风电功率预测综述(成品)

风电功率预测综述
摘要：
Abstract
引言：
随着环境和能源问题日益突出，开发可再生清洁能源备受人们关注，风能已成为目前最具大规模商业化开发前景的可再生能源，风力发电是有效利用风能的主要途径，也是世界各国为实现能源和电力可持续发展的最佳选择。

自1990年以来，风力发电技术有了飞速的发展，在过去的10年之间，风电装机容量在全球范围内已翻了四番，从2002年的24.3GW 到今年预期的203.5GW[1]。

在电力系统中，功率平衡是通过连续不断的调整发电能力以及控制供电需求来实现的。

与热力发电相比，由于大自然风的波动特性，使得风电功率具有随机性以及不可控性等特点，因此，大规模风电并网对电力系统的平稳运行提出了更高的要求，当风电功率波动范围超过电力系统的平衡能力时，将会威胁电力系统的运行安全。

对风电功率的预测变得至关重要，功率预测技术有助于提前预判风电功率变化，从而使得电网可进行平稳调控，保证电力系统运行的安全性和经济性。

短期（从1小时至72小时不等）的风电功率预测技术将便于电网的合理调度，保证供电质量，为风电场的竞价提供保证；中期（从3天到7天不等）风电功率预测技术一般用于维护和调试风电场或电网其他部分；长期（以年为单位）风电功率预测技术主要用于风电场设计研究，进而预测风电场建成之后的年产电量。

风电功率预测的基本方法
以研究对象来分，风力发电的预测模型可以分为两种。

第一种为基于一系列风电历史数据分析的直接预测，此方法运用统计方法预测每小时的平均风速，或直接预测电力功率生产。

第二种是通过将数值天气预报（NWP）模型作为输入进行的间接预测，此方法使用事先已从气象风动力模型中派生出的变量（主要指一个小时内的平均风速以及风向）对风电功率进行预测。

按照采用的预测模型划分，风电功率预测一般被分为物理方法，统计方法，复合预测方法。

对于统计预测方法来讲，大量的历史时间序列数据是必不可少的，通常短期（3h至6h）的预测模型均是以统计学为基础的，较之物理模型有较高的精度，然而对于超过15个小时的预测来说，运用NWP方法更加准确。

表1给出了国际上领先的风电功率预测软件模型。

基于数值天气预报（NWP）的风电功率预测
NWP是指根据大气实际情况，设定一定的初值和边界条件，通过计算机程序作数值计算，求解描述天气演变过程的流体动力学和热力学的方程组，预测未来某个时段的大气运动状态和天气现象。

NWP模型的选择标准包括：地理位置，分辨率（包括空间和时间），预测尺度，以及要求的精确度等。

NWP模型通常有三个主要部分：动态的大气流所在中心，描述气象变化（例如流动和辐射）的物理方程式和信息采集的软件代码。

NWP模型对原始条件（例如温度等）是很敏感的，同时原始条件的确定以及对方程组的求解也是难度极大的。

在区域预测和中尺度水平的另一类NWP模型日益受人们关注，此模型重点用于研究某一地域的天气现象。

例如静态的ETA模型,HIRLAM模型和ALADIN模式以及MM5模型。

由于预测某个特定风电场的大气现象难度大且花费时间长，因此利用‘升尺度’的方法对该问题进行研究。

在升尺度方法中，来自特定区域多个风电
场功率输出的样本数据组成了参考数据，以参考数据的平均值对某个电场进行预测，此方法可以有效的降低预测误差。

NWP模型对于超过6小时的预测精度是很高的，但对于所有的NWP模型来讲，该模型下在每个预测的时间尺度上只产生单一的预测值，这被称为确定性的点预测，因此此模型对随机优化和风险评估的应用是有限的。

物理方法
物理预测方法是指根据NWP所预测出的气象数据以及风机周围的物理信息得到风电机组轮毂高度的风速和风向信息，既而利用已建立的风速与风电功率的统计模型得到风电功率预测。

物理预测模型的主要预测流程图如下：
物理预测模型不需要历史数据，但需要输入准确的NWP数据和风电场所在区域的详细物理信息，需要的参数较多，由于NWP隔几个小时才会公布一次，故物理预测方法更适合于6h 以上的短期和中期预测。

统计方法
统计方法是指采用一定的数学统计方法，在历史数据与风电功率之间建立一种映射关系，以此来对风电功率进行预测。

统计方法可分为两类：
一类是基于时序模型的预测方法。

该类方法通过寻找各历史数据在时序上的相关性来对风电功率进行预测，该方法也被称为“黑匣子”法。

常用的方法有卡尔曼滤波法，ARMA法，ARIMA法。

其中卡尔曼滤波法需要有限时间内的历史观测数据，运算简单，但只能用于线性过程，而且需要噪声信号绝对服从高斯分布;ARMA法只需知道风电场风速或功率时间序列即可建立预测模型，但需要大量的历史数据;ARIMA法是ARMA法的扩展，但在ARIMA 模型，需对历史数据进行差分得到所需的平稳数据。

另一类是基于人工智能类的模型预测方法，通常被称为“灰匣子”法。

常用的方法有人工神经网络方法(artificial neural networks，ANN)、蚁群优化法(particle swarm optimization，PSO)最近邻搜索(nearest neighbour search，NNS)、混合专家经验法(mixture of experts ME)、和支持向量机(supportvector machines，SVM)等。

其中人工神经网络方法的应用最为广泛，该方法具有自适应、自学习的特性，可解决复杂的数据处理，但存在训练速度慢的问题；SVM 模型相较其他模型具有较高的准确度，但最佳核变换函数及其相应的参数确定较为复杂，且需要大量的数据。

统计方法不需要考虑大气运动特性，只需要历史数据，它对于短期以及超短期的风电预测具有较高的准确度，但对于长时间的功率预测，精度往往很低。

整体来讲，此方法需要长期的测量数据和大量的数据处理工作以及额外训练。

复合方法
复合预测是指将多个不同的预测模型适当的组合起来，进而预测风电功率，所得结果的准确性通过检验所有模型成员变量的分布来进行评。

复合预测可以充分发挥各模型的优势，降低预测误差。

在进行复合预测时，当其成员的差异性极大时，预测值的不确定性将会变大；当其预测成员差异性较小时，预测的不确定性将变低。

基准的确定以及不确定性分析
由于风力发电的预测具有内在的不确定性，所以任何模型都必须要进行测试。

风力发电的检验是及其复杂的。

为了检验模型准确性，选取了被称为“天真算法”的持续方法作为衡量各模型准确性的标准。