摘要：随着我国科技的不断发展，人们生活水平的不断提高，电力已经成为人们生活中不可或缺的一种重要资源。伴随着风力发电功率占我国发电市场比重的日益增大，风速波动的功率对电网能否安全平稳运行造成了不小影响。增加电网旋转储备容量对于解决风电场波动问题有着实质作用，但是这样就导致了电网运行成本的增加。所以，对那些大规模接入风电的电网，风速及风电功率预测就对确保系统平稳安全运行、减少风电消耗开支起到了关键性作用。本文在结合分析国内外很多资料的基础下，对我国目前风速及风电功率的预测方法进行研究，总结分析常用方法的利弊，在对风速及风电功率预测偏差的指标上给出评价，更是对未来我国风速及风电功率的发展道路进行展望。
关键词：风速特点；风速与风电功率预测误差；预测方法研究
近年来随着我国科技不断的进步，风电开发技术的应用在我国已经有了较长历史，更是在现代能源的整体结构中占有一定比重。风电技术迅速发展的结果，就是把装载机容量由2003年以前的39.9GW增加到2013年的319.9GW，在这迅速发展风电技术的国家中，我国装机容量已达世界第一。跟寻常电源相比较，风电仍然具有不持续和不确定的特性，这也造成风电表现出比较严重的波动性及随机性，也给风电接入系统能否稳定安全运行带来巨大挑战。因电网实时控制难度的差异、备用容量增加都在给运行安全提高成本。所以，当前对风速及风电功率预测应该得到重视。
1、简述目前风速及风电功率的预测方法
1.1风速的基本特点
在空间角度来看，风速的排列方式通常显示出无规律、幅度较大的波动，在此特点下很难建立普遍合适的物理模型来对其进行分析与经准预测。分析时间角度，趋势和随机分量被风速时间序列所包含，趋势分量主要在于大气条件下的持续稳定性，随机分量则更多受大气运动情况所影响，它的特征是无法从以前的数据中得到，这样就会造成预测结果的误差。综上所述，风的规律就分为物理规律与历史数据的统计规律。
1.2超短期预测、短期预测、中期预测、长期预测
超短期预测：提前0~4小时的预测，分辨效率不能小于15分钟，其主要作用于可以实时控制调整风电。短期预测：从0时-3天的预测，时间分辨效率为15分钟，用于机组的组合与储备安排。中期预测：提前3~7天，时间分辨率为1小时。长期预测：需要提前一周以上，时间分辨率为1~24小时，主要用于预测风资源及检查修理等。从当前的预测模式分析，不同时间长度预测在其基本意义上也是不同的。超短期和短期预测，实质上是对已有数据进行分析，所以使用统计模型就会得到很好的预测结果；中长期预测则需要考虑大气运动过程中所带来的影响，这种时候使用物理模型及参考数值天气预报的方法才会得到较为准确的预测结果。
2、 风速及风电功率预测的几种统计方法
对历史数据进行大量分析研究时就需要用到统计方法，选择合适的数学模型创建历史数据之间的沟通联系，就显得尤为重要。
2.1时间序列
时间序列可以建立历史数据、控制误差跟预测数据的三角关系。它主要分为几种模型：自回归模型、滑动平均模型、自回归滑动平均模型等。时间序列建立模型的核心重点在模型的定阶与系数上，将分析时间序列方法逐渐导入风速及风电功率中，但只考虑历史风速造成的影响。现阶段很多研究只能简单应用到时间序列的预测理论，与此同时也没有考虑风速及风电功率的主要特征、变化等因素。这就需要研究人员对其进行更加精细的分析探索，由风速序列的特点入手，在小时风速和向量风速两个角度全面分析风速的转变趋势，同时建造多变量平均回归模型。
2.2人工神经网络简化模型
人工神经网络简化模型的作用就是模拟人的大脑神经传递过程，因为它有卓越的自我学习能力、非线性拟合与广泛化能力，所以被很大程度上应用到风电功率的预测之中，相较于其它方式方法的预测更为精致准确。在目前已知的常用人工神经网络包含：反向传播、景象基函数神经网络、神经网络等。
期刊文章分类查询,尽在期刊图书馆
2.3支持向量机的优势
支持向量机在解决小样本、非线性及高维模式识别中都表现出诸多优势。它是在统计学习理论基础与结构最小风险化的前提下，建立起的机器监督学习模型，不光有较为严谨的理论基础，还能更好地减少发生维数灾或陷入局部极小点。支持向量机和多层感知器可以建造模型，这跟支持向量回归机理念是分不开的，但支持向量机在很多方面一直比多层感知器表现的更加优秀。
2.4模糊逻辑
利用以往历史上的专家经验，采取发掘较为实际的历史数据，形成模糊逻辑推理，对风速及风功率进行预测推断。跟其它预测模型相比较，这种方法能更加深刻了解专家的意思，可以处理发生在风速及风电功率预测中的模糊现象，可是这种方法的缺点是学习能力偏弱，更加容易受到人为因素的影响。为了达到更好效果，发挥模糊逻辑在风速及风电功率预测中一般要与其它算法结合使用。
2.5灰色模型
灰色模型是由一种不确定因素系数的灰色系统为基础建造。这种灰色系统把历史数据排列看成灰色量或者过程，其中包含了已知跟未知的因素。在这种情况下，就需要通过不断的加减过程产生方法，把原来规律性较差的灰色数据转变成一定规律性更强的白色数列，并据此建立相关方程，得到预测的序列。
2.6对于目前统计方法的利弊分析
总而言之，对风速及风电功率预测的统计算法来说，采集更多的历史数据变化对于我们建造模型具有非凡意义。所以，统计算法最有力的基础就是历史数据，每个算法模型都有自己的特点与缺点，对于其预测尺度的不同、场景要求及历史数据也会显示出不一样的预测结果。这时我们就需要参考大量历史数据和文献，对每个常用统计算法的利弊进行一定分析与掌握。
3、预测风速及风电功率的物理方法
微观气象学模型是预测风速及风电功率的物理方法，这种模型通过把气象预报中的风速、风向、温度、适度等相关数据变成需要的风速和风向，实质就是根据地形变化模型来进行模拟会产生的效应，将天气预报中的风速换算成自己所需要的风速数据，以此来预测发电功率。在物理方法中最重要数据是天气预报，根据天气预报的数值预测结果收集风向、风速、温度、气压等相关数据，然后根据地形变化风电场周围温度及障碍物等因素，计算得出风电机组的风向和风速数据信息。
4、对预测误差做出评价的重要性
在所有事物中误差都是客观存在的。风速及风电功率预测误差主要产生的原因是天气快速变化、风电机组问题、天气预报数据存在误差、测量数据不准确、预测模型不精准等。对其误差进行分析评价是风速及风电功率预测中一项比较重要的内容。评价的标准能全方面反映出预测算法运行的基本情况，这时选择不同的预测方法、模型和系统就更加有利于修正和改进，就能够在更大程度上提高预测的精确度和效率。
结束语：
伴随着科技革命创新，人类的科技迅猛发展，在未来的科学技术研发过程中，我们要进一步研究统计算法的提高和模型预测的准确度。目前现在风速及风电功率预测的有关研究中，旧模型旧方法已经无法满足当前应用，为了更加适应在不同环境下的使用要求，我们就需要在此科研方面投入较多的精力。从当下来看，我国在风速及风电功率预测方面还存在诸多不足，因此，加强对风速及风电功率的预测会更加有效地促进我国经济的蓬勃发展。
参考文献：
[1]王松岩,李碧君,于继来,徐泰山. 风速与风电功率预测误差概率分布的时变特性分析[J]. 电网技术,2013,(04):967-973.
[2]段学伟,王瑞琪,王昭鑫,郎澄宇,孙树敏,赵鹏,郑伟. 风速及风电功率预测研究综述[J]. 山东电力技术,2015,(07):26-32.
[3]洪翠,林维明,温步瀛. 风电场风速及风电功率预测方法研究综述[J]. 电网与清洁能源,2011,(01):60-66.
论文作者:高凤玉
论文发表刊物:《电力设备》2017年第17期
论文发表时间:2017/10/18
标签：风速论文; 风电论文; 功率论文; 模型论文; 历史数据论文; 方法论文; 误差论文; 《电力设备》2017年第17期论文;