丁乃千　陳正洪　楊宏青　許楊（1 南京信息工程大學(xué)，南京 210044；2 恩施州氣象局，恩施 445000； 湖北省氣象服務(wù)中心，武漢 40074）

?

風(fēng)電功率預(yù)報(bào)技術(shù)研究綜述

丁乃千1,2陳正洪3楊宏青3許楊3
（1 南京信息工程大學(xué)，南京 210044；2 恩施州氣象局，恩施 445000；3 湖北省氣象服務(wù)中心，武漢 430074）

摘要：從20世紀(jì)中后期開(kāi)始，丹麥等多個(gè)西方國(guó)家已經(jīng)展開(kāi)對(duì)風(fēng)電功率預(yù)測(cè)的研究，而我國(guó)在該領(lǐng)域的研究開(kāi)展得比較晚。在很長(zhǎng)一段時(shí)間內(nèi)，各國(guó)風(fēng)電場(chǎng)均采用單一的預(yù)測(cè)方法進(jìn)行風(fēng)電功率預(yù)測(cè)，基本能夠滿足風(fēng)電場(chǎng)及整個(gè)電力系統(tǒng)的需求。但是，隨著風(fēng)電產(chǎn)業(yè)的飛速發(fā)展，市場(chǎng)競(jìng)爭(zhēng)越來(lái)越激烈，傳統(tǒng)單一的預(yù)報(bào)方法逐漸不能滿足需求，而集合預(yù)報(bào)在很大程度上能夠解決這一問(wèn)題。傳統(tǒng)單一的方法所能做到的準(zhǔn)確率已經(jīng)達(dá)到比較高的水平，提升空間不大，集合各單一方法的優(yōu)點(diǎn)能大大提升預(yù)測(cè)準(zhǔn)確率。本文主要綜合闡述各種傳統(tǒng)預(yù)測(cè)方法，并結(jié)合各國(guó)的試驗(yàn)對(duì)比分析對(duì)集合預(yù)報(bào)作簡(jiǎn)要說(shuō)明。

關(guān)鍵詞：風(fēng)電功率，預(yù)測(cè)方法，傳統(tǒng)，集合預(yù)報(bào)

0　引言

隨著人類社會(huì)的發(fā)展，煤炭、石油等主要礦物能源的供應(yīng)日趨緊張，而我們賴以生存的環(huán)境也因?yàn)榈V物能源的大量使用正逐步惡化。為了改善生存環(huán)境，風(fēng)能、太陽(yáng)能等潔凈的可再生能源的利用就顯得尤為重要，其中，風(fēng)資源的開(kāi)發(fā)和利用，在最近幾年得到了飛速發(fā)展。據(jù)全球風(fēng)能理事會(huì)（Global Wind Energy Council，GWEC）統(tǒng)計(jì)[1]，截至2013年全球風(fēng)電累計(jì)裝機(jī)容量已達(dá)318GW，累計(jì)增長(zhǎng)率達(dá)到了12.5%，在過(guò)去五年（2009—2013年）全球風(fēng)電市場(chǎng)規(guī)模擴(kuò)大了約200GW。預(yù)計(jì)2014年及未來(lái)的市場(chǎng)前景將會(huì)更為樂(lè)觀。我國(guó)預(yù)計(jì)在2020年，風(fēng)電總裝機(jī)容量將達(dá)到200GW。由于大規(guī)模風(fēng)電均采用的是并網(wǎng)運(yùn)行模式，所以對(duì)風(fēng)電功率預(yù)測(cè)預(yù)報(bào)的需要顯得尤為重要。

1　風(fēng)電功率預(yù)測(cè)預(yù)報(bào)的意義

風(fēng)電具有隨機(jī)性、間歇性和波動(dòng)性等特點(diǎn)，風(fēng)力發(fā)電給電網(wǎng)調(diào)度帶來(lái)了極大的困難，這些難點(diǎn)嚴(yán)重阻礙了風(fēng)電的發(fā)展。首先，對(duì)風(fēng)電進(jìn)行有效調(diào)度和科學(xué)管理，可以提高電網(wǎng)接納風(fēng)電的能力。電網(wǎng)系統(tǒng)需要風(fēng)電場(chǎng)、風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)在提前一天提供準(zhǔn)確的風(fēng)電功率預(yù)測(cè)曲線，使得電網(wǎng)可以更多的吸納風(fēng)電，提高風(fēng)力發(fā)電在電網(wǎng)中所占份額；同時(shí)，根據(jù)預(yù)報(bào)結(jié)果合理安排發(fā)電計(jì)劃，減少系統(tǒng)的旋轉(zhuǎn)備用容量，提高電網(wǎng)的經(jīng)濟(jì)性。其次，風(fēng)電功率預(yù)報(bào)是風(fēng)電場(chǎng)運(yùn)營(yíng)、提高風(fēng)機(jī)可利用率的重要技術(shù)手段，還可以指導(dǎo)風(fēng)電場(chǎng)計(jì)劃?rùn)z修。根據(jù)風(fēng)電功率預(yù)報(bào)安排在小風(fēng)或無(wú)風(fēng)的情況下進(jìn)行風(fēng)電場(chǎng)定期維護(hù)、檢修及故障排除等工作[2]。因此，做好風(fēng)電功率預(yù)測(cè)預(yù)報(bào)服務(wù)工作，對(duì)全球風(fēng)電產(chǎn)業(yè)的發(fā)展會(huì)起到積極推進(jìn)作用。

2　風(fēng)電功率預(yù)測(cè)預(yù)報(bào)技術(shù)方法

2.1技術(shù)方法的分類

早期國(guó)內(nèi)外研究人員通過(guò)把風(fēng)速的預(yù)測(cè)值帶入風(fēng)速與風(fēng)電機(jī)組電力輸出的關(guān)系式中進(jìn)行計(jì)算可以獲得風(fēng)電功率的預(yù)測(cè)值，或者根據(jù)已有的風(fēng)電功率數(shù)據(jù)建立模型計(jì)算分析而獲得預(yù)測(cè)值[3]。

按照預(yù)測(cè)時(shí)效，可以劃分為：長(zhǎng)期預(yù)測(cè)、中期預(yù)測(cè)、短期預(yù)測(cè)和超短期預(yù)測(cè)[4]。本文主要針對(duì)短期預(yù)測(cè)和超短期預(yù)測(cè)進(jìn)行闡述。

按照采用的預(yù)測(cè)模型可分為：統(tǒng)計(jì)方法、物理方法及組合模型方法。

2.2各種技術(shù)方法的介紹

統(tǒng)計(jì)預(yù)測(cè)方法即不考慮風(fēng)速變化的物理過(guò)程（圖1），采用數(shù)學(xué)統(tǒng)計(jì)方法，在歷史數(shù)據(jù)與風(fēng)電場(chǎng)輸出功率之間建立映射關(guān)系，以此來(lái)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)方法的統(tǒng)稱，包含：1）確定性時(shí)序模型預(yù)測(cè)方法，常用的包括 卡爾曼濾波法、時(shí)間序列法（ARMA）和指數(shù)平滑法等[5]；2）基于智能類模型的預(yù)測(cè)方法，常用的包括人工神經(jīng)網(wǎng)絡(luò)法（如BP神經(jīng)網(wǎng)絡(luò)法）、小波分析法、支持向量機(jī)（SVM）回歸法和模糊邏輯法等[6-7]。

圖1　統(tǒng)計(jì)預(yù)測(cè)方法流程Fig.1　Statistical prediction method process

物理預(yù)測(cè)方法[8]是指根據(jù)氣象部門提供的數(shù)值天氣預(yù)報(bào)（NWP）的氣象預(yù)報(bào)結(jié)果，得到風(fēng)電場(chǎng)的風(fēng)向、風(fēng)速、大氣壓強(qiáng)和空氣密度等天氣數(shù)據(jù)，然后根據(jù)風(fēng)機(jī)周圍的物理信息（包括地形、等高線、地表粗糙度及周圍障礙物等）得到風(fēng)電機(jī)組輪轂高度的風(fēng)速和風(fēng)向信息的最優(yōu)估計(jì)值，最后根據(jù)已建立的風(fēng)速與風(fēng)電功率的統(tǒng)計(jì)模型給出風(fēng)電功率預(yù)測(cè)（圖2）。

組合預(yù)測(cè)方法即把兩種或者多種預(yù)測(cè)方法有機(jī)綜合，提高了預(yù)測(cè)精度。其中，具有代表性的方法包括：利用BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與SVM進(jìn)行風(fēng)電功率預(yù)測(cè)的風(fēng)電場(chǎng)輸出功率組合預(yù)測(cè)模型[9]；將SVM、模糊邏輯、神經(jīng)網(wǎng)絡(luò)結(jié)合使用的預(yù)測(cè)方法[10]；基于相似性樣本的多層前饋神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)方法[11]；或利用小波函數(shù)將原始波形進(jìn)行不同尺度的分解，將分解得到的周期分量用時(shí)間序列進(jìn)行預(yù)測(cè)，其余部分采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，最后將信號(hào)序列重構(gòu)得到完整的風(fēng)速預(yù)測(cè)結(jié)果的預(yù)測(cè)方法[12]；利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速預(yù)測(cè)的方法[13]；在模型訓(xùn)練時(shí)采用遺傳算法的模糊風(fēng)速及風(fēng)電功率預(yù)測(cè)[14]。

圖2　物理預(yù)測(cè)方法流程Fig.2　Physical prediction method process

2.3技術(shù)方法的不足與改進(jìn)

2.3.1統(tǒng)計(jì)方法

1）自回歸滑動(dòng)平均（ARMA）模型。它是時(shí)間序列建模方法中最為成熟的一種，但它僅適用于零均值的平穩(wěn)隨機(jī)序列。風(fēng)速或者風(fēng)電功率的時(shí)間序列具有非平穩(wěn)隨機(jī)序列的特點(diǎn)，因此，建立風(fēng)速或風(fēng)電功率預(yù)測(cè)的ARMA模型時(shí)首先需進(jìn)行數(shù)據(jù)時(shí)間序列增加趨勢(shì)性及周期性的非平穩(wěn)化處理。模型建立之后，可通過(guò)檢驗(yàn)變量的自相關(guān)函數(shù)以及偏相關(guān)函數(shù)確定模型的階次，而模型參數(shù)的確定通常采用最小二乘法[15]，還可以通過(guò)卡爾曼濾波法及滾動(dòng)時(shí)間序列來(lái)改進(jìn)原有預(yù)測(cè)模型[16-17]，也可以引入經(jīng)驗(yàn)?zāi)Ｊ椒纸鈁18]或者局域波分解方法[19]來(lái)對(duì)時(shí)間序列法進(jìn)行改進(jìn),而考慮到風(fēng)速或者是風(fēng)電場(chǎng)輸出功率時(shí)間序列本身具有混沌性及混沌時(shí)間序列的短期可預(yù)測(cè)性，也可以采用混沌方法預(yù)測(cè)風(fēng)電場(chǎng)的短期風(fēng)速或者是風(fēng)電輸出功率[20-21]。

2）人工神經(jīng)網(wǎng)絡(luò)（ANN）法。以BP神經(jīng)網(wǎng)絡(luò)模型為例，在實(shí)際應(yīng)用中，BP算法存在兩個(gè)重要的問(wèn)題：收斂速度慢和目標(biāo)函數(shù)存在局部極小點(diǎn)，因此在對(duì)風(fēng)速預(yù)測(cè)模型中主要加入了動(dòng)量項(xiàng)和采用學(xué)習(xí)率可變的BP算法[22]。

2.3.2物理方法

基于NWP的風(fēng)電功率預(yù)測(cè)方法已較成熟，為了優(yōu)化使用NWP數(shù)據(jù)，可采用結(jié)合模糊邏輯的神經(jīng)網(wǎng)絡(luò)模型，利用SVM進(jìn)行預(yù)測(cè)[23]，但它的數(shù)學(xué)模型復(fù)雜，需運(yùn)行在超級(jí)計(jì)算機(jī)上，應(yīng)用有一定的局限性，短期預(yù)測(cè)的效果有時(shí)還不如持續(xù)型預(yù)測(cè)模型[24]?？衫酶倪M(jìn)的NWP數(shù)據(jù)進(jìn)行短期風(fēng)電功率預(yù)測(cè)，通過(guò)從鄰近風(fēng)機(jī)獲得的測(cè)量數(shù)據(jù)提高本風(fēng)機(jī)預(yù)測(cè)水平，進(jìn)一步提高預(yù)測(cè)質(zhì)量[25]。從NWP本身出發(fā)，它是在一定的初值條件下，通過(guò)數(shù)值計(jì)算來(lái)求解一系列的天氣過(guò)程方程組，從而得出來(lái)的預(yù)報(bào)數(shù)據(jù)，所以可以對(duì)它的內(nèi)部參數(shù)進(jìn)行可行性簡(jiǎn)化和修改，使得最終計(jì)算出來(lái)的數(shù)據(jù)精確度得到進(jìn)一步提高。對(duì)于中尺度NWP模式，往往在運(yùn)用于具體風(fēng)電場(chǎng)時(shí)，則顯得空間分辨率太小，所以就有了中尺度模式嵌套小尺度，這種降尺度的模式通過(guò)一些試驗(yàn)，比如MM5+CFD+MOS的模式[26-28]，能有效提高預(yù)報(bào)準(zhǔn)確率。

2.3.3組合預(yù)測(cè)法

組合預(yù)測(cè)法具有很強(qiáng)的優(yōu)勢(shì)，但前提都是要在獲得一定數(shù)量的歷史數(shù)據(jù)的基礎(chǔ)上完成，當(dāng)遇到某些無(wú)法獲得歷史風(fēng)速序列數(shù)據(jù)或僅已知?dú)v史年份月平均風(fēng)速和風(fēng)速標(biāo)準(zhǔn)差情況時(shí)，就難以進(jìn)行預(yù)測(cè)。此時(shí)利用基于灰色模型的、對(duì)未來(lái)年份中對(duì)應(yīng)月的風(fēng)速分布參數(shù)進(jìn)行預(yù)測(cè)的方法[29]。通過(guò)該模型，可以使用較少的歷史數(shù)據(jù)而獲得較高的精度，預(yù)測(cè)所得到的參數(shù)即可以用來(lái)評(píng)估風(fēng)電場(chǎng)的風(fēng)資源，又可以根據(jù)概率分布的逆運(yùn)算獲得符合預(yù)測(cè)參數(shù)的風(fēng)速序列。

3　國(guó)內(nèi)外風(fēng)電功率預(yù)報(bào)系統(tǒng)

3.1國(guó)外風(fēng)電功率預(yù)報(bào)系統(tǒng)

由于國(guó)外風(fēng)電功率預(yù)測(cè)工作起步較早，因而預(yù)測(cè)方法和手段已經(jīng)成熟，運(yùn)行的模式也在不斷的實(shí)際應(yīng)用中得到了很好改進(jìn)。其中，以丹麥、英國(guó)、德國(guó)和美國(guó)等歐美國(guó)家為首的技術(shù)最為發(fā)達(dá)。比較有代表性的預(yù)測(cè)系統(tǒng)包括[2]：

丹麥Ris?國(guó)家實(shí)驗(yàn)室開(kāi)發(fā)的Prediktor預(yù)測(cè)系統(tǒng)，其是全球第一個(gè)風(fēng)電功率預(yù)測(cè)軟件，該模型的NWP系統(tǒng)采用的是高分辨率有限區(qū)域模型，根據(jù)地心自轉(zhuǎn)定律和風(fēng)速的對(duì)數(shù)分布圖，將高空的NWP風(fēng)速轉(zhuǎn)化為某一地點(diǎn)的地面風(fēng)速，再利用WAsP程序進(jìn)一步整體考慮風(fēng)電場(chǎng)附近障礙物、粗糙度變化等因素得到更高分辨率的風(fēng)速預(yù)測(cè)，最后經(jīng)過(guò)發(fā)電量計(jì)算模塊PARK考慮風(fēng)機(jī)尾流的影響，預(yù)測(cè)的時(shí)間尺度為36h。

德國(guó)與丹麥共同開(kāi)發(fā)的Previento預(yù)測(cè)系統(tǒng)是一個(gè)以德國(guó)6個(gè)地點(diǎn)的時(shí)間尺度為24h數(shù)值預(yù)報(bào)結(jié)果進(jìn)行空間細(xì)化，同時(shí)考慮了當(dāng)?shù)氐拇植诙群偷匦?，并利用制造商提供的風(fēng)機(jī)發(fā)電功率曲線將預(yù)測(cè)的風(fēng)速映射為輸出功率。

西班牙的LocalPred預(yù)測(cè)系統(tǒng)利用高分辨率的中尺度模式MM5結(jié)合流體力學(xué)軟件來(lái)計(jì)算風(fēng)速等氣象場(chǎng)，再通過(guò)統(tǒng)計(jì)模塊對(duì)預(yù)測(cè)的風(fēng)速進(jìn)行修正，最后通過(guò)處理歷史數(shù)據(jù)與同期風(fēng)速等氣象場(chǎng)建立的功率輸出模型進(jìn)行功率預(yù)測(cè)。

還有一些比較先進(jìn)的預(yù)測(cè)系統(tǒng)[2]如：德國(guó)ISET開(kāi)發(fā)的WPMS預(yù)測(cè)系統(tǒng)，丹麥技術(shù)大學(xué)開(kāi)發(fā)的WPPT及Zephyr預(yù)測(cè)系統(tǒng)，英國(guó)GarradHassan公司開(kāi)發(fā)的GH Forecaster功率預(yù)測(cè)系統(tǒng)，法國(guó)的AWPPS風(fēng)功率預(yù)測(cè)系統(tǒng)以及美國(guó)的AWS Turewind公司的eWind預(yù)報(bào)系統(tǒng)。

3.2國(guó)內(nèi)情況風(fēng)電功率預(yù)報(bào)系統(tǒng)

相對(duì)國(guó)外而言，國(guó)內(nèi)研究起步較晚，但是已有不少系統(tǒng)投入國(guó)內(nèi)各風(fēng)電場(chǎng)的運(yùn)行中[2]。

中國(guó)電力科學(xué)研究院研發(fā)的預(yù)報(bào)系統(tǒng)（WPFS）、中國(guó)氣象局公共服務(wù)中心的風(fēng)電功率預(yù)報(bào)系統(tǒng)（WINPOP）以及湖北省氣象服務(wù)中心牽頭開(kāi)發(fā)的風(fēng)電量預(yù)報(bào)系統(tǒng)和可移植的風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)（WPPS）等多種預(yù)報(bào)系統(tǒng)。

WPFS預(yù)報(bào)系統(tǒng)是使用Java語(yǔ)言進(jìn)行開(kāi)發(fā)的，采用了瀏覽器/服務(wù)器（B/S）結(jié)構(gòu)，數(shù)據(jù)庫(kù)使用ORACLE9i，可以對(duì)單獨(dú)風(fēng)電場(chǎng)或特定區(qū)域的集群預(yù)測(cè)。能夠預(yù)測(cè)風(fēng)電場(chǎng)次日0～24h 96個(gè)點(diǎn)的出力曲線，系統(tǒng)能夠設(shè)置每日預(yù)測(cè)的時(shí)間及次數(shù)，考慮到出力受阻和風(fēng)機(jī)故障對(duì)風(fēng)電場(chǎng)發(fā)電能力的影響，可進(jìn)行限電和風(fēng)機(jī)故障等特殊情況下的功率預(yù)測(cè)。目前，該系統(tǒng)已經(jīng)在吉林電網(wǎng)及江蘇的各個(gè)風(fēng)電場(chǎng)正常運(yùn)行。

WINPOP系統(tǒng)使用了MySQL數(shù)據(jù)庫(kù)，采用了C/S（Client/Server）結(jié)構(gòu)，基于全球天氣分析服務(wù)系統(tǒng)（GWASS）平臺(tái)開(kāi)發(fā)，可對(duì)各類異類結(jié)構(gòu)數(shù)據(jù)的綜合分析處理，可以實(shí)現(xiàn)地圖漫游監(jiān)控，具備地圖放大、縮小、漫游、坐標(biāo)顯示、比例尺顯示及對(duì)風(fēng)電場(chǎng)的實(shí)景監(jiān)控。本系統(tǒng)所運(yùn)用的模式算法有：SVM、人工神經(jīng)網(wǎng)絡(luò)、自適應(yīng)最小二乘法。該系統(tǒng)已在河北、甘肅、寧夏和內(nèi)蒙古等地風(fēng)電場(chǎng)正常運(yùn)行。

WPPS系統(tǒng)使用C#作為開(kāi)發(fā)語(yǔ)言，數(shù)據(jù)庫(kù)使用Microsoft Server2008 R2，算法包括：原理法、動(dòng)力統(tǒng)計(jì)法和持續(xù)法。其優(yōu)勢(shì)在于，可以根據(jù)風(fēng)電場(chǎng)的實(shí)際運(yùn)行情況而對(duì)算法進(jìn)行最優(yōu)化的選擇，靈活有效地解決了預(yù)報(bào)準(zhǔn)確率低的情況，適用于各類地形的風(fēng)電場(chǎng)場(chǎng)址的選擇。該系統(tǒng)已在湖北和甘肅等多家風(fēng)電場(chǎng)正常運(yùn)行。

4　預(yù)報(bào)效果檢驗(yàn)

國(guó)外，Lange等[30]對(duì)多種方法進(jìn)行了檢驗(yàn)，其中ANN的均方根誤差（RMSE）在11.6%左右，SVM 的RMSE在10.3%左右，ME和NNS處于它們之間，而這幾種方法的集合比單一方法的RMSE都要小在10.1%左右。NWP，NWP1，NWP2和NWP3的RMSE分別在5.8%、5.9%和6.1%左右，而集合后的RMSE則為4.7%。Sloughter等[31]利用BMA（Bayesian model averaging）的各種改進(jìn)方法對(duì)數(shù)值天氣集合預(yù)報(bào)方法的結(jié)果進(jìn)行集合訂正，發(fā)現(xiàn)每種改進(jìn)方法的平均絕對(duì)誤差都在3.3左右，而覆蓋率則在77%以上，效果明顯優(yōu)于單一的數(shù)值天氣集合預(yù)報(bào)。Giebel等[32]對(duì)DMI-HIRLAM等各個(gè)NWP模式進(jìn)行了介紹，并在對(duì)丹麥的6個(gè)風(fēng)電場(chǎng)進(jìn)行預(yù)報(bào)檢驗(yàn)對(duì)比時(shí)，發(fā)現(xiàn)所有風(fēng)電場(chǎng)DMI、DWD和MOS集合后的風(fēng)功率預(yù)報(bào)誤差是最小的，而單一的預(yù)報(bào)方法誤差都要大于集合預(yù)報(bào)的誤差。

在國(guó)內(nèi)，劉永前等[33]運(yùn)用徑向基網(wǎng)絡(luò)法和持續(xù)法為代表的單一模型及兩者的組合模型進(jìn)行預(yù)報(bào)所得到的結(jié)論為例，分別對(duì)其預(yù)報(bào)效果進(jìn)行分析說(shuō)明：持續(xù)法在3～6h以內(nèi)的預(yù)報(bào)結(jié)果與實(shí)際觀測(cè)值的變化趨勢(shì)基本相符，風(fēng)速的RMSE為2.2m/s，風(fēng)機(jī)出力的預(yù)報(bào)誤差為12.9%；而徑向基神經(jīng)網(wǎng)絡(luò)法在短時(shí)的預(yù)報(bào)結(jié)果與實(shí)際觀測(cè)值的變化趨勢(shì)也基本相符，但誤差比持續(xù)法的要稍微大一點(diǎn)，風(fēng)速的預(yù)報(bào)RMSE為2.5m/s，風(fēng)機(jī)出力的預(yù)報(bào)誤差為15.9%，跟蹤風(fēng)速的變化比持續(xù)法要及時(shí)；兩者組合后的預(yù)報(bào)結(jié)果，風(fēng)速預(yù)報(bào)準(zhǔn)確率要比神經(jīng)網(wǎng)絡(luò)法高0.3m/s，比持續(xù)法高0.1m/s，風(fēng)電機(jī)組出力的預(yù)報(bào)準(zhǔn)確率要比神經(jīng)網(wǎng)絡(luò)法高3%，比持續(xù)法高0.9%。許楊等[34]對(duì)多種短期預(yù)報(bào)方法進(jìn)行對(duì)比發(fā)現(xiàn)：物理法1、2、3和動(dòng)力統(tǒng)計(jì)法在不同月份的準(zhǔn)確率不盡相同，但總體而言動(dòng)力統(tǒng)計(jì)法更適用于該風(fēng)電場(chǎng)的實(shí)際運(yùn)行。

根據(jù)效果檢驗(yàn)，可以看出，雖然系統(tǒng)運(yùn)用的方法不一樣，應(yīng)用的風(fēng)電場(chǎng)也有所區(qū)別，但總的預(yù)報(bào)效果還是基本能夠達(dá)到預(yù)期，滿足了風(fēng)電場(chǎng)和相關(guān)行業(yè)的需求。同時(shí)，我們?cè)陬A(yù)報(bào)方法的改進(jìn)與準(zhǔn)確率的提高上都存在很大的發(fā)展空間。

5　結(jié)論

風(fēng)電功率預(yù)報(bào)技術(shù)發(fā)展到今天已有30多年的歷史，目前已形成了一個(gè)較為成熟的體系，各種預(yù)報(bào)方法相繼被提出且在業(yè)務(wù)運(yùn)行中取得了好的效果。

就各個(gè)方法而言，它們都存在優(yōu)點(diǎn)和缺點(diǎn)，在實(shí)際工作中都具有一定的局限性，且難以突破；而當(dāng)對(duì)數(shù)值模式集合或?qū)Χ喾N預(yù)報(bào)結(jié)果進(jìn)行組合后，準(zhǔn)確率得到了明顯的提高，很好地彌補(bǔ)了單一法在適用性上的缺陷。這也為未來(lái)的風(fēng)電功率預(yù)報(bào)技術(shù)的發(fā)展指明了新的方向。

參考文獻(xiàn)

[1]于華鵬.全球風(fēng)能理事會(huì)：2013年全球風(fēng)電累計(jì)裝機(jī)達(dá)318GW[DB/OL].http://news.hexun.com/2014-02-11/162031694.html,2014-02-11 .

[2]陳正洪,許楊,許沛華,等.風(fēng)電功率預(yù)測(cè)預(yù)報(bào)技術(shù)原理及其業(yè)務(wù)系統(tǒng).北京:氣象出版社,2013.

[3]洪翠,林維明,溫步瀛.風(fēng)電場(chǎng)風(fēng)速及風(fēng)電功率預(yù)測(cè)方法研究綜述.電網(wǎng)與清潔能源,2011,27(1):61-62.

[4]韓爽.風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究.北京:華北電力大學(xué)能量與動(dòng)力工程學(xué)院,2008.

[5]Billlinton R,Chen Hua,Ghajar R.A sequential simulation technique for adequacy evaluation of generating systems including wind enery.IEEE Transactions on Energy Conversion,1996,11(4):728-734.

[6]Cao L,Li R.Short-term wind speed forecasting model for wind farm based on wavelet decomposition.IEEE Transactions on DRPT,2008.

[7]Bernhard L,Kurt R,Bernhard E,et al.Wind Power Prediction in Germany-Recent Advances and Future Challenges.European Wind Energy Conference,Athens,2006.

[8]王健,嚴(yán)干貴,宋薇,等.風(fēng)電功率預(yù)測(cè)技術(shù)綜述.東北電力大學(xué)學(xué)報(bào),2011,31(3):21-22。

[9]劉純,范高峰,王偉勝,等.風(fēng)電場(chǎng)輸出功率的組合預(yù)測(cè)模型.電網(wǎng)技術(shù),2009,33(13):74-79.

[10]Sideratos G,Hatziargyriou N D.An advanced statistical method for wind power forecasting.IEEE Transactions on Power Systems,22(1):258-265.

[11]張國(guó)強(qiáng),張伯明.基于組合預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速及風(fēng)電機(jī)功率預(yù)測(cè).電力系統(tǒng)自動(dòng)化,2009,33(18):92-95.

[12]楊琦,張建華,王向峰,等.基于小波-神經(jīng)網(wǎng)絡(luò)的風(fēng)速及風(fēng)力發(fā)電量預(yù)測(cè).電網(wǎng)技術(shù),2009,33(17):44-48.

[13]吳興華,周暉,黃梅.基于模式識(shí)別的風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè).繼電器,2008,36(1):27-32.

[14]Damousis I G,Theocharis J B,Alexiadis M C,et al.A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation.IEEE Transactions on Energy Conversion,2004,19(2):352-361.

[15]胡百林,李曉明,李小平,等.基于ARMA模型的水電站概率性發(fā)電量預(yù)測(cè).電力系統(tǒng)自動(dòng)化,2003,15(3):62-65.

[16]潘迪夫,劉輝,李燕飛.風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法.中國(guó)電機(jī)工程學(xué)報(bào),2008,28(26):87-91.

[17]潘迪夫,劉輝,李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型.電網(wǎng)技術(shù),2008,32(7):82-86.

[18]栗然,王粵,肖進(jìn)永.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾娘L(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)模型.中國(guó)電力,2009,42(9):77-81.

[19]管勝利.基于局域波分解及時(shí)間序列的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究.華北電力技術(shù),2009(1):10-13.

[20]羅海洋,劉天琪,李興源.風(fēng)電場(chǎng)短期風(fēng)速的混沌預(yù)測(cè)方法.電網(wǎng)技術(shù),2009,33(9):67-71.

[21]羅海洋,劉天琪,李興源.風(fēng)電場(chǎng)短期風(fēng)速的改進(jìn)Volterra自適應(yīng)預(yù)測(cè)方法.四川電力技術(shù),2009,32(3):16-19.

[22]陳玲.風(fēng)電場(chǎng)風(fēng)速和風(fēng)功率預(yù)測(cè)方法研究.武漢:武漢大學(xué),2012.

[23]Sideratos G,Hatziargyriou N D.An advanced statistical method for wind power forecasting.IEEE Transactions on Power Systems,2007,22(1):258-265.

[24]Negnevitsky M,Potter C W.Innovative Short-Term Wind Generation Prediction Techniques.Power Engineering Society General Meeting,2006.

[25]Khalid M,Savkin A V.Adaptive Filtering Based Short-Term Wind Power Prediction with Multiple Observation Points//ICCA 2009.IEEE,2009:1547-1552.

[26]Adrian G,Fiedler F.Simulation of unstationary wind and temperature fields over complex terrain and comparison with observations.Beitr Phys Atmosph,1991,64:27-48.

[27]Giebel G,Badger J,Marti P I,et al.Short-Term Forecasting Using Advanced Physical Modeling-the Results of the ANEMOS Project.European Wind Energy Conference,2006:1-29.

[28]Frey-Buness F,Heimann D,Sausen R.A statistical-dynamical downscaling procedure for global climate simulations.Theor Appl Climatology,1995,50:117-131.

[29]丁明,吳偉,吳紅斌,等.風(fēng)速概率分布參數(shù)預(yù)測(cè)及應(yīng)用.電網(wǎng)技術(shù),2008,32(14):10-14.

[30]Lange B,Rohrig K,Ernst B,et al.Wind power prediction in Germany – Recent advances and future challenges.European Wind Energy Conference and Exhibition,Athens(GR),2006.

[31]Sloughter J M,Gneiting T,Rafterya A E,et al.Probabilistic wind speed forecasting using ensembles and Bayesian model averaging.Amer Stat Assoc,2010,105:25-35.

[32]Giebel G,Badger J,Landberg L,et.al.Wind power prediction using ensembles.Technical Report,Ris? National Laboratory,Ris?-R-1527(EN),Roskilde,Denmark,2005.

[33]劉永前,韓爽,楊勇平,等.提前三小時(shí)風(fēng)電機(jī)組出力組合預(yù)報(bào)研究.太陽(yáng)能學(xué)報(bào),2007,28(8):840-842.

[34]許楊,陳正洪,楊宏青,等.風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)報(bào)方法比較.應(yīng)用氣象學(xué)報(bào),2013,24(5):627-629.

Review of the Research for Wind Power Prediction

Ding Naiqian1,2,Chen Zhenghong3,Yang Hongqing3,Xu Yang3
(1 Nanjing University of Information Science and Technology,Nanjing 2100442 Enshi Meteorological Bureau of Hubei,Enshi 4450003 Hubei Meteorological Service Centre,Wuhan 430074)

Abstract:Since the mid of 20th century,Denmark and other Western countries have started the research of wind power forecast,from a single method to ensemble methods,while it started relatively late in our country.Over a very long period of time,the wind farms around the world have been using a single method to forecast wind power and have basically met the wind farm and the whole power system requirements.But,with the rapid development of wind power industry,the increasingly fierce market competition,the traditional single method wouldn’t meet the needs of the future of wind power,while the ensemble forecast can solve this problem to a large extent.The accuracy rate of the traditional single method has reached a relatively high level and it is hard to getting higher level.Assembling the advantages of each method,the new way can greatly enhance the accuracy rate of prediction.This paper mainly focuses on the various traditional forecasting methods,which are expounded comprehensively.Combined with the analysis of experimental comparison of countries,the ensemble prediction is briefly explained.

Keywords:wind power,prediction methods,tradition,ensemble forecast

收稿日期：2014年3月11日；修回日期：2014年9月2日

DOI：10.3969/j.issn.2095-1973.2016.01.007

第一作者：丁乃千（1987—），Email:1179716703@qq.com