一、风电功率预测
风速、风向、气温、气压等的 SCADA实时数据，等高线、障碍物、粗糙度等数据，数值天气预报数据，把上面的某些数据通过一定的方法转换到风电机组轮毂高度的风速、 风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。
二、预测的意义
风电功率预测的意义如下： ①用于经济调度， 根据风电场预测的出力曲线优化常规机组的出力， 达到降低运行成本的目的。 ②根据风电出力变化规律增强系统的安全性、 可靠性和可控性。 ③在风电参与电力市场的系统中，优化电力市场中电力的价值。在电力市场中，风电场对风电功率进行预测， 参与电力市场竞价； 电网公司对风电功率进行预测，保证系统安全经济运行。
①优化电网调度 , 减少旋转备用容量 , 节约燃料 , 保证电网经济运行对风电场出力进行短期预报 , 将使电力调度部门能够提前为风电出力变化及时调整调度计划 ; 从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、 提高系统中风电装机比例的一种有效途径。
②满足电力市场交易需要 , 为风力发电竞价上网提供有利条件从发电企业 (风电场 ) 的角度来考虑 ,将来风电一旦参与市场竞争 , 与其他可控的发电方式相比 ,风电的间歇性将大大削弱风电的竞争力 , 而且还会由于供电的不可靠性受到经济惩罚。 提前一两天对风电场出力进行预报 , 将在很大程度上提高风力发电的市场竞争力。
③便于安排机组维护和检修 ,提高风电场容量系数风电场可以根据预报结果 , 选择无风或低风时间段 , 即风电场出力小的时间 , 对设备进行维修 , 从而提高发电量和风电场容量系数。
三、预测方法的分类
风功率预测方法可以分为 2 类：一种方法是根据数值天气预报的数据，用物理方法计算风电场的输出功率； 另一种方法是根据数值天气预报与风电场功率输出的关系、 在线实测的数据进行预测的统计方法。考虑了地形、粗糙度等信息，采用物理方程进行预测的方法则称之为物理方法， 根据历史数据进行统计分析， 找出其内在规律并用于预测的方法称之为统计方法 (如神经网络方法、模糊逻辑方法等 ) 。
如果物理方法和统计方法都采用则称之为综合方法。
风电功率预测方法根据预测的物理量来分类， 可以分为 2类：第1类为对风速的预测， 然后根据风电机组或风电场的功率曲线得到风电场功率输出；第 2类为直接预测风电场的输出功率。
根据所采用的数学模型不同可分为持续预测法、 自回归滑动平均(auto regressive moving average,ARMA) 模型法、卡尔曼滤波法和智能方法等。 持续预测方法是最简单的预测模型， 这种方法认为风速预测值等于最近几个风速值的滑动平均值，通常认为最近 1点的风速值为下 1点的风速预测值，该模型的预测误差较大，且预测结果不稳定。改进的方法有 ARMA 模型和向量自回归模型、 卡尔曼滤波算法或时间序列法和卡尔曼滤波算法相结合。另外还有一些智能方法， 如人工神经网络方法等。
根据预测系统输入数据来分类也可以分为 2类：1类不采用数值天气预报的数据， 1类采用数值天气预报的数据。
根据预测的时间尺度来分类， 可分为超短期预测和短期预测。 所谓的超短期并没有一致的标准，一般可认为不超过 30 min的预测为超短期预测。而对于时间更短的数分钟内的预测， 主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等。 这种分钟级的预测一般不采用数值天气预报数据。短期预测一般可认为是 30 min~72 h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在较大的困难。因为风速、风向等天气情况是由大气运动决定的， 不考虑数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果， 所以现在研究的风电场输出功率预测都把数值天气预报数据作为 1组重要输入数据。
四、预测方法的优缺点及适应范围
1. 风速的预测方法在进行中期以上的功率预测时， 基于风速的预测方法就是前面介绍的“物理方法”。
在进行短期预测时， 基于风速的预测方法主要分两步来完成： 首先利用风速模型预测出风力发电机风轮轮毂高度的风速、 风向，并且计算出风速与风轮扫过平面正交的风速分量； 然后利用风力发电机的功率曲线计算出发电机的实际输出功率。 这里的风速模型采用统计方法或者学习方法来建立， 输入量通常是历史风速序列和实时采集的风速。
持续预测法是此领域的最简单的方法， 认为风速预测值等于最近几个风速历史值的滑动平均值。 通常，只是简单地把最近一点的风速观测值作为下一点的风速预测值。 该模型的预测误差较大， 且预测结果不稳定。
卡尔曼滤波法把风速作为状态变量建立状态空间模型， 用卡尔曼滤波算法实现风速预测。 这种算法在假定噪声的统计特性已知的情况下得出，事实上估计噪声的统计特性是该方法应用的难点所在。 此算法适用于在线风速预测。
随机时间序列法随机时间序列法利用大量的历史数据来建模， 经过模型识别、 参数估计、 模型检验来确定一个能够描述所研究时间序列的数学模型， 进而推导出预测模型达到预报的目的。目前，该方法只需知道风电场的单一风速或功率时间序列即可建立模型预测， 并且可以达到较好的预测效果。 该方法使用最多的是累积式自回归一滑动平均模型。
时间序列和卡尔曼滤波混合算法， 时间序列分析建模最大的优点在于不必深究信号序列的产生背景， 序列本身所具有的时序性和自相关性已经为建模提供了足够的信息， 只需要有限的样本序列， 就可以建立起相当高精度的预测模型， 但其存在低阶模型预测精度低、 高阶模型参数估计难度大的不足。 而卡尔曼滤波预测法存在动态修改预测权值的优点， 依靠预测递推方程可以获得较高的精度， 但同样存在建立卡尔曼状态方程和测量方程较困难的不足。 首先利用时间序列分析建立一个能反映序列信号变化规律的低阶模型， 从该低阶模型的预测方程入手， 直接推导出卡尔曼滤波的状态和测量方程，利用卡尔曼预测迭代方程可以实现信号的预测， 这恰好避免了建立高阶时间序列模型和推导卡尔曼状态和测量方程困难的问题。
人工神经网络法人工神经网络 (ANN)旨在模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成， 是一门涉及生物、电子、 计算机等多个领域的科学。人工神经网络具有并行处理、分布式存储与容错性等特征， 具有自学习、自组织和自适应能力，可以实现联想记忆、非线性映射、分类与识别、优化计算、知识处理等功能，对复杂问题的求解十分有效，可用于短期风速预测。时序神经网络预测方法： 原始数据是风速时间序列和风电机组输出功率的时间序列。 用时间序列法和神经网络法进行建模， 主要内容为: 用时间序列法建模， 得到对预测值影响最大的几个量 ; 将时间序列法的研究结果运用到神经网络法，定量确定神经网络法的输入变量 ;为了提高预测精度和保持预测精度的稳定性， 提出了滚动式权值调整手段，解决了神经网络权值随时间推移而逐渐变得不适用的问题。 时序神经网络法有效地提高了风速预测精度。
模糊逻辑法应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则库，然后选用一个线性模型逼近非线性动态变化的风速。但是，单纯的模糊方法对于风速预测，效果往往不佳，这主要是因为模糊预测学习能力较弱，模糊系统的辨识还未形成完善的理论，在预测系统中选择模糊系统的结构尚需作进一步的研究。 通常模糊预测法要与其他方法配合使用， 例如将模糊与遗传算法相结合进行短期风速预测。
空间相关性法该方法需要考虑风电场以及与之相近几个地点的多组风速数据，运用几个地点风速之间的空间相关性， 进行风速预测。为了获得所需的几组风速数据， 需要在风电场周边地区设置几个远程测速站。风电场本地以及各个远程测速站测得的实时风速数据经中心计算机处理， 利用风电场与各个测速站处风速之间的空间相关性， 对风电场的风速进行预测。实际上，若能收集到风电场以及与之相近的几个地点的多组风速数据， 则可利用该方法进行风速预测。 该方法对原始数据收集量很大， 但由于预测过程中考虑的因素增多， 所以预测效果较好。目前，该方法的使用尚在完善中。
2．风电场功率的预测方法
基于功率的预测方法就是不考虑风速的变化过程，利用统计方法或学习方法，根据历史功率序列建立模型并利用实时数据对发电量进行短期预测，或者根据历史数据找出天气和输出功率间的关系并利用实时数据和 NWP 信息对发电量进行中期预测。在短期预测时，这种方法的输入信号仅仅需要大型风电场中的每个风力发电机的电压和电流数据。把每个风力发电机都看作一个“数据采集装置”这样整个风电场发电功率预测模型所输入的时间序列数据包含的信息更全面、更准确。这种预测方法既可以降低数据采集的成本， 又可以提高数据采集的质量， 增加预测准确度。 而且在现代化的大型风电场中都会建立风力发电机的远程监控系统， 在这个系统中会对所有风力发电机的所有信号进行采集和记录， 因此，可以直接将其中风力发电机输出功率的实时数据用来进行风电场的发电功率预测， 不需要增加额外的成本。
物理模型主要考虑的是一些物理量， 比如数值天气预报得到的天气数据 (风速、风向、气压等 )，风电场周围的信息 (等高线、粗糙度、障碍物等 )以及风电机组的技术参数 ( 轮毅高、穿透系数等 )。其目的是找到风电机组轮毅高度出的风速最优估计值， 然后用模型输出统计模块(MOS)减小存在的误差，最后根据风电场的功率曲线计算得到风电场的输出功率。 由于天气预报每天只更新几次， 因此这种模型通常适用于相对较长期的预测，比如提前 6小时。在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线， 同时还应考虑风电机组故障和检修的情况。 对整个区域进行风电功率预测时， 可采用如下方法： 一种方法是对所有的风电场输出功率进行预测， 然后求和得到风电功率； 另一种方法是只对几个风电场进行预测， 然后用一种扩展算法得到整个区域的风电场输出功率。
统计学模型可以不考虑风速变化的物理过程， 而根据历史统计数据找出天气状况与风电场出力的关系， 然后根据实测数据和数值天气预报数据对风电场数据功率进行预测。不引人数值天气预报 (NWP) 的统计学模型对于提前 3-4小时的风电功率预测结果是可以满足精度要求的，但对于提前更长时间的预测结果，精度是不够的。目前的统计学模型预测方法主要有卡尔曼滤波法、 随机时间序列法、模糊逻辑法、人工神经网络方法 (artificial neural networks，ANN) 、混合专家经验法(mixture of experts ME)、最近邻搜索 (nearest neighbour search ，NNS)、蚁群优化 (particle swarm optimization，PSO)和支持向量机 (supportvector machines，SVM)等。
五、新的预测方法
1．基于小波变换的风速时间序列分析
小波变换原理及规律， 并针对小波变换的 Mallat 算法及其应用进行.深入的研究，说明小波变换是非平稳时间序列信号时频分析的有效工具。由小波分析理论可知， 原始信号通过小波变换分解到不同的频率通道上， 分解后信号在频率成分上比原始信号单一。 因此对非平稳时间序列进行小波分解后， 就可以利用最小二乘支持向量机等预测方法进行预测。
2．基于最小二乘支持向量机的风速时间序列分析和预测
本章基于机器学习和统计学习理论的支持向量机原理， 详细探讨了支持向量 .机的改进算法一最小二乘支持向量机。最小二乘支持向量机通过解一组线性方程组取代标准支持向量中二次规划优化， 提高了收敛速度，比标准支持向量机具用更小的计算复杂性。 通过具体的仿真实例可以看出，用最小二乘支持向量机来解决非平稳风速时间序列模式识别问题和预测问题， 其辨识和预测效果很好， 这说明 LS 一 SVM方法在样本较少时，不仅收敛速度快，而且预测较准确。
3．基于小波分解和最小二乘支持向量机的短期风速预测
基于统计学习理论的最小二乘支持向量机和具有 “数字显微镜” 之美誉.的小波变换应用到非平稳风速时间序列预测的研究中，根据趋向性非平稳风速时间序列固有的确定性、 非线性和波动性， 采用小波变换分离出非平稳风速时间序列中的非线性低频趋势成分和高频波动成分，然后利用能把输入向量映射到一个高维特征空间中实现数据线性可分来提取信息的最小二乘支持向量机， 实现对均值具有非平稳特性的风速时间序列的精确预测。
4．风电场输出功率年度预测中有效风速预测研究
利用历史年份的小时平均风速数据对下一年年度风速进行预测。对历史年份的小时平均风速数据以季度为单位进行小波分解， 采用递推最小二乘法建立各分量的二元线性回归预测模型， 将各分量预测模型等权求和集成为次年度对应季度的预测模型。 对实测数据的仿真计算表明，提前一年的风速季度预测的平均绝对百分误差 (mean absolutepercentage，MAPE)为 12.25%，提高了此类预测的精度。考虑具体风力发电机组的功率特性、 机组效率和设备运行情况， 可得次年度风电场输出功率值。
5．基于 SVM 的风速风功率预测模型
对常用风速预测方法进行简述， 运用支持向量机回归算法， 在风速预测中，对时间序列数据预测模型的建立进行了研究， 并在 Matlab环境下对 3 种核函数进行了仿真试验。 试验结果表明， 支持向量机预测模型的结果相当可观， 性能明显优于以前其它预测模型。 同时克服了神经网络等方法在预测中存在的过学习、维数灾难和局部极值问题，为风速、风功率预测提供了一个新的突破口。
6．基于非参数回归模型的短期风电功率预测
将非参数回归技术用于短期风电功率预测 ,建立了短期风电功率点预测模型和概率区间预测模型 ,并采用内蒙古某风电场的 NWP 数据和风电功率实测数据验证了所建立的非参数回归模型在短期风电功率预测中的可行性和有效性。分析结果表明 ,除风电功率点预测外 ,采用非参数回归模型和经验分布函数得到的风电功率预测区间可以描述风电功率预测的不确定性 ,进一步辅助电网运行决策。此外 ,NWP精度是影响短期风电功率预测精度的主要因素。采用统计方法对NWP 数据进行校正对于改善风电功率预测精度的作用十分有限。提高针对风电场的 NWP 精度对于提高短期风电功率预测精度有重要意义。
7．基于模式识别的风电场风速和发电功率预测
1）在风速预测中，时间序列预测方法对数据要求不高 ,只需知道风电场的单一风速时间序列即可， 简单可行；考虑到风速数据的高度非线性，采用智能方法（ ANFIS）；模式识别时应用的风速局部信息，可由气象部门提供的免费信息中得到，因此节省了预测成本 ,适合于风电企业运用。所以本文提出了基于模式识别的风速 ANFIS 预测模型。
2）采用模式识别技术对风速数据进行甄别和预处理，筛选出某
些特征相似、 适于进行预测的风速样本， 作为自适应模糊神经网络的输入，由于筛选出的这些样本相似度高， 所以对风速的预测精度有很大的帮助，进而可以较准确的预测发电功率， 有利于电力部门做电力交易计划，保证电力系统的运行稳定。
3）应用美国夏威夷 Maui 岛的数据对上述方法进行验证， 其预测精度和计算时间是令人满意的，该方法具有一定的经济实用性。
8．基于小波–神经网络的风速及风力发电量预测
该方法利用小波函数将原始波形进行不同尺度的分解， 将分解得到的周期分量用时间序列进行预测，其余部分采用神经网络进行预测，最后将信号序列进行重构得到完整的风速预测结果。 在神经–网络学习过程中加入了微分进化算法， 提高了其收敛速度， 解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。
9．基于支持向量机的风速与风功率预测方法研究
风力发电具有波动性、间歇性和随机性的特点 ,大容量的风力发电接入电网 ,对电力系统的安全、稳定运行带来严峻挑战。对风速风功率进行预测 ,对风电场的出力进行短期预报 ,是解决这一问题的有效途径。对风速风功率预测方法进行了研究 ,从物理和统计方法对SVM(支持向量机 )预测方法作了分析 ,支持向量机在风速风功率预测中有非常大的应用空间 ,并进行了预测实验。随着风电装机容量的快速增长，急需提高风电功率预测的精度。尤其对于那些海上大型风电场来说， 由于装机容量都集中在一个小区域内，更需要准确的预测功率。近年来，国内外学者在这方面做了大量研究，提出了很多改进办法，使预测精度不断提高，并且会一直提高下去。具体改进方法如下
（1）把多个数字天气预报（ NWP）模型组合起来，对气象信息进行预报。该方法可以克服恶劣天气下出现的预测偏差， 显著提高预测精度。
（2）利用遥感技术和高性能计算机技术，可以改善 NWP 模型的分辨率，提高局域天气预报的准确度； 此外，提高天气预报的更新频率，也将有利于风电预测模型输入数据的改善。
（3）利用小波分析、混沌理论、模糊神经网络等各种智能方法建立并改善预测模型， 选取合适的线性或非线性方式对多种预测方法的预测结果进行组合优化， 这些都会使预测误差进一步减小。 需要提到的是，利用人工神经网络 (ANN) 进行非线性组合预测，不仅最优组合了多种单一模型所包含的信息，而且可以同时考虑不同模型各自的优点，提高预测的精度和模型的可靠性。
（4）在对功率进行短期预测时，使用实时测量的气象数据，会对预测起到根本的改善。
