（内蒙古龙源新能源发展有限公司 内蒙古呼和浩特 010000）
摘要：随着科学技术的不断进步，我国各个行业领域快速发展。本文指出了风功率预测的研究对保证电力系统安全、经济运行以及提高电能质量有着重要意义。探讨了当前风功率预测的主要方法，论述了风功率预测中的关键技术步骤，对短期风功率预测及实时功能率预测的发展趋势进行了展望。
关键词：功率预测；风力发电；组合预测
引言
大型风电场的并网运行是风能发展利用的主要形式。风电并网的间歇性和波动性给电网调度带来了极大的困难和挑战。从地域分布看，风电资源丰富区与电力主要负荷区不一定匹配；从时间分布来看，风电年、日发电量、发电曲线和用电负荷不匹配；风资源的瞬时变化会引起风电场的变化；大量风电接入系统后对系统的电力平衡、安全性、稳定运行（如调峰、备用容量的安排）均产生较大的影响。风电场的输出功率不稳，给电网调度、调峰和安全运行带来了一系列的问题。为改善系统频率、电压稳定，使得风电能够与其他常规电源如火电、水电发电技术相竞争，提升整个系统的风电穿透率，提高风电利用小时和发电量，提出一种高精度的风功率预测方法，建立功率预测系统已成为当今新能源发电技术领域中的一项重要课题。通过风功率预测将有助于电网调度部门及时制定合理的日运行方式并准确地调整调度计划，从而保证电力系统的可靠、经济运行。
1风功率预测的主要方法
1.1按照预测时间划分，可分为长期预测、中期预测、短期预测以及超短期预测。长期预测以年为单位在新风场选址、规划中起着重要作用。以月为单位的中期预测可以更合理的安排风场大规模检修。短期预测主要用于优化电网调度，一般提前１～２ｄ进行。以控制风电机组为目的的超短期预测一般是提前几十分钟或几小时进行预测。当下的实时预测也属于超短期预测的范畴。
1.2基于不同预测对象的风电功率点预测。
根据预测对象的不同，风电功率预测主要有基于风速预测和基于风电功率预测两种方法。前者属于间接预测方法，后者属于直接预测方法。间接预测方法首先对风速进行预测，然后按照风电机组或风电场的风速与风电功率关系曲线将风速转换为风电功率。间接预测方法充分利用风机附近数值天气预报的风速、风向数据，具有信息完整、覆盖面广的优点。但是，由于风速与风电功率之间存在非线性关系，风速的微小预测偏差将可能导致较大的风电功率预测误差，大大降低预测精度。直接预测方法基于风电功率的历史数据，采用统计学等方法建立影响因素与风电功率之间的映射关系模型，直接对风电输出功率进行预测。直接预测方法不需要经过风电场的功率曲线进行转换，避免了风速到风电功率之间的转换误差，输入数据和输出结果更直观明了。但是，直接预测法需要大量的风电功率历史数据进行建模。
1.3按照所用预测模型差异，可分为统计模型预测和物理模型预测。忽略风速物理变化过程，依据统计学原理，寻求历史数据和机组输出功率的映射关系，从而进行功率预测的方法叫做统计模型预测方法。常见的统计模型预测法有卡尔曼滤波法、时间序列法等，和基于智能类模型的人工神经网络法、小波分析法、SVM回归法、模糊逻辑法等。统计方法依赖于历史数据，这使其在进行长期预测时有一定的局限性，主要体现在大量的数据处理和长期的历史数据统计这两方面。但是对于超短期的预测往往有着很好的效果。物理模型预测法是指根据NWP提供的气象预测值再结合风机周围的物理信息得到风电机组轮毅高度的风速和风向信息的预测值，最后根据风功率曲线得出功率预测值。然而，受分辨率的影响，该方法只能满足于整个风场的功率预测精度，并不能直接用于风电机组的功率预测。
2风功率预测技术的改进方法
2.1数据预处理
目前数据预处理常用方法包括数据分解、PCA降维、粗糙集等。（１）目前常用的数据分解法包括小波分解和经验模态分解（EMD），当涉及到基于数据自身时间尺度的信号分解时小波分解就会失效，而EMD不能很好的处理模态混叠现象。于是一种基于EMD的优化算法EE－MD被提出。该算法可有效进行风功率分解，并减轻模态混叠现象。（２）主成分分析法（PCA）的核心思想是降维。这方法可以减少变量的个数，并且可以保留原数据样本的关键信息。采用PCA降维可以有效降低训练时间，提高预测速度。（３）粗糙集理论是一种处理不精确、不一致、不完整信息的有效工具。它不需要任何的先验知识，可帮助我们在庞大的数据库中挖掘有用的信息，将数据去粗取精。（４）针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题。提出一种数据预处理算法。首先，采用拉依达准则剔除风速和功率奇异点，再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理，有效的提高了预测精度。
2.2场景预测的研究综述
场景预测是指使用较少量的风电功率序列场景来准确描绘风电随机特征，场景预测属于对风电功率概率分布的一种预测，所生成的场景可以应用于电力系统经济调度、机组组合等优化调度运行问题中。目前风电功率序列代表场景的生成方法主要有蒙特卡洛抽样、聚类法、场景优化生成／消减技术等。前向／后向削减技术是经典的场景的削减技术，但其技术效率低，仅适合于中小规模的场景削减。首先基于自回归滑动平均的时间序列模型生成大量场景，然后采用后向概率距离削减技术对所生成的场景进行约减，实例证明了该算法能够准确描述日前风电场景的不确定性。为了改进场景削减的效率，针对现有方法难以从庞大的发生空间中选择有效的代表场景的问题，提出一种纵横双向优化的方法以生成日风电功率序列场景。则以原始场景和约减场景之间的距离最小为目标，建立优化模型，生成能反映原始场景随机特性的代表性场景集合。场景预测能够刻画未来时刻风电场输出功率的时间关联性和空间相关性，可以有效地解决含有风电电力系统的动态随机优化问题。但当考虑较多的时间段和较多的风电场等原始数据时，易造成模型的维数灾，计算量巨大，难以求得模型参数，限制了在高维空间中的应用。
2.3预测结果分析
国家能源部门会对风电场进行的监管，对风电场运行是否满足调度并网要求进行奖惩。对常规风功率点预测的评价指标主要有平均绝对误（MAE）、均方误差（MSE）、均方根误差（RMSE）、标准差（SDE）、准确率、合格率等。MAE表示预测误差的实际情况；MSE和RMSE表示误差的分散程度；SDE表示误差分布的标准差估计。研究过程中可以通过这些指标先筛选出预测结果准确率较高的预测模型，再根据合格率选出最优的预测模型。
结语
综上所述，我国的风功率预测方法多种多样，预测技术已逐渐走向成熟。我国的风电场情况较复杂，可以根据本文中风功率预测技术的改进方法，因地制宜地开展我国风电场功率预测的各项工作，不仅可以大大提高风功率预测的精度，还可以为电网合理调度提供了保障和依据。
参考文献：
［1］秦政，包德梅，赖晓路，等．风电场风功率预测系统研究［J］．计算机技术与发展，2013，23（7）：73-76．
［2］谷兴凯，范高锋，王晓蓉，等．风电功率预测技术综述［J］．电网技术．2007，31（S2）：335-338．
［3］符金伟，马进，周榆晓，等．风电功率预测研究方法综述［J］．华东电力．2012，40（5）：888-892．
［4］马斌，张丽艳．一种基于径向基神经网络的短期风电功率直接预测方法［Ｊ］．电力系统保护与控制，2015，43（19）：78-82．