高 陽，陳華宇，歐陽群

（1.沈陽工程學(xué)院，沈陽 110136；2.中電投東北電力有限公司，沈陽 110017；3.遼寧省電力有限公司，沈陽 110006；）

風(fēng)電場發(fā)電量預(yù)測技術(shù)研究綜述

高 陽1，陳華宇2，歐陽群3

（1.沈陽工程學(xué)院，沈陽 110136；2.中電投東北電力有限公司，沈陽 110017；3.遼寧省電力有限公司，沈陽 110006；）

1 我國風(fēng)電發(fā)展現(xiàn)狀

日益嚴(yán)重的全球能源危機(jī)，使可再生能源的開發(fā)顯得越來越重要。風(fēng)能作為一種清潔的可再生能源，越來越受到世界各國的重視。我國并網(wǎng)的風(fēng)電場建設(shè)從20世紀(jì)80年代至今已有20多年的歷史。在發(fā)展初期，風(fēng)電項(xiàng)目不僅規(guī)模小，裝機(jī)容量更不足1萬kW，而且設(shè)備主要依靠進(jìn)口，建設(shè)成本高，市場競爭力弱。到2002年底，全國風(fēng)電裝機(jī)容量僅為45萬kW，最大投運(yùn)機(jī)組為600kW[1-4]。而過去7年，中國風(fēng)電裝機(jī)容量年平均增長速度達(dá)到了56%。截至2009年底，風(fēng)電總裝機(jī)近2000萬kW，中國已經(jīng)成為全球發(fā)展速度最快的風(fēng)力發(fā)電市場，并將成為全球第三大風(fēng)電國家。我國風(fēng)能儲(chǔ)量很大、分布面廣，陸上10m高度風(fēng)能資源技術(shù)可開發(fā)量為2.97億kW。加上近岸海域可利用風(fēng)能資源，共計(jì)約10億kW。如果中國能夠利用所有的風(fēng)能資源，將能夠滿足幾乎所有中國當(dāng)前的電力需求，但這在短時(shí)期內(nèi)是不可能的。不過中國有可能將2020年風(fēng)電總裝機(jī)目標(biāo)由3000萬kW調(diào)高至1億kW。在國際效率標(biāo)準(zhǔn)下運(yùn)行，能夠滿足5%的中國電力需求，并且使中國成為世界最大的風(fēng)能發(fā)電國家。

中國國家發(fā)改委目前正在醞釀的目標(biāo)計(jì)劃是，要按照融入大電網(wǎng)、建設(shè)大基地的要求，力爭用十多年的時(shí)間，在甘肅、內(nèi)蒙古、河北、江蘇等地形成幾個(gè)上千萬千瓦的風(fēng)電基地。1000萬kW級(jí)的風(fēng)電場，相當(dāng)于三峽的裝機(jī)容量，堪稱“風(fēng)電三峽”，但卻沒有三峽百萬移民的負(fù)擔(dān)，也不會(huì)消耗水資源。

世界能源危機(jī)為風(fēng)電發(fā)展提供了機(jī)遇，但由于我國風(fēng)電建設(shè)起步較晚，存在很多不確定因素阻礙風(fēng)電行業(yè)的發(fā)展。除了與國際風(fēng)電行業(yè)的發(fā)展水平還有很大差距、國內(nèi)的風(fēng)電設(shè)備主要依靠進(jìn)口以及對(duì)外依賴性太強(qiáng)以外，現(xiàn)在風(fēng)電接入電網(wǎng)的問題也制約著我國風(fēng)電的大規(guī)模發(fā)展。風(fēng)電出力的大幅波動(dòng)和不可預(yù)測性對(duì)電網(wǎng)造成了嚴(yán)重的沖擊。目前來看，由于運(yùn)行的風(fēng)電場裝機(jī)容量較小，風(fēng)電場接入電網(wǎng)后對(duì)電網(wǎng)的頻率和穩(wěn)定的影響還不是十分大。國內(nèi)風(fēng)品質(zhì)較差的風(fēng)場在10min內(nèi)從滿發(fā)到不發(fā)的概率只有不到30%，根據(jù)電網(wǎng)安全穩(wěn)定導(dǎo)則，電網(wǎng)必須滿足動(dòng)態(tài)N-1校驗(yàn)，裝機(jī)不超過5萬kW的風(fēng)電容量在1min內(nèi)切除就不會(huì)影響電網(wǎng)的安全穩(wěn)定運(yùn)行，一般在接入設(shè)計(jì)時(shí)已經(jīng)考慮，同時(shí)現(xiàn)階段的風(fēng)電規(guī)模對(duì)頻率的影響也不大。即使風(fēng)電送出線路跳閘也對(duì)電網(wǎng)穩(wěn)定運(yùn)行的影響不大。當(dāng)然，一些老機(jī)組會(huì)造成風(fēng)電場并網(wǎng)點(diǎn)電壓波動(dòng)、電壓超標(biāo)等問題而被調(diào)度切機(jī)。而目前影響風(fēng)電接入容量的主要問題是電網(wǎng)的調(diào)峰容量。這是限制風(fēng)電裝機(jī)的最重要因素，尤其是火電機(jī)組的最小技術(shù)出力，電網(wǎng)沒有備用容量，風(fēng)電場就不能接入電網(wǎng)。低谷調(diào)峰問題，限制風(fēng)電的接入容量。電網(wǎng)企業(yè)只能通過增加水電和快速起停機(jī)組來解決由于風(fēng)電波動(dòng)性造成的“逆調(diào)峰”，這樣會(huì)增加電網(wǎng)調(diào)度安排機(jī)組和制定發(fā)電計(jì)劃的困難，加大電網(wǎng)調(diào)度運(yùn)行的難度，同時(shí)風(fēng)電“逆調(diào)峰”基本上很難控制。因此風(fēng)電要更好地發(fā)展必須開發(fā)風(fēng)電場發(fā)電量預(yù)測系統(tǒng)。德國、丹麥風(fēng)電發(fā)電量高，很重要的一個(gè)因素是所有的電網(wǎng)公司都配備有風(fēng)電發(fā)電量預(yù)測系統(tǒng)。有了預(yù)測系統(tǒng)，風(fēng)電出力就基本可以預(yù)知，會(huì)大幅降低電網(wǎng)旋轉(zhuǎn)備用容量，降低風(fēng)電場的發(fā)電成本，使電網(wǎng)調(diào)度運(yùn)行更加經(jīng)濟(jì)合理。

2 風(fēng)電場發(fā)電量預(yù)測模型

2.1 按預(yù)測時(shí)間尺度劃分

按照預(yù)測時(shí)間尺度的不同，風(fēng)電場發(fā)電量預(yù)測模型可以分成超短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測[5-12]。

超短期預(yù)測一般不超過30min，主要用于對(duì)風(fēng)機(jī)的控制，預(yù)防惡劣天氣的出現(xiàn)，對(duì)槳葉造成損壞。

短期預(yù)測一般是對(duì)功率進(jìn)行不超過6h的小時(shí)預(yù)測，用于電網(wǎng)的功率平衡和運(yùn)行調(diào)度。

中期預(yù)測是基于小時(shí)數(shù)據(jù)進(jìn)行2d以內(nèi)的天預(yù)測，以對(duì)電網(wǎng)中的負(fù)荷做出合理調(diào)度。

長期預(yù)測是基于天數(shù)據(jù)進(jìn)行周預(yù)測，可以在風(fēng)小產(chǎn)能少時(shí)，對(duì)風(fēng)機(jī)進(jìn)行維護(hù)和檢修。

2.2 按建模機(jī)理劃分

根據(jù)建模機(jī)理的不同，風(fēng)電場發(fā)電量預(yù)測模型可以分成物理模型、時(shí)間序列模型以及智能模型。

2.2.1 物理模型

物理模型是根據(jù)風(fēng)電場周圍的地形、粗糙度、障礙物等物理信息來估計(jì)輪轂高度處的風(fēng)速，然后利用功率曲線得到風(fēng)機(jī)的發(fā)電量，其輸入?yún)?shù)是數(shù)字天氣預(yù)報(bào)(NWP)信息。由于氣象預(yù)報(bào)的每日更新頻率很低，因此，該方法更適合中期風(fēng)電場的發(fā)電量的預(yù)測。而且風(fēng)電場周圍的物理信息對(duì)預(yù)測的準(zhǔn)確度也有很大影響。

2.2.2 時(shí)間序列模型

時(shí)間序列模型基于過去的功率或風(fēng)速時(shí)間序列，通過模式識(shí)別、參數(shù)估計(jì)和模型校驗(yàn)等步驟建立映射關(guān)系。短期預(yù)測時(shí)，模型的輸入量是若干個(gè)歷史功率數(shù)據(jù)和在線實(shí)時(shí)采集的SCADA（監(jiān)控和數(shù)據(jù)采集）實(shí)時(shí)數(shù)據(jù)；中期以上的預(yù)報(bào)時(shí)，輸入量還應(yīng)該包括數(shù)字氣象預(yù)報(bào)（NWP）數(shù)據(jù)。最簡單的時(shí)間序列模型是persistence模型，它假定風(fēng)電功率的預(yù)測值等于其最近的一個(gè)測量值。更高級(jí)的時(shí)間序列模型包括ARMA[13]、卡爾曼濾波[14]或者這兩者的結(jié)合[15]。但是在極端的天氣情況下，沒有一種模型可以得到較好的性能。

2.2.3 智能模型

智能模型是利用智能學(xué)習(xí)方法在輸入變量和輸出功率間建立非線性映射關(guān)系，包括神經(jīng)網(wǎng)絡(luò)法[16]、模糊邏輯法、支持向量機(jī)法[17]以及這些方法的混合使用[18]。通過大量數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練來建立輸入輸出間的關(guān)系，在進(jìn)行短期和中期的風(fēng)速或功率預(yù)測時(shí)，模型的輸入變量與時(shí)間序列模型的類似。

2.3 按預(yù)測范圍劃分

根據(jù)預(yù)測范圍的不同，可以分為對(duì)單臺(tái)風(fēng)機(jī)的預(yù)測和對(duì)一組風(fēng)機(jī)的整體預(yù)測。

對(duì)每臺(tái)風(fēng)機(jī)分別建立合適的預(yù)測模型，再結(jié)合可利用的風(fēng)機(jī)數(shù)目以及風(fēng)電場的結(jié)構(gòu)變化，通過功率求和可以很容易地估計(jì)出整個(gè)風(fēng)電場的產(chǎn)能情況。在對(duì)每臺(tái)風(fēng)機(jī)的建模過程中，所考慮的輸入?yún)?shù)包括輪轂高度處的風(fēng)速和當(dāng)前風(fēng)機(jī)的定向，相對(duì)于每臺(tái)風(fēng)機(jī)來說具有局部性和特定性。但是利用該方法求整個(gè)風(fēng)電場的出力時(shí)，沒有考慮風(fēng)電場中各機(jī)組的尾流效應(yīng)、地表地貌剪切效應(yīng)、塔影效應(yīng)等。

把一組風(fēng)機(jī)看成一個(gè)集合，建立整體預(yù)測模型，可能更方便管理，并且單個(gè)機(jī)組的來流風(fēng)速相對(duì)整個(gè)風(fēng)電場的來流風(fēng)速有不同時(shí)間的延時(shí)，這種延時(shí)相互作用，使得整體風(fēng)電場的輸出比單機(jī)計(jì)算求和的輸出要平滑很多，可以降低預(yù)測誤差[19]。這個(gè)集合可以是風(fēng)電場的一組風(fēng)機(jī)，也可以是整個(gè)風(fēng)電場，甚至是一個(gè)較大區(qū)域內(nèi)的數(shù)個(gè)風(fēng)電場的集合。文獻(xiàn)[20]通過分析機(jī)組來流風(fēng)流動(dòng)的特點(diǎn)和能量的分布，在考慮風(fēng)電場各機(jī)組間多種效應(yīng)的基礎(chǔ)上，研究了由多臺(tái)機(jī)組組成的風(fēng)電場實(shí)際的風(fēng)速功率模型，給出了整體風(fēng)電場風(fēng)速功率曲線。

3 風(fēng)電場發(fā)電量預(yù)測技術(shù)研究現(xiàn)狀

目前，丹麥、德國、西班牙、美國等國已經(jīng)在風(fēng)力發(fā)電系統(tǒng)中開始應(yīng)用風(fēng)力發(fā)電量預(yù)測作為電網(wǎng)調(diào)度的一個(gè)重要參考依據(jù)。在這些國家風(fēng)力發(fā)電量預(yù)測已經(jīng)成為大型并網(wǎng)風(fēng)電場系統(tǒng)管理和控制的基本組成部分。德國ISET開發(fā)的WPMS系統(tǒng)（風(fēng)力發(fā)電場管理系統(tǒng)），采用神經(jīng)網(wǎng)絡(luò)方法，其預(yù)測均方根誤差(RMSE)為裝機(jī)容量的7%～19%[21]，已成為商用最成熟的發(fā)電量預(yù)測系統(tǒng)。WPMS系統(tǒng)采用的是現(xiàn)在比較流行的運(yùn)用“統(tǒng)計(jì)學(xué)”模型方法。即利用有效的數(shù)字氣象預(yù)報(bào)數(shù)據(jù)、歷史觀測氣象數(shù)據(jù)、實(shí)際測量氣象數(shù)據(jù)同風(fēng)力發(fā)電量建立一個(gè)函數(shù)關(guān)系模型，利用數(shù)據(jù)中的時(shí)間序列和空間相關(guān)信息進(jìn)行預(yù)測。這些模型又可以分為典型的線性模型[22]，如自回歸—滑動(dòng)平均混合模型(ARMA)等，以及非線性模型，如人工神經(jīng)網(wǎng)絡(luò)模型等。

目前基于數(shù)字氣象預(yù)報(bào)（NWP）作為風(fēng)力發(fā)電量預(yù)測基礎(chǔ)的風(fēng)力發(fā)電量預(yù)測和管理系統(tǒng)都是基于對(duì)全球氣象數(shù)據(jù)的觀測和測量，這些信息是得自于氣象專家、氣象臺(tái)站、氣象衛(wèi)星等等。通過對(duì)全球大氣NWP模型的研究，得到未來的大氣狀態(tài)。大約有15個(gè)國家能夠提供全球氣象模型以及預(yù)報(bào)。氣象模型對(duì)于中長期風(fēng)力發(fā)電量預(yù)測是非常重要的。我國在西北地區(qū)正在建設(shè)大型測風(fēng)系統(tǒng)，用來積累歷史數(shù)據(jù)。但基于氣象數(shù)據(jù)的預(yù)測方法還存在很多問題。風(fēng)電場的地形、地表植被及粗糙度、周圍障礙物等會(huì)影響風(fēng)力發(fā)電機(jī)輪轂高度風(fēng)速的數(shù)值，不同數(shù)據(jù)采集地點(diǎn)的氣溫、風(fēng)向、氣壓等因素對(duì)預(yù)測的精度有很大的影響。同時(shí)風(fēng)機(jī)的“尾流效應(yīng)”也影響預(yù)測的精度。

要解決風(fēng)電場接入對(duì)電網(wǎng)調(diào)度影響，就需要提高短期風(fēng)電場發(fā)電量預(yù)測的準(zhǔn)確度。目前，較普遍使用的風(fēng)力發(fā)電量預(yù)測的方法是“學(xué)習(xí)法”[23]。隨著人工智能的發(fā)展，出現(xiàn)了很多新的預(yù)測方法，包括混合專家經(jīng)驗(yàn)法(ME)、最近鄰搜索(NNS)、蟻群優(yōu)化(PSO)、支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)法、小波分析法等。這些模型采用某種學(xué)習(xí)算法，通過大量數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練來建立輸入輸出間的關(guān)系，而不能用某個(gè)數(shù)學(xué)表達(dá)式直接表示[24]。學(xué)習(xí)方法的優(yōu)點(diǎn)可以根據(jù)風(fēng)電場的位置，隨時(shí)修改預(yù)測模型，其準(zhǔn)確度比較高，但同時(shí)學(xué)習(xí)方法需要積累大量的歷史數(shù)據(jù)，用于測量的成本較高。

4 風(fēng)電場發(fā)電量預(yù)測技術(shù)發(fā)展方向

目前對(duì)大型風(fēng)電場發(fā)電量的中/短期預(yù)測盡管取得了許多成果，但是尚存一些問題。首先，用于預(yù)測的模型過于復(fù)雜，環(huán)節(jié)較多，因此，預(yù)測準(zhǔn)確度有待提高。其次，影響風(fēng)電場發(fā)電量的諸多因素在所建風(fēng)力發(fā)電模型中考慮不全面，也制約了預(yù)測準(zhǔn)確度的提高。同時(shí)由于需要采集風(fēng)電場的氣象數(shù)據(jù)，而氣象數(shù)據(jù)的測量點(diǎn)在風(fēng)電場中的配置又極為有限，因此，所包含的風(fēng)能信息也受到了限制[25]，采取多種預(yù)測方法的組合預(yù)測是風(fēng)電場發(fā)電量預(yù)測技術(shù)發(fā)展的方向。目前，德國和丹麥進(jìn)一步開發(fā)了自己的多種方法綜合預(yù)測系統(tǒng)（MSMPS），作為一體化的氣象和風(fēng)力發(fā)電量預(yù)測系統(tǒng)。其目的是為了對(duì)局部地區(qū)氣象進(jìn)行預(yù)測以及概率分析。MSEPS包含75個(gè)“成員”，每個(gè)獨(dú)立的預(yù)測都作為系統(tǒng)的成員。這些成員組成了一個(gè)完整的綜合預(yù)測方法。這就是說每個(gè)預(yù)測成員通過一系列方程組成物理學(xué)或者動(dòng)力學(xué)過程，稱之為 “參數(shù)方法”（parameterization schemes）。這個(gè)綜合的方法主要目標(biāo)是為了進(jìn)行非確定性的氣象預(yù)測。不同的方程需要不同的解決方法，這就導(dǎo)致不同的結(jié)果[26]。因?yàn)樗械姆匠潭际褂貌煌念A(yù)測“綜合成員”，這些不同成員所描述的都是相同的過程。不過它們的假設(shè)條件不同，以便使它們能夠有解，事實(shí)上它們所描述的是氣象預(yù)測當(dāng)中變化著的物理不確定性。

基于混沌理論的神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)力發(fā)電量預(yù)測是一種新的預(yù)測方法。風(fēng)力發(fā)電系統(tǒng)是與氣象信息緊密相關(guān)的復(fù)雜動(dòng)力系統(tǒng)。氣象信息是典型的混沌時(shí)間序列，因此大型風(fēng)場中的風(fēng)力發(fā)電機(jī)的輸出功率必然具有混沌現(xiàn)象，也就是說風(fēng)力發(fā)電機(jī)的輸出功率也是一個(gè)混沌時(shí)間序列[27]。混沌運(yùn)動(dòng)具有遍歷性、隨機(jī)性等特點(diǎn),能在一定的范圍內(nèi)按其自身規(guī)律不重復(fù)地遍歷所有狀態(tài)?；煦鐣r(shí)間序列在其內(nèi)部這種確定的規(guī)律性,來自于它的非線性混沌動(dòng)力學(xué)特性,它們使系統(tǒng)表現(xiàn)出某種記憶能力,這種性質(zhì)不易為解析法所描述,但這種信息處理方式正好是神經(jīng)網(wǎng)絡(luò)所具備的。而混沌系統(tǒng)不可能作長期預(yù)測,但只要有足夠好的模型和對(duì)初始條件的精確觀察,它的確定性卻使之在預(yù)測能力消失以前可以進(jìn)行短期預(yù)測?；诨煦缋碚摰纳窠?jīng)網(wǎng)絡(luò)模型廣泛應(yīng)用于混沌時(shí)間序列的預(yù)測。結(jié)合中尺度氣象預(yù)報(bào)（MESO）模型的模型參考自適應(yīng)容量預(yù)測模型，可以提高風(fēng)電場發(fā)電量的預(yù)測準(zhǔn)確度。

5 總結(jié)

分析了風(fēng)電場接入對(duì)電網(wǎng)調(diào)度的影響和研究的重要性，介紹了國內(nèi)外的風(fēng)電場發(fā)電量預(yù)測技術(shù)。從中可以看出，提高風(fēng)電機(jī)組的可信容量系數(shù)，降低電力系統(tǒng)所需的備用容量是改善風(fēng)力發(fā)電的電網(wǎng)接入問題的重要措施。因此研制風(fēng)電功率預(yù)測系統(tǒng)是解決制約風(fēng)電大規(guī)模發(fā)展瓶頸問題的重要方法。

[1]潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場風(fēng)速預(yù)測優(yōu)化模型[J].電網(wǎng)技術(shù)，2008，32（7）：82-86.

[2]喻新強(qiáng).西北電力系統(tǒng)如何應(yīng)對(duì)大規(guī)模風(fēng)電開發(fā)與利用[J].電網(wǎng)與清潔能源，2009，25（8）：1-6.

[3]汪寧渤.甘肅酒泉千萬千瓦風(fēng)電基地面臨的挑戰(zhàn)及應(yīng)對(duì)措施[J].電網(wǎng)與清潔能源，2009，25（7）：43-47.

[4]黃棟，李懷霞，張振.風(fēng)電產(chǎn)業(yè)全球態(tài)勢與政府政策[J].電網(wǎng)與清潔能源，2009，25（2）：46-49.

[5]Bernhard Ernst，Brett Oakleaf，Mark L Ahlstrom，et al.Predicting the Wind[J].IEEE Power&Energy Magazine，2007，（11）：79-89.

[6]屠強(qiáng).風(fēng)電功率預(yù)測技術(shù)的應(yīng)用現(xiàn)狀及運(yùn)行建議[J].電網(wǎng)與清潔能源，2009，25（10）：4-9.

[7]宋偉偉，李強(qiáng)，袁越.雙饋風(fēng)電機(jī)組接入地區(qū)電網(wǎng)后的電壓穩(wěn)定分析[J].電網(wǎng)與清潔能源，2009，25（5）：36-40.

[8]姚金雄，李曉婷，王暉.風(fēng)電場穿透功率極限計(jì)算方法研究[J].電網(wǎng)與清潔能源，2009，25（4）：45-48.

[9]彭懷午，楊曉峰，劉方銳.基于SVM方法的風(fēng)電場短期風(fēng)速預(yù)測[J].電網(wǎng)與清潔能源，2009，25（7）：48-52.

[10]陶玉飛，李偉宏，楊喜峰.風(fēng)電場風(fēng)速預(yù)測模型研究[J].電網(wǎng)與清潔能源，2009，25（3）：53-56.

[11]范李平，楊力森，武粉桃.風(fēng)電場并網(wǎng)對(duì)電力系統(tǒng)穩(wěn)定性影響[J].電網(wǎng)與清潔能源，2009，25（6）：58-61.

[12]范高鋒，趙海翔，戴慧珠.大規(guī)模風(fēng)電對(duì)電力系統(tǒng)的影響和應(yīng)對(duì)策略[J].電網(wǎng)與清潔能源，2008，24（7）：44-48.

[13]Negnevitsky M,Johnson P,Santoso S.Short Term Wind Power Forecasting Using Hybrid Intelligent Systems[C]//Proc.Power Eng.Soc.General Meeting.Tampa,FL,2007.

[14]冬雷，高爽，廖曉鐘，等.風(fēng)力發(fā)電系統(tǒng)發(fā)電容量時(shí)間序列的混沌屬性分析[J].太陽能學(xué)報(bào)，2007，28(11)：1290-1294.

[15]肖永山，王維慶，霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速時(shí)間序列預(yù)測研究[J].節(jié)能技術(shù)，2007，25(2)：106-108.

[16]Ahlstrom M L，Zavadil R M.The Role of Wind Forecasting in Grid Operations&Reliability[C]//Ransmission and Distri-bution Conference and Exhibition：Asia and Pacific，2005，8：1-5.

[17]2008全球可再生能源發(fā)展現(xiàn)狀分析及前景展望.http://www.chinapower.com.cn

[18]Sideratos G,Hatziargyriou N.Using Radial Basis Neural Networks to Estimate Wind Power Production[C]//Proc.Power Eng.Soc.General Meeting,Tampa,FL,2007.

[19]胡光旺.風(fēng)電場整體風(fēng)速功率模型及風(fēng)速預(yù)報(bào)[D].汕頭：汕頭大學(xué),2007.

[20]Ulrich Fochen,Matthias Lange,Kai Monnich,et al.Shortterm Prediction of the Aggregated Power Output of Wind Farms a Statistical Analysis of the Reduction of the Prediction Error by Spatial Smoothing effects[J].Journal of Wind Engine-ering and Industrial Aerodynamics, 2002,90:231-246.

[21]Alexandre Costa,Antonio Crespo,Jorge Navarro,et al.A Review on the Young History of the Wind Power Short-term Prediction[J].Renewable and Sustainable Energy Reviews,2008（12）:1725-1744.

[22]丁明，張立軍，吳義純.基于時(shí)間序列分析的風(fēng)電場風(fēng)速預(yù)測模型[J].電力自動(dòng)化設(shè)備，2005，25(8)：32-34.

[23]Bossanyi E A.Short-term Wind Prediction Using Kalman Filters[J].Wind Engineering，1985，9（1）：1-8.

[24]王麗婕，廖曉鐘，高爽，等.并網(wǎng)型大型風(fēng)電場風(fēng)力發(fā)電功率-時(shí)間序列的混沌屬性分析[J].北京理工大學(xué)學(xué)報(bào)，2007，27(12)：1077-1080.

[25]Li Shuhui，Wunsch D，O′Hair E，et al.Using Neural Networks to Estimate Wind Turbine Power Generation[C]//IEEE Power Engineering Society Winter Meeting，Columbus，USA，2001，3（28）：977-986.

[26]杜穎，盧繼平，李青，等.基于最小二乘支持向量機(jī)的風(fēng)電場短期風(fēng)速預(yù)測[J].電網(wǎng)技術(shù)，2008，32（15）：62-66.

[27]Holttinen H.Handling of Wind Power Forecast Errors in the Nordic Power Market.9th International Conference on Probabilistic Methods Applied to Power Systems[C]//Stockholm，Sweden，2006.

A Summery of Studies on Wind Power Prediction Technologies

GAO Yang1,CHEN Hua-yu2,OU Yang-qun3
（1.Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province,China;2.CPI Northeast Power Company Limited,Shenyang 110017,Liaoning Province,China;3.Liaoning Electric Power Company Limited,Shenyang 110006,Liaoning Province,China）

This paper firstlysummarizes the status of the wind power developmentin China,and secondly analyzes the urgentneed for solutions to address the impacts on power grids caused by the integration of the farms. Thirdly, it reviews the present study approaches and discusses the ongoingstudies and the trends on the wind power prediction technology both at home and abroad,and finally base donchaos theory,proposessomere warding methods.

wind power generation；wind power prediction；chaos theory

首先綜述了風(fēng)電在我國的發(fā)展現(xiàn)狀，分析了目前風(fēng)電場接入電網(wǎng)急需解決的問題,然后總結(jié)了現(xiàn)在風(fēng)電場發(fā)電量預(yù)測模型的研究方法。接著分析了風(fēng)電場發(fā)電量預(yù)測技術(shù)國內(nèi)外的研究現(xiàn)狀和發(fā)展趨勢，最后提出了基于混沌理論的風(fēng)電場發(fā)電量預(yù)測的方法。

風(fēng)力發(fā)電；發(fā)電量預(yù)測；混沌理論

遼寧省教育廳資助項(xiàng)目(2008z165)；沈陽工程學(xué)院2009科技項(xiàng)目資助。

1674-3814（2010）04-0060-04

TM614

A

2010-01-30。

高 陽（1974—），男，講師，主要研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化，新能源電力系統(tǒng)；

陳華宇（1973—），男，高級(jí)工程師，主要研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化；

歐陽群（1973—），男，高級(jí)工程師，主要研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化。

（編輯 徐花榮）