張文秀，武新芳，陸豪乾

（1.南京理工大學(xué)能源與動(dòng)力工程學(xué)院，南京 210094；2.上海電力學(xué)院能源與機(jī)械工程學(xué)院，上海 200090；3.國電南瑞科技股份有限公司深圳分公司，深圳 518054）

隨著環(huán)境的污染和傳統(tǒng)資源的枯竭，可再生能源受到越來越多的關(guān)注。作為一種無污染的可再生能源，風(fēng)力發(fā)電在全球范圍內(nèi)得到了快速發(fā)展。截止2013年底，全世界風(fēng)電累計(jì)裝機(jī)容量達(dá)到31 813萬kW，同比增長12.5%［1］。然而與常規(guī)能源相比，風(fēng)力發(fā)電具有間歇性、波動(dòng)性和隨機(jī)性。當(dāng)風(fēng)電容量較小時(shí)，對(duì)電力系統(tǒng)的影響并不明顯，但大規(guī)模的風(fēng)電接入電力系統(tǒng)后，給電網(wǎng)的安全穩(wěn)定運(yùn)行和電能質(zhì)量帶來了巨大挑戰(zhàn)。

預(yù)測(cè)風(fēng)電功率并開展研究，可以使電力調(diào)度提前掌握風(fēng)電場(chǎng)的出力變化，及時(shí)調(diào)整運(yùn)行策略，提高電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性。倘若能對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，就可以根據(jù)輸出功率制定合理的檢修計(jì)劃，提高風(fēng)電場(chǎng)容量系數(shù)，降低發(fā)電成本，為風(fēng)電場(chǎng)參與發(fā)電競(jìng)價(jià)奠定基礎(chǔ)［2］。

1 風(fēng)電功率預(yù)測(cè)方法

預(yù)測(cè)風(fēng)電功率有多種方法，目前沒有統(tǒng)一的分類標(biāo)準(zhǔn)。在文獻(xiàn)［3，4］對(duì)不同分類標(biāo)準(zhǔn)進(jìn)行不同劃分的基礎(chǔ)上，通過進(jìn)一步細(xì)化分析和總結(jié)，給出風(fēng)電功率預(yù)測(cè)方法分類，如圖1所示。圖1中NWP為數(shù)值氣象預(yù)報(bào)，NWP預(yù)測(cè)方法具有一定的代表性。

1.1 基于歷史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)

基于歷史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)方法就是在風(fēng)速、風(fēng)向等若干個(gè)歷史數(shù)據(jù)與風(fēng)電輸出功率之間建立一種映射關(guān)系，根據(jù)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)。由于受到精度限制，預(yù)測(cè)時(shí)間一般為6～8h。主要有持續(xù)預(yù)測(cè)法、空間相關(guān)法、卡爾曼濾波法、自回歸滑動(dòng)平均法、隨機(jī)時(shí)間序列法等。

圖1 風(fēng)電功率預(yù)測(cè)方法分類

持續(xù)預(yù)測(cè)法最簡(jiǎn)單，在短期內(nèi)模型性能好，但誤差較大，通常作為基準(zhǔn)比較法來評(píng)價(jià)其他方法的精度；卡爾曼濾波法很難獲得噪聲的統(tǒng)計(jì)特性；隨機(jī)時(shí)間序列法建模時(shí)只需知道少量的信息，如風(fēng)電場(chǎng)的單一風(fēng)速或時(shí)間序列，但對(duì)于低階模型，預(yù)測(cè)精度不夠高，而高階模型的參數(shù)估計(jì)則難度較大。在實(shí)際使用中采用單一的某種方法效果并不理想，由此產(chǎn)生了一些將幾種預(yù)測(cè)方法進(jìn)行一定的加權(quán)平均處理得到最終結(jié)果的組合預(yù)測(cè)方法［5］，其局限是模型中不可能包含所有因素，很難確定各種參數(shù)之間的精確關(guān)系，所以其預(yù)測(cè)的精度受到一定的限制。

近年來，基于歷史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)，在研究方面取得可喜成果，發(fā)展較快。支持向量機(jī)（SVM）技術(shù)具有全局優(yōu)化、訓(xùn)練時(shí)間短和泛化能力強(qiáng)等特點(diǎn)。戚雙斌從物理和統(tǒng)計(jì)方法對(duì)SVM預(yù)測(cè)方法做了分析，支持向量機(jī)在風(fēng)電功率預(yù)測(cè)中的較大應(yīng)用空間，并做了實(shí)驗(yàn)［6］。Wen J提出將SVM與小波變換結(jié)合起來預(yù)測(cè)風(fēng)電功率，利用小波變換找出原始信號(hào)，采用SVM提高預(yù)測(cè)精度，結(jié)果表明這種方法比單一的SVM方法更有效［7］。陳道君等人在量子粒子群優(yōu)化（QPSO）算法中加入自適應(yīng)早熟判定準(zhǔn)則、混合擾動(dòng)算子和動(dòng)態(tài)擴(kuò)張—收縮系數(shù)，提出了自適應(yīng)擾動(dòng)量子粒子群優(yōu)化算法（ADQPSO）。研究表明該算法全局尋優(yōu)能力強(qiáng)，有效提高了模型的預(yù)測(cè)精度［8］。Bhaskar K把前饋神經(jīng)網(wǎng)絡(luò)用于風(fēng)速和輸出功率之間的非線性映射，然后將預(yù)測(cè)的風(fēng)速轉(zhuǎn)化為功率預(yù)測(cè)，該方法的有效性是與新的基準(zhǔn)模型對(duì)比的，結(jié)果顯示該模型方法要優(yōu)于基準(zhǔn)模型［9］。陳穎采用基于多層前饋人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)法，對(duì)超短期的風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，同時(shí)在實(shí)際運(yùn)行數(shù)據(jù)的基礎(chǔ)上，對(duì)風(fēng)電場(chǎng)的尾流效應(yīng)所帶來的預(yù)測(cè)誤差進(jìn)行分析和修正，用以減少尾流效應(yīng)對(duì)預(yù)測(cè)結(jié)果的影響，提高了預(yù)測(cè)精度［10］。

針對(duì)單一的神經(jīng)網(wǎng)絡(luò)方法泛化能力差、網(wǎng)絡(luò)收斂速度慢等不足，張明理等人提出基于主成分前向反饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，采用K—S方法和主成分分析法提取樣本及其有效信息，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行輸出功率預(yù)測(cè)。結(jié)果表明，對(duì)神經(jīng)網(wǎng)絡(luò)模型主成分分析后，能消除輸入因子的相關(guān)性并簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，使網(wǎng)絡(luò)加速收斂。采用小波變換、粒子群優(yōu)化、神經(jīng)網(wǎng)絡(luò)和模糊推理多種算法結(jié)合的方法對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，由于預(yù)測(cè)時(shí)只考慮歷史風(fēng)電功率數(shù)據(jù)，結(jié)果效果一般。如果加入其他影響風(fēng)電功率的數(shù)據(jù)可能會(huì)更好［11］。Shi J提出了采用“希伯特—黃”和人工神經(jīng)網(wǎng)絡(luò)綜合的模型進(jìn)行風(fēng)電功率預(yù)測(cè)，充分利用“希伯特—黃”變換在處理非線性和非平穩(wěn)信號(hào)上的優(yōu)勢(shì)［12］。

1.2 基于數(shù)值天氣預(yù)報(bào)的預(yù)測(cè)

數(shù)值天氣預(yù)報(bào)（NWP）是指根據(jù)大氣實(shí)況，在一定的初值和邊值條件下，通過計(jì)算機(jī)求解表示天氣變化過程的流體力學(xué)和熱力學(xué)方程組，預(yù)測(cè)未來天氣狀況的定量和客觀的方法［13］。輸入數(shù)據(jù)為風(fēng)速、風(fēng)向、氣溫、氣壓等SCADA數(shù)據(jù)以及等高線、障礙物、粗糙度等參數(shù)。借助NWP方法，風(fēng)電功率預(yù)測(cè)時(shí)間為24～72h。很多國家都開發(fā)了NWP系統(tǒng)，如德國的Lokal Model模型，美國的T170L42，英國的統(tǒng)一模式UM，以及我國的T213L31等。Nielsen H A等人證實(shí)了如果把幾個(gè)NWP模型組合到一起可以降低預(yù)測(cè)誤差［14］。Louka等人指出卡爾曼濾波可以消除NWP模型中風(fēng)速預(yù)測(cè)的系統(tǒng)誤差［15］。

基于NWP預(yù)測(cè)方法的原理框圖如圖2所示。該方法比較成熟，模型非常復(fù)雜，建立在大量實(shí)測(cè)數(shù)據(jù)上，需要利用大型計(jì)算機(jī)模擬大氣運(yùn)動(dòng)的演變過程進(jìn)行計(jì)算，應(yīng)用存在局限性。

圖2 基于NWP的預(yù)測(cè)方法

馮雙磊等人研究了適合電網(wǎng)調(diào)度的NWP法，求解了風(fēng)電場(chǎng)粗糙度變化與地形變化對(duì)流場(chǎng)的擾動(dòng)，并考慮了尾流效應(yīng)，由于這種方法不需要?dú)v史數(shù)據(jù)的支持，適用新建風(fēng)電場(chǎng)的預(yù)測(cè)［16］。Nielsen T S在ANEMOS系統(tǒng)中加入了卡爾曼濾波法，對(duì)NWP數(shù)據(jù)進(jìn)行處理，與沒有進(jìn)行卡爾曼濾波處理之前相比，預(yù)測(cè)絕對(duì)值平均誤差降低了20%［17］。文獻(xiàn)［18］基于NWP的支持向量機(jī)風(fēng)電功率預(yù)測(cè)方法，利用NWP來提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，通過優(yōu)化選取NWP的網(wǎng)格點(diǎn)、物理層面及其之上的物理量對(duì)預(yù)測(cè)模型進(jìn)行簡(jiǎn)化，提高預(yù)測(cè)程序的運(yùn)行速度。

2 預(yù)測(cè)模型

2.1 物理模型

物理模型的輸入量是一些物理或氣象信息，比如NWP得到的天氣數(shù)據(jù)，風(fēng)電機(jī)組的技術(shù)參數(shù)及風(fēng)電場(chǎng)周圍地理信息。其目的是找到風(fēng)電機(jī)組輪轂高度處的風(fēng)速最優(yōu)估計(jì)值，然后用模型輸出統(tǒng)計(jì)模塊減小存在的誤差，最后根據(jù)風(fēng)電場(chǎng)的功率曲線計(jì)算得到風(fēng)電場(chǎng)的輸出功率。針對(duì)功率輸出特性，計(jì)算流體力學(xué)方法（CFD）是一種很好的方法，可以得出當(dāng)?shù)氐奈锢淼匦螚l件［19］。物理模型的實(shí)質(zhì)是提高NWP模型的分辨率，使之能夠精確地預(yù)測(cè)某一處的天氣，即建立風(fēng)電場(chǎng)的NWP模型。國內(nèi)外風(fēng)電場(chǎng)預(yù)測(cè)系統(tǒng)大多基于物理模型，在預(yù)測(cè)過程中結(jié)合相應(yīng)的樣本分析和學(xué)習(xí)方法以優(yōu)化NWP數(shù)據(jù)，提高預(yù)測(cè)的準(zhǔn)確性。基于物理模型的風(fēng)電功率預(yù)測(cè)框圖如圖3所示。

圖3 基于物理模型的預(yù)測(cè)框圖

物理模型預(yù)測(cè)方法不受測(cè)量數(shù)據(jù)的限制，適用于復(fù)雜地形，需要豐富的氣象信息和充分了解物理特性，預(yù)測(cè)精度受所建模型的精細(xì)度影響較大。

2.2 統(tǒng)計(jì)模型

統(tǒng)計(jì)模型中氣象過程不需要明確的體現(xiàn)出來，歷史統(tǒng)計(jì)數(shù)據(jù)和天氣的關(guān)系是確定的，它們用來預(yù)測(cè)未來的功率輸出。不同于物理模型，統(tǒng)計(jì)模型在輸入變量和輸出功率之間只涉及一步轉(zhuǎn)化。統(tǒng)計(jì)模型在NWP數(shù)據(jù)和風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)與風(fēng)電場(chǎng)的輸出功率之間建立線性的或非線性的映射關(guān)系，這個(gè)關(guān)系可以用函數(shù)的形式表示出來，建立這種映射關(guān)系的方法有黑盒子技術(shù)、灰盒子技術(shù)等［20］。統(tǒng)計(jì)模型預(yù)測(cè)方法能自發(fā)地適應(yīng)風(fēng)電場(chǎng)位置，系統(tǒng)誤差小，缺點(diǎn)是需要長期測(cè)量數(shù)據(jù)和額外的訓(xùn)練。另外，如果在訓(xùn)練階段出現(xiàn)極端天氣狀況，會(huì)加大預(yù)測(cè)難度，倘若不做針對(duì)性的修正，將會(huì)導(dǎo)致很大的預(yù)測(cè)誤差。

2.3 組合模型

組合預(yù)測(cè)模型是風(fēng)電場(chǎng)功率預(yù)報(bào)的發(fā)展方向之一［21］，分為基于物理方法和統(tǒng)計(jì)方法的組合；基于不同統(tǒng)計(jì)模型的組合；基于短期和中期模型的組合。目的是發(fā)揮各個(gè)模型的優(yōu)勢(shì)，獲得全局最優(yōu)的預(yù)報(bào)性能。目前，大型風(fēng)電功率預(yù)報(bào)系統(tǒng)主要采用基于物理方法和統(tǒng)計(jì)方法的組合預(yù)測(cè)模型。由于沒有固定的模型選擇框架，不同模型的選擇會(huì)影響組合預(yù)測(cè)結(jié)果。

Costa等人在UPMPREDICTION項(xiàng)目中將短期預(yù)測(cè)的統(tǒng)計(jì)和物理模型進(jìn)行了集成，成為面向電力市場(chǎng)和電力系統(tǒng)管理一體化的在線工具［22］。Bustamante等人研究了每小時(shí)風(fēng)速預(yù)報(bào)，考慮了自回歸模型和神經(jīng)網(wǎng)絡(luò)兩種方法，在極短的時(shí)間尺度采用物理和統(tǒng)計(jì)來降尺度，分析主成分，并依據(jù)線性回歸在觀測(cè)數(shù)據(jù)中找到類似的模式［23］。

3 預(yù)測(cè)誤差的評(píng)價(jià)分析

對(duì)風(fēng)電功率預(yù)測(cè)誤差進(jìn)行綜合評(píng)價(jià)，是提高預(yù)測(cè)精度、指導(dǎo)預(yù)測(cè)結(jié)果合理應(yīng)用的前提。根據(jù)評(píng)價(jià)指標(biāo)，可以從各方面了解預(yù)測(cè)系統(tǒng)的運(yùn)行狀況，獲取有價(jià)值的信息，對(duì)不同預(yù)測(cè)方法的優(yōu)劣性進(jìn)行評(píng)價(jià)，從而提高預(yù)測(cè)精度，更好地把預(yù)測(cè)結(jié)果應(yīng)用到風(fēng)電場(chǎng)功率預(yù)測(cè)中。

常用的誤差評(píng)價(jià)指標(biāo)有絕對(duì)誤差均值（ME）、絕對(duì)值平均誤差（MAE）、均方根誤差（RMSE）、平均相對(duì)誤差（MRE）等。這些誤差評(píng)價(jià)采取均值類指標(biāo)，不能全面反映預(yù)測(cè)系統(tǒng)的真實(shí)情況，徐曼等人提出了一種綜合評(píng)價(jià)方法，包含縱向誤差、橫向誤差、相關(guān)因子與極端誤差等在內(nèi)，在內(nèi)蒙古某風(fēng)電場(chǎng)運(yùn)行數(shù)據(jù)的基礎(chǔ)上，對(duì)不同預(yù)測(cè)方法、預(yù)測(cè)系統(tǒng)的不同誤差環(huán)節(jié)進(jìn)行評(píng)價(jià)，結(jié)果證明該評(píng)價(jià)指標(biāo)具有一定的指導(dǎo)價(jià)值［24］。Zhang Z S建立了一個(gè)通用分布模型來預(yù)測(cè)所有預(yù)測(cè)時(shí)間尺度的誤差，這種經(jīng)濟(jì)性分布可以通過一些分析術(shù)語簡(jiǎn)化風(fēng)速導(dǎo)致的不確定性，結(jié)果表明在反映預(yù)測(cè)誤差上，這種分布要比傳統(tǒng)的分布更準(zhǔn)確［25］。Bessa R則在訓(xùn)練映射時(shí)采取熵的概念，把它作為評(píng)價(jià)預(yù)測(cè)誤差指標(biāo)，有助于全面獲取誤差所包含的信息，據(jù)此來優(yōu)化預(yù)測(cè)系統(tǒng)［26］。

目前，對(duì)預(yù)測(cè)誤差修正的研究開展相對(duì)較少，楊紅英提出了基于線性回歸的風(fēng)電功率預(yù)測(cè)誤差修正方法，并運(yùn)用算例對(duì)所提方法驗(yàn)證，結(jié)果表明該方法能提高預(yù)測(cè)精度，降低預(yù)測(cè)誤差［27］。

4 預(yù)測(cè)系統(tǒng)研究現(xiàn)狀

國外對(duì)風(fēng)電功率預(yù)測(cè)研究起步較早，預(yù)測(cè)方法基本成熟，如歐美一些風(fēng)電技術(shù)發(fā)展比較成熟的國家，已經(jīng)研發(fā)出數(shù)個(gè)風(fēng)電場(chǎng)輸出功率短期預(yù)報(bào)系統(tǒng)。

1900年，Landberg開發(fā)了風(fēng)電功率預(yù)測(cè)系統(tǒng)［28］，采用類似歐洲風(fēng)圖集的推理方法進(jìn)行預(yù)測(cè)。丹麥Ris國家可再生能源實(shí)驗(yàn)室獨(dú)立研發(fā)的Prediktor，利用NWP高精度有限區(qū)域模型，得到風(fēng)電場(chǎng)地面風(fēng)速，再利用WAsP程序進(jìn)一步分析，考慮了障礙物和粗糙度的影響和變化等。丹麥技術(shù)大學(xué)開發(fā)的WPPT預(yù)測(cè)系統(tǒng)［29］，采用自回歸統(tǒng)計(jì)方法，將自適應(yīng)回歸最小平方根法與指數(shù)遺忘算法相結(jié)合預(yù)測(cè)短期風(fēng)電功率?，F(xiàn)在Prediktor和WPPT已經(jīng)被整合成Zephry系統(tǒng)，它集合了前兩者的功能，能進(jìn)行短期和中期預(yù)測(cè)。

美國AWS Truewind公司開發(fā)的eWind［30］，主要包括高精度三維大氣物理模型、風(fēng)電場(chǎng)輸出模型和預(yù)測(cè)分發(fā)系統(tǒng)，使用自適應(yīng)統(tǒng)計(jì)方法來消除誤差。與此類似還有英國Garrad Hassan公司開發(fā)的GH Forecaster。德國ISET開發(fā)的WPMS［31］，采用人工神經(jīng)網(wǎng)絡(luò)方法，訓(xùn)練NWP數(shù)據(jù)和風(fēng)電功率的歷史測(cè)量數(shù)據(jù)，其預(yù)測(cè)均方根誤差（RMSE）為裝機(jī)容量的7%～19%，已成為商用最成熟的預(yù)測(cè)系統(tǒng)，目前應(yīng)用于德國四大電網(wǎng)公司。

較為成熟的產(chǎn)品還有法國Ecole des Mines de Paris公司開發(fā)的AWPPS，德國太陽能研究所研發(fā)的AWPT等［32］。這些預(yù)測(cè)系統(tǒng)的預(yù)測(cè)框架較為類似，大多是基于氣象部門提供的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，系統(tǒng)誤差在10%～15%，主要原因在于NWP的誤差和模型的系統(tǒng)誤差。

近年來，開發(fā)更高級(jí)的預(yù)測(cè)模型，研發(fā)適用于復(fù)雜地形、極端天氣條件以及海上風(fēng)電場(chǎng)的預(yù)測(cè)技術(shù)已成為研究的重點(diǎn)，具有代表性的是歐盟的ANEMOS項(xiàng)目。該項(xiàng)目有7個(gè)國家參與，目的是開發(fā)一種短期發(fā)電量預(yù)測(cè)的工具并將其應(yīng)用于陸上和海上風(fēng)電場(chǎng)。它基于物理和統(tǒng)計(jì)兩種模型，使用多個(gè)NWP模式，可以把預(yù)測(cè)精度提高至10%。

目前，我國風(fēng)電功率預(yù)測(cè)系統(tǒng)尚處于初步探索和發(fā)展階段，主要的預(yù)測(cè)系統(tǒng)有中國電力科學(xué)研究院研制的WPFS Ver1.0預(yù)測(cè)系統(tǒng)、清華大學(xué)研制的風(fēng)功率綜合預(yù)測(cè)系統(tǒng)及國網(wǎng)電力科學(xué)研究院／南京南瑞集團(tuán)的NSF3100風(fēng)電功率預(yù)測(cè)系統(tǒng)。其中，WPFS Ver1.0通過物理方法和學(xué)習(xí)方法進(jìn)行功率預(yù)測(cè)，于2008年12月投入試運(yùn)行，預(yù)測(cè)誤差低于20%；清華大學(xué)研發(fā)的風(fēng)功率綜合預(yù)測(cè)系統(tǒng)達(dá)到了一定水準(zhǔn)，是首個(gè)由氣象服務(wù)部門提供永久性NWP服務(wù)的風(fēng)功率預(yù)報(bào)系統(tǒng)；NSF3100風(fēng)電功率預(yù)測(cè)系統(tǒng)，目前在華北電網(wǎng)公司、東北電網(wǎng)公司等單位進(jìn)入業(yè)務(wù)化運(yùn)行，并在內(nèi)蒙、江蘇、浙江、甘肅等省的風(fēng)電場(chǎng)投入運(yùn)行。NSF3100風(fēng)電功率預(yù)測(cè)系統(tǒng)軟件平臺(tái)模塊圖如圖4所示。

圖4 NSF3100風(fēng)電功率預(yù)測(cè)系統(tǒng)軟件平臺(tái)模塊圖

5 存在問題及改進(jìn)建議

與常規(guī)的火電類負(fù)荷預(yù)測(cè)相比，風(fēng)電功率預(yù)測(cè)有著獨(dú)特的隨機(jī)性、波動(dòng)性和突變性。國內(nèi)風(fēng)電功率預(yù)測(cè)還處于初始階段，預(yù)測(cè)精度不夠等諸多問題需要解決。

5.1 存在問題

1）當(dāng)前的預(yù)測(cè)方法中，涉及數(shù)據(jù)預(yù)處理部分很少，然而原始數(shù)據(jù)的質(zhì)量好壞，直接影響到風(fēng)電功率的預(yù)測(cè)精度，因此有必要對(duì)數(shù)據(jù)預(yù)處理進(jìn)行規(guī)范。

2）海上風(fēng)電場(chǎng)功率預(yù)測(cè)是個(gè)巨大挑戰(zhàn)，由于海上環(huán)境平坦、障礙物少導(dǎo)致風(fēng)速的變化要比陸上更敏感，專門應(yīng)用于海上風(fēng)電場(chǎng)的預(yù)測(cè)方法目前很少。

3）對(duì)數(shù)據(jù)條件不完備的風(fēng)電場(chǎng)，難以建立準(zhǔn)確的單個(gè)風(fēng)電場(chǎng)的功率預(yù)測(cè)模型，進(jìn)而影響區(qū)域內(nèi)所有風(fēng)電場(chǎng)的功率預(yù)測(cè)精度。

4）當(dāng)前關(guān)于預(yù)測(cè)精度的研究較少，成功預(yù)測(cè)誤差的統(tǒng)計(jì)方法太少，難以判斷給出的預(yù)測(cè)分布是否能反映真實(shí)狀況，有必要研究和制定出合理的評(píng)價(jià)標(biāo)準(zhǔn)。

5）風(fēng)電功率預(yù)測(cè)誤差的概率分布研究中，針對(duì)預(yù)測(cè)誤差概率分布隨預(yù)測(cè)時(shí)長變化所呈現(xiàn)規(guī)律的相關(guān)研究較少，需要進(jìn)一步研究。

6）當(dāng)前全面評(píng)價(jià)風(fēng)電功率預(yù)測(cè)誤差的研究很少，缺乏長期大量的數(shù)據(jù)分析，常用的誤差評(píng)價(jià)指標(biāo)不能充分反映預(yù)測(cè)誤差的各方面特點(diǎn)，難以用來研究風(fēng)電功率預(yù)測(cè)系統(tǒng)的誤差產(chǎn)生機(jī)理。

5.2 改進(jìn)建議

1）深化風(fēng)電功率預(yù)測(cè)技術(shù)的研究，提高天氣預(yù)報(bào)準(zhǔn)確度及NWP模型分辨率，或者研發(fā)專門用于風(fēng)電功率預(yù)測(cè)的NWP系統(tǒng)。

2）由于風(fēng)電場(chǎng)出力存在波動(dòng)范圍，對(duì)預(yù)測(cè)結(jié)果進(jìn)行不確定性分析，可以降低預(yù)測(cè)誤差。

3）加強(qiáng)標(biāo)準(zhǔn)體系建設(shè)，制定風(fēng)電功率預(yù)測(cè)系統(tǒng)建設(shè)和運(yùn)行管理辦法；制定相關(guān)國家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)，對(duì)預(yù)測(cè)系統(tǒng)功能、運(yùn)行管理等方面進(jìn)行規(guī)范。

4）加大區(qū)域風(fēng)電場(chǎng)群功率預(yù)測(cè)研究，提高預(yù)測(cè)精度，為電網(wǎng)安全調(diào)度提供便捷。

5）關(guān)注預(yù)測(cè)結(jié)果的風(fēng)險(xiǎn)評(píng)估，規(guī)避預(yù)測(cè)風(fēng)險(xiǎn)，提高預(yù)測(cè)全面性。

6）開展跨行業(yè)、跨學(xué)科合作，開展風(fēng)電企業(yè)和氣象行業(yè)以及與相關(guān)單位深度合作，進(jìn)行技術(shù)研發(fā)，破解技術(shù)難題，共同推進(jìn)風(fēng)電功率預(yù)測(cè)系統(tǒng)的發(fā)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］王麗婕，廖曉鐘，高陽，等.風(fēng)電場(chǎng)發(fā)電功率的建模和預(yù)測(cè)研究綜述［J］.電力系統(tǒng)保護(hù)與控制，2009，37（13）：118－121.

［4］劉永前，韓爽，胡永生.風(fēng)電場(chǎng)出力短期預(yù)報(bào)研究綜述［J］.現(xiàn)代電力，2007，24（90）：6－11.

［5］牛東曉，曹樹華，趙磊，等.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用［M］.北京：中國電力出版社，1998.

［6］戚雙斌，王維慶，張新燕.基于支持向量機(jī)的風(fēng)速與風(fēng)功率預(yù)測(cè)方法研究［J］.華東電力，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］陳道君，龔慶武，金朝意，等.基于自適應(yīng)擾動(dòng)量子粒子群算法參數(shù)優(yōu)化的支持向量回歸機(jī)短期風(fēng)電功率預(yù)測(cè)［J］.電網(wǎng)技術(shù)，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］陳穎，周海，王文鵬，等.風(fēng)電場(chǎng)輸出功率超短期預(yù)測(cè)結(jié)果分析與改進(jìn)［J］.電力系統(tǒng)自動(dòng)化，2011，35（15）：30－33.

［11］張明理，楊曉亮，滕云，等.基于主成分分析與前向反饋傳播神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)［J］.電網(wǎng)技術(shù)，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］Catal?o 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］馮雙磊，王偉勝，劉純，等.風(fēng)電場(chǎng)功率預(yù)測(cè)物理方法研究［J］.中國電機(jī)工程學(xué)報(bào)，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，楊蘋，楊曦.基于數(shù)值天氣預(yù)報(bào)的風(fēng)電功率預(yù)測(cè)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］韓爽.風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究［D］.北京：華北電力大學(xué)，2008.

［21］Lange M，F(xiàn)ocken 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，喬穎，魯宗相.短期風(fēng)電功率預(yù)測(cè)誤差綜合評(píng)價(jià)方法［J］.電力系統(tǒng)自動(dòng)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］楊紅英，馮雙磊，王勃，等.基于線性回歸的風(fēng)電功率預(yù)測(cè)誤差修正方法［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，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.