风电功率预测技术综述与改进建议

张文秀，武新芳，陆豪乾

（1.南京理工大学能源与动力工程学院，南京 210094；2.上海电力学院能源与机械工程学院，上海 200090；3.国电南瑞科技股份有限公司深圳分公司，深圳 518054）

随着环境的污染和传统资源的枯竭，可再生能源受到越来越多的关注。作为一种无污染的可再生能源，风力发电在全球范围内得到了快速发展。截止2013年底，全世界风电累计装机容量达到31 813万kW，同比增长12.5%［1］。然而与常规能源相比，风力发电具有间歇性、波动性和随机性。当风电容量较小时，对电力系统的影响并不明显，但大规模的风电接入电力系统后，给电网的安全稳定运行和电能质量带来了巨大挑战。

预测风电功率并开展研究，可以使电力调度提前掌握风电场的出力变化，及时调整运行策略，提高电网运行的安全性和经济性。倘若能对风电功率进行预测，就可以根据输出功率制定合理的检修计划，提高风电场容量系数，降低发电成本，为风电场参与发电竞价奠定基础［2］。

1 风电功率预测方法

预测风电功率有多种方法，目前没有统一的分类标准。在文献［3，4］对不同分类标准进行不同划分的基础上，通过进一步细化分析和总结，给出风电功率预测方法分类，如图1所示。图1中NWP为数值气象预报，NWP预测方法具有一定的代表性。

1.1 基于历史数据的风电功率预测

基于历史数据的风电功率预测方法就是在风速、风向等若干个历史数据与风电输出功率之间建立一种映射关系，根据历史数据进行预测。由于受到精度限制，预测时间一般为6～8h。主要有持续预测法、空间相关法、卡尔曼滤波法、自回归滑动平均法、随机时间序列法等。

图1 风电功率预测方法分类

持续预测法最简单，在短期内模型性能好，但误差较大，通常作为基准比较法来评价其他方法的精度；卡尔曼滤波法很难获得噪声的统计特性；随机时间序列法建模时只需知道少量的信息，如风电场的单一风速或时间序列，但对于低阶模型，预测精度不够高，而高阶模型的参数估计则难度较大。在实际使用中采用单一的某种方法效果并不理想，由此产生了一些将几种预测方法进行一定的加权平均处理得到最终结果的组合预测方法［5］，其局限是模型中不可能包含所有因素，很难确定各种参数之间的精确关系，所以其预测的精度受到一定的限制。

近年来，基于历史数据的风电功率预测，在研究方面取得可喜成果，发展较快。支持向量机（SVM）技术具有全局优化、训练时间短和泛化能力强等特点。戚双斌从物理和统计方法对SVM预测方法做了分析，支持向量机在风电功率预测中的较大应用空间，并做了实验［6］。Wen J提出将SVM与小波变换结合起来预测风电功率，利用小波变换找出原始信号，采用SVM提高预测精度，结果表明这种方法比单一的SVM方法更有效［7］。陈道君等人在量子粒子群优化（QPSO）算法中加入自适应早熟判定准则、混合扰动算子和动态扩张—收缩系数，提出了自适应扰动量子粒子群优化算法（ADQPSO）。研究表明该算法全局寻优能力强，有效提高了模型的预测精度［8］。Bhaskar K把前馈神经网络用于风速和输出功率之间的非线性映射，然后将预测的风速转化为功率预测，该方法的有效性是与新的基准模型对比的，结果显示该模型方法要优于基准模型［9］。陈颖采用基于多层前馈人工神经网络的预测法，对超短期的风电场输出功率进行预测，同时在实际运行数据的基础上，对风电场的尾流效应所带来的预测误差进行分析和修正，用以减少尾流效应对预测结果的影响，提高了预测精度［10］。

针对单一的神经网络方法泛化能力差、网络收敛速度慢等不足，张明理等人提出基于主成分前向反馈神经网络的预测方法，采用K—S方法和主成分分析法提取样本及其有效信息，构建神经网络模型进行输出功率预测。结果表明，对神经网络模型主成分分析后，能消除输入因子的相关性并简化网络结构，使网络加速收敛。采用小波变换、粒子群优化、神经网络和模糊推理多种算法结合的方法对风电功率进行预测，由于预测时只考虑历史风电功率数据，结果效果一般。如果加入其他影响风电功率的数据可能会更好［11］。Shi J提出了采用“希伯特—黄”和人工神经网络综合的模型进行风电功率预测，充分利用“希伯特—黄”变换在处理非线性和非平稳信号上的优势［12］。

1.2 基于数值天气预报的预测

数值天气预报（NWP）是指根据大气实况，在一定的初值和边值条件下，通过计算机求解表示天气变化过程的流体力学和热力学方程组，预测未来天气状况的定量和客观的方法［13］。输入数据为风速、风向、气温、气压等SCADA数据以及等高线、障碍物、粗糙度等参数。借助NWP方法，风电功率预测时间为24～72h。很多国家都开发了NWP系统，如德国的Lokal Model模型，美国的T170L42，英国的统一模式UM，以及我国的T213L31等。Nielsen H A等人证实了如果把几个NWP模型组合到一起可以降低预测误差［14］。Louka等人指出卡尔曼滤波可以消除NWP模型中风速预测的系统误差［15］。

基于NWP预测方法的原理框图如图2所示。该方法比较成熟，模型非常复杂，建立在大量实测数据上，需要利用大型计算机模拟大气运动的演变过程进行计算，应用存在局限性。

图2 基于NWP的预测方法

冯双磊等人研究了适合电网调度的NWP法，求解了风电场粗糙度变化与地形变化对流场的扰动，并考虑了尾流效应，由于这种方法不需要历史数据的支持，适用新建风电场的预测［16］。Nielsen T S在ANEMOS系统中加入了卡尔曼滤波法，对NWP数据进行处理，与没有进行卡尔曼滤波处理之前相比，预测绝对值平均误差降低了20%［17］。文献［18］基于NWP的支持向量机风电功率预测方法，利用NWP来提高风电功率预测的准确性，通过优化选取NWP的网格点、物理层面及其之上的物理量对预测模型进行简化，提高预测程序的运行速度。

2 预测模型

2.1 物理模型

物理模型的输入量是一些物理或气象信息，比如NWP得到的天气数据，风电机组的技术参数及风电场周围地理信息。其目的是找到风电机组轮毂高度处的风速最优估计值，然后用模型输出统计模块减小存在的误差，最后根据风电场的功率曲线计算得到风电场的输出功率。针对功率输出特性，计算流体力学方法（CFD）是一种很好的方法，可以得出当地的物理地形条件［19］。物理模型的实质是提高NWP模型的分辨率，使之能够精确地预测某一处的天气，即建立风电场的NWP模型。国内外风电场预测系统大多基于物理模型，在预测过程中结合相应的样本分析和学习方法以优化NWP数据，提高预测的准确性。基于物理模型的风电功率预测框图如图3所示。

图3 基于物理模型的预测框图

物理模型预测方法不受测量数据的限制，适用于复杂地形，需要丰富的气象信息和充分了解物理特性，预测精度受所建模型的精细度影响较大。

2.2 统计模型

统计模型中气象过程不需要明确的体现出来，历史统计数据和天气的关系是确定的，它们用来预测未来的功率输出。不同于物理模型，统计模型在输入变量和输出功率之间只涉及一步转化。统计模型在NWP数据和风电场实测数据与风电场的输出功率之间建立线性的或非线性的映射关系，这个关系可以用函数的形式表示出来，建立这种映射关系的方法有黑盒子技术、灰盒子技术等［20］。统计模型预测方法能自发地适应风电场位置，系统误差小，缺点是需要长期测量数据和额外的训练。另外，如果在训练阶段出现极端天气状况，会加大预测难度，倘若不做针对性的修正，将会导致很大的预测误差。

2.3 组合模型

组合预测模型是风电场功率预报的发展方向之一［21］，分为基于物理方法和统计方法的组合；基于不同统计模型的组合；基于短期和中期模型的组合。目的是发挥各个模型的优势，获得全局最优的预报性能。目前，大型风电功率预报系统主要采用基于物理方法和统计方法的组合预测模型。由于没有固定的模型选择框架，不同模型的选择会影响组合预测结果。

Costa等人在UPMPREDICTION项目中将短期预测的统计和物理模型进行了集成，成为面向电力市场和电力系统管理一体化的在线工具［22］。Bustamante等人研究了每小时风速预报，考虑了自回归模型和神经网络两种方法，在极短的时间尺度采用物理和统计来降尺度，分析主成分，并依据线性回归在观测数据中找到类似的模式［23］。

3 预测误差的评价分析

对风电功率预测误差进行综合评价，是提高预测精度、指导预测结果合理应用的前提。根据评价指标，可以从各方面了解预测系统的运行状况，获取有价值的信息，对不同预测方法的优劣性进行评价，从而提高预测精度，更好地把预测结果应用到风电场功率预测中。

常用的误差评价指标有绝对误差均值（ME）、绝对值平均误差（MAE）、均方根误差（RMSE）、平均相对误差（MRE）等。这些误差评价采取均值类指标，不能全面反映预测系统的真实情况，徐曼等人提出了一种综合评价方法，包含纵向误差、横向误差、相关因子与极端误差等在内，在内蒙古某风电场运行数据的基础上，对不同预测方法、预测系统的不同误差环节进行评价，结果证明该评价指标具有一定的指导价值［24］。Zhang Z S建立了一个通用分布模型来预测所有预测时间尺度的误差，这种经济性分布可以通过一些分析术语简化风速导致的不确定性，结果表明在反映预测误差上，这种分布要比传统的分布更准确［25］。Bessa R则在训练映射时采取熵的概念，把它作为评价预测误差指标，有助于全面获取误差所包含的信息，据此来优化预测系统［26］。

目前，对预测误差修正的研究开展相对较少，杨红英提出了基于线性回归的风电功率预测误差修正方法，并运用算例对所提方法验证，结果表明该方法能提高预测精度，降低预测误差［27］。

4 预测系统研究现状

国外对风电功率预测研究起步较早，预测方法基本成熟，如欧美一些风电技术发展比较成熟的国家，已经研发出数个风电场输出功率短期预报系统。

1900年，Landberg开发了风电功率预测系统［28］，采用类似欧洲风图集的推理方法进行预测。丹麦Ris国家可再生能源实验室独立研发的Prediktor，利用NWP高精度有限区域模型，得到风电场地面风速，再利用WAsP程序进一步分析，考虑了障碍物和粗糙度的影响和变化等。丹麦技术大学开发的WPPT预测系统［29］，采用自回归统计方法，将自适应回归最小平方根法与指数遗忘算法相结合预测短期风电功率。现在Prediktor和WPPT已经被整合成Zephry系统，它集合了前两者的功能，能进行短期和中期预测。

美国AWS Truewind公司开发的eWind［30］，主要包括高精度三维大气物理模型、风电场输出模型和预测分发系统，使用自适应统计方法来消除误差。与此类似还有英国Garrad Hassan公司开发的GH Forecaster。德国ISET开发的WPMS［31］，采用人工神经网络方法，训练NWP数据和风电功率的历史测量数据，其预测均方根误差（RMSE）为装机容量的7%～19%，已成为商用最成熟的预测系统，目前应用于德国四大电网公司。

较为成熟的产品还有法国Ecole des Mines de Paris公司开发的AWPPS，德国太阳能研究所研发的AWPT等［32］。这些预测系统的预测框架较为类似，大多是基于气象部门提供的数值天气预报数据，系统误差在10%～15%，主要原因在于NWP的误差和模型的系统误差。

近年来，开发更高级的预测模型，研发适用于复杂地形、极端天气条件以及海上风电场的预测技术已成为研究的重点，具有代表性的是欧盟的ANEMOS项目。该项目有7个国家参与，目的是开发一种短期发电量预测的工具并将其应用于陆上和海上风电场。它基于物理和统计两种模型，使用多个NWP模式，可以把预测精度提高至10%。

目前，我国风电功率预测系统尚处于初步探索和发展阶段，主要的预测系统有中国电力科学研究院研制的WPFS Ver1.0预测系统、清华大学研制的风功率综合预测系统及国网电力科学研究院／南京南瑞集团的NSF3100风电功率预测系统。其中，WPFS Ver1.0通过物理方法和学习方法进行功率预测，于2008年12月投入试运行，预测误差低于20%；清华大学研发的风功率综合预测系统达到了一定水准，是首个由气象服务部门提供永久性NWP服务的风功率预报系统；NSF3100风电功率预测系统，目前在华北电网公司、东北电网公司等单位进入业务化运行，并在内蒙、江苏、浙江、甘肃等省的风电场投入运行。NSF3100风电功率预测系统软件平台模块图如图4所示。

图4 NSF3100风电功率预测系统软件平台模块图

5 存在问题及改进建议

与常规的火电类负荷预测相比，风电功率预测有着独特的随机性、波动性和突变性。国内风电功率预测还处于初始阶段，预测精度不够等诸多问题需要解决。

5.1 存在问题

1）当前的预测方法中，涉及数据预处理部分很少，然而原始数据的质量好坏，直接影响到风电功率的预测精度，因此有必要对数据预处理进行规范。

2）海上风电场功率预测是个巨大挑战，由于海上环境平坦、障碍物少导致风速的变化要比陆上更敏感，专门应用于海上风电场的预测方法目前很少。

3）对数据条件不完备的风电场，难以建立准确的单个风电场的功率预测模型，进而影响区域内所有风电场的功率预测精度。

4）当前关于预测精度的研究较少，成功预测误差的统计方法太少，难以判断给出的预测分布是否能反映真实状况，有必要研究和制定出合理的评价标准。

5）风电功率预测误差的概率分布研究中，针对预测误差概率分布随预测时长变化所呈现规律的相关研究较少，需要进一步研究。

6）当前全面评价风电功率预测误差的研究很少，缺乏长期大量的数据分析，常用的误差评价指标不能充分反映预测误差的各方面特点，难以用来研究风电功率预测系统的误差产生机理。

5.2 改进建议

1）深化风电功率预测技术的研究，提高天气预报准确度及NWP模型分辨率，或者研发专门用于风电功率预测的NWP系统。

2）由于风电场出力存在波动范围，对预测结果进行不确定性分析，可以降低预测误差。

3）加强标准体系建设，制定风电功率预测系统建设和运行管理办法；制定相关国家标准和行业标准，对预测系统功能、运行管理等方面进行规范。

4）加大区域风电场群功率预测研究，提高预测精度，为电网安全调度提供便捷。

5）关注预测结果的风险评估，规避预测风险，提高预测全面性。

6）开展跨行业、跨学科合作，开展风电企业和气象行业以及与相关单位深度合作，进行技术研发，破解技术难题，共同推进风电功率预测系统的发展。

［1］Global Wind Energy Council.Global wind report annual market update 2013［R］.Global Wind Energy Council，2014.

［2］Pinson P，Kariniotakis G N.Wind power forecasting using fuzzy neural networks enhanced with on－line prediction risk assessment［J］.Power Tech Conference Proceedings 2003 IEEE Bologna，2003（2）：8.

［3］王丽婕，廖晓钟，高阳，等.风电场发电功率的建模和预测研究综述［J］.电力系统保护与控制，2009，37（13）：118－121.

［4］刘永前，韩爽，胡永生.风电场出力短期预报研究综述［J］.现代电力，2007，24（90）：6－11.

［5］牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用［M］.北京：中国电力出版社，1998.

［6］戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究［J］.华东电力，2009，37（9）：1600－1603.

［7］Wen J，Wang X，Zheng Y，et al.Short－term wind power forecasting based on lifting wavelet transform and SVM［C］，Power Engineering and Automation Conference（PEAM），2012IEEE.IEEE，2012：1－4.

［8］陈道君，龚庆武，金朝意，等.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测［J］.电网技术，2013，37（4）：974－980.

［9］Bhaskar K，Singh S N.AWNN－assisted wind power forecasting using feed－forward neural network［J］.Sustainable Energy，IEEE Transactions on，2012，3（2）：306－315.

［10］陈颖，周海，王文鹏，等.风电场输出功率超短期预测结果分析与改进［J］.电力系统自动化，2011，35（15）：30－33.

［11］张明理，杨晓亮，滕云，等.基于主成分分析与前向反馈传播神经网络的风电场输出功率预测［J］.电网技术，2011，35（3）：183－187.

［12］Shi J，Lee W J，Liu Y，et al.Short term wind power forecasting using Hilbert－Huang Transform and artificial neural network［C］，Electric Utility Deregulation and Restructuring and Power Technologies（DRPT），2011 4th International Conference on.IEEE，2011：162－167.

［13］Catalão J P S，Pousinho H M I，Mendes V M F.Hybrid wavelet－PSO－ANFIS approach for short－term wind power forecasting in Portugal［J］.Sustainable Energy，IEEE Transactions on，2011，2（1）：50－59.

［14］Nielsen H A，Nielsen T S，Madsen H，et al.Optimal combination of wind power forecasts［J］.Wind Energy，2007，10（5）：471－482.

［15］Louka P，Galanis G，Siebert N，et al.Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering［J］.Journal of Wind Engineering and Industrial Aerodynamics，2008，96（12）：2348－2362.

［16］冯双磊，王伟胜，刘纯，等.风电场功率预测物理方法研究［J］.中国电机工程学报，2010，30（2）：1－5.

［17］Nielsen T S，Madsen H.Short－term wind power forecasting using advanced stastical methods［C］.European Wind Energy Conference＆Exhibition，2006.

［18］王建成，杨苹，杨曦.基于数值天气预报的风电功率预测建模研究［J］.可再生能源，2013，31（2）：34－38.

［19］Magnusson M and Wern L，Wind energy predictions using CFD and HIRLAM forecast.Proceedings of the European wind energy conference EWEC 2001，Copenhagen，Denmark，2001.

［20］韩爽.风电场功率短期预测方法研究［D］.北京：华北电力大学，2008.

［21］Lange M，Focken U.New developments in wind energy forecasting［C］.Power and Energy Society General Meeting－Conversion and Delivery of Electrical Energy in the 21st Century，2008IEEE.IEEE，2008：1－8.

［22］Gallardo C，Gaertner M，Tejeda C，et al.The Casandra project：results of a new wind power operational forecasting system in Spain［C］.Proceedings of EuroPean Wind Energy Conferenee，Madrid，2003.

［23］Bustamante E，Cofino A，Navarro J，et al.Wind speed downsealing combining mesoscale and neural autoregressive models［C］.Proceedings of EuroPean Wind Energy Conferenee，London，2004.

［24］徐曼，乔颖，鲁宗相.短期风电功率预测误差综合评价方法［J］.电力系统自动化，2011，35（12）：20－26.

［25］Zhang Z S，Sun Y Z，Gao D W，et al.A Versatile Probability Distribution Model for Wind Power Forecast Errors and Its Application in Economic Dispatch［J］.2013.

［26］Bessa R，Miranda V，Gama J.Wind power forecasting with entropy－based criteria algorithms［C］，Probabilistic Methods Applied to Power Systems，2008.PMAPS＇08.Proceedings of the 10th International Conference on.IEEE，2008：1－7.

［27］杨红英，冯双磊，王勃，等.基于线性回归的风电功率预测误差修正方法［J］.电力系统及其自动化学报，2013，25（4）：14－17.

［28］Troen I，Petersen E L.European wind atlas［M］.Roskidle：Risoe National Laboratory，1989.

［29］Nielsen T S，Madsen H.WPPT－a tool for wind power prediction［C］.EWEA Special Topic Conference，Kassel，2000.

［30］Bailey B，Brower MC，Zack J.Short－term Wind Forecasting［C］.European Wind Energy Conference，Nice France，1999.

［31］Lange B，Rohrig K，Ernst B，et al.Wind power prediction in Germany–Recent advances and future challenges［C］，Proceedings of the European Wind Energy Conference.2006.

［32］SánchezI O，Ravelo J，Usaola C，et al.Sipreólico－a wind powerprediction system based on flexible combination of dynamic models.application to the spanish power system［C］.First IEA Joint Action Symposium on Wind Forecasting Techniques，Norrkoping，Sweden，2002.