由能见与新能源门共同举办的第一期“新能源功率预测技术沙龙”已于9月22日圆满落下帷幕。在本次的技术沙龙活动中，不仅有东润环能、国能日新、清软创新等主流功率预测厂商的齐聚，还有来自投资界，研究界的多位专业人士出席，共同就新能源功率预测技术展开热烈的讨论与分享。来自北京东润环能科技股份有限公司的美女算法技术经理朱格利为大家分享了“风速多步预测模型”的相关知识和经验。具体内容包括：风速多步预测模型的算法介绍、风速多步预测模型的建立、风速多步预测模型的适用性分析以及风速多步预测模型的预测结果分析等。下面就让我们跟随美女技术经理的脚步，一起走进“风速多步预测模型”。
一、风速多步预测模型算法简介
风速多步预测模型(CS-FS-WRF-E model)是基于WRF模拟结果集合(WRF Ensemble，简称WRF-E )、一种新型模糊系统(Fuzzy System，简称FS)以及布谷鸟搜索算法(Cuckoo Search algorithm，简称CS)构成的组合预测模型。
WRF集合(WRF-E)是一种完全可压非静力模式，采用Arakawa C网格，集数值天气预报、大气模拟及数据同化于一体，能够更好的改善对中尺度天气的模拟和预报。
模糊系统(Fuzzy System，FS)是基于多元线性回归的概念提出的，用以计算每个子集的模糊隶属度，选取隶属度大的子集成员构成最终的风速预测结果。在预测阶段没有观察数据时，此种方法可以用来评估集合方法中每个子集的有效性。用来评估每组WRF模拟值的有效性。
布谷鸟搜索算法(Cuckoo Search algorithm，CS)是一种人工智能算法，灵感来自于布谷鸟种群特殊的生活方式，该算法具有以下特点：第一，具有很快的收敛速度，终止迭代次数明显少于遗传算法和粒子群算法，计算效率是遗传算法和粒子群算法的四倍以上;第二，计算过程中能够及时释放计算机内存，内存占有量少。因此布谷鸟算法优于遗传算法和粒子群算法。通过布谷鸟搜索算法训练得出FS输出的不同风速序列的最佳权重，从而得到最终的预测风速结果。
二、风速多步预测模型的建立
风速多步预测模型(CS-FS-WRF-E)算法的输入值为WRF模拟值以及测风塔的历史风速数据，输出值为预测风速数据。具体实现分为三步：第一步，WRF模式的M组风速序列通过FS系统筛选组合得到m组新的风速序列(m<M)，理想状态是新的风速序列是原风速序列中预测最优序列;第二步，测风塔的历史风速数据和第一步得到的m组新的气象数据通过CS算法训练得到最优权重W;第三步，利用FS系统将WRF的M组预测风速序列初步处理得到m组新的风速序列，结合第二部得到的最优权重W，加权得到最终的风速预测序列。其中第一、二步针对的是历史数据，第三步是对预测气象的处理。
三、预测模型的适用性分析
风速多步预测模型(CS-FS-WRF-E)算法可广泛应用于不同地区的众多风电场。风速多步预测模型(CS-FS-WRF-E)算法在提出之时，所用的数据为山东省某风电场站点数据，为了进一步验证模型的适用性，东润环能选取了下垫面和气候条件均与之不同的宁夏地区某风电场进行验证，结果显示，风速多步预测模型仍具有很好的预报能力。
山东省某风电场站点数据
宁夏地区某风电场站点数据
四、风速多步预测模型预测结果分析
以4类气象源NWP(包括NWP1、NWP2、NWP3和NWP4)替代WRF模式结果，则CS-FS-WRF-E预测变为 CS-FS-NWP-E。
经过实际测试，结果表明4种气象源选择2种或者3种的多步预测算法效果最好;综合来看，气象源质量差异不是很大的情况下，气象源越多，风速多步预测方法结果越好。这种通过多次筛选组合的算法，保证了预测结果的稳定性，同时能很好的解决单一气象源的预测不稳定性带来的困难。
算法预测新能源未来，优秀敏捷算法在大数据应用时代必定将焕发其数据价值!
