方面发挥出重要作用[5-6]。

只有较为准确地预测出并网风电机组的功率输出，才能有效提高电力系统运行可靠性[7]，为电网运行调度提供可靠依据，有效地降低风力发电成本，减轻风力发电可能对电网造成的不良影响，提高风电穿透功率极限[8]。

开放电力市场条件下，风电趸售除需考虑风力发电的不确定性之外[9]，预测误差的相关成本也是考虑因素之一，研究表明该项成本可以达风电场发电收益的10%[10]。

另外，风电场输出预测还可为评估风能资源与风电价值，诊断风电机组性能，最大限度利用风电机组、减少风电备用机组等提供依据[11]。

2风速及风电功率的预测方法基于风速预测结果利用风速与风力机组出力的关系式计算可获得风电功率的预测值，利用已有的风电功率数据建模计算分析亦可获得风电功率的预测值，因此在研究各种预测方法时，可将风速与风电功率预测综合考虑。

长期的风电功率预测涉及国家政策、法规及能源资源远景规划等方面问题，不确定性较强。

灰色理论可以一定地处理这些不确定性的影响，可进行灰色建模，预测风电系统的装机容量以及出力的大小[12]。

更多的风电功率预测研究是集中在中、短期预测[13]。

或是基于物理模型根据数字天气预报（NWP）获得预测结果，或基于已有风速与风电功率数据利用统计方法获得预测结果[14]，还可引入人工智能技术以基于学习的方法进行预测[29]。

此外，若已有风电功率数据显现出高度拟合的特性，短期预测时还可采用持续法以当前数据作为下一个时刻的预测值。

2.1基于数字天气预报（NWP）的预测基于NWP的风电功率预测方法已较成熟，这是人们比较认可用于较长时间风电功率预测的一种较为准确方法。

该预测法较适用于风能资源评估时使用。

为了优化地使用NWP数据，可采用结合模糊逻辑的神经网络模型，利用支持向量机进行预测[15]。

不过，基于NWP的预测数学模型复杂，需运行在超级计算机上，其应用有一定的局限性，有时短期预测的有效性还不如持续型预测模型[16]。

可利用改进的NWP数据进行短期风电功率预测，通过从邻近风机获得的测量数据提高本风力机预测水平，进一步提高预测质量[17]。

2.2以时间序列法为代表的统计预测1）经典时间序列法。

风电场气象记录数据一般包括各个时间点或是时间段（10分钟或1小时）内的风速大小、方向以及温度和气压等数据[18]，记录于风电场SCADA系统中。

这些数据，均具有按照时间排序以及取值离散的特性。

时间序列法是风电预测的一种常用方法[19]，采用时间序列法预测风电场短期风速的误差可小于10%[20-21]。

利用时间序列建模方法中最为成熟的一种当属自回归滑动平均（ARMA）模型。

不过，ARMA模型虽然能够描述线性的动态过程，但它仅适用于零均值的平稳随机序列。

风速或者风电功率的时间序列具有非平稳随机序列的特点，因此，建立风速或风电功率预测的ARMA模型时首先需进行数据时间序列增加趋势性及周期性的非平稳化处理。

模型建立之后，可通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定通常采用最小二乘法[22]。

2）一些改进的时间序列法。

采用传统时间序列法预测风速或风电场功率时，可能遇到超前一步预测有延时或某些预测点精度不能满足要求的问题，此时可借助卡尔曼滤波法及滚动时间序列来改进原有预测模型[23-24]。

以时间序列法预测为基础加以改进的风速或风电场输出功率预测方法还包括：引入经验模式分解（Empirical Mode Decomposition），对时间序列信号进行平稳化处理的风电场短期风速预测[25]；采用局域波分解方法，将随机性很强的非平稳的风速信号分解成有限个数的较平稳信号，在分解基础上运用时间序列分析方法对各个局域波分量进行建模预测的风电场风速预测等[26]。

考虑到风速或者是风电场输出功率时间序列本身所具有的混沌性及混沌时间序列的短期可预测性，也可采用混沌的方法预测风电场的短期风速或者是风电输出功率[27-28]。

第27卷第1期电网与清洁能源612.3以神经网络法为主的学习预测1）神经网络预测方法。

用经典的数学统计方法预测风速及风电功率具有速度快、预测模型一般较简单的特点。

但由于电力系统及风速均为复杂的非线性动态过程，当所使用模型不能准确地描述出风速或风电场功率的实际变化情况时，用该类方法势必一定程度地影响到预测结果的精度。

人工智能方法一般无需研究对象的精确数学模型，可有效弥补传统方法单纯依靠数学求解的不足。

风速及风电功率预测中使用较多的人工智能方法是神经网络模型[29]。

可将风速、风向、气温、气压、湿度等影响风电场输出功率的因素作为输入，建立图1所示BP 型神经网络模型预测风电功率[30]。