丁乃千　陳正洪　楊宏青　許楊（1 南京信息工程大學(xué)，南京 210044；2 恩施州氣象局，恩施 445000； 湖北省氣象服務(wù)中心，武漢 40074）

?

風(fēng)電功率預(yù)報技術(shù)研究綜述

丁乃千1,2陳正洪3楊宏青3許楊3
（1 南京信息工程大學(xué)，南京 210044；2 恩施州氣象局，恩施 445000；3 湖北省氣象服務(wù)中心，武漢 430074）

摘要：從20世紀中后期開始，丹麥等多個西方國家已經(jīng)展開對風(fēng)電功率預(yù)測的研究，而我國在該領(lǐng)域的研究開展得比較晚。在很長一段時間內(nèi)，各國風(fēng)電場均采用單一的預(yù)測方法進行風(fēng)電功率預(yù)測，基本能夠滿足風(fēng)電場及整個電力系統(tǒng)的需求。但是，隨著風(fēng)電產(chǎn)業(yè)的飛速發(fā)展，市場競爭越來越激烈，傳統(tǒng)單一的預(yù)報方法逐漸不能滿足需求，而集合預(yù)報在很大程度上能夠解決這一問題。傳統(tǒng)單一的方法所能做到的準確率已經(jīng)達到比較高的水平，提升空間不大，集合各單一方法的優(yōu)點能大大提升預(yù)測準確率。本文主要綜合闡述各種傳統(tǒng)預(yù)測方法，并結(jié)合各國的試驗對比分析對集合預(yù)報作簡要說明。

關(guān)鍵詞：風(fēng)電功率，預(yù)測方法，傳統(tǒng)，集合預(yù)報

0　引言

隨著人類社會的發(fā)展，煤炭、石油等主要礦物能源的供應(yīng)日趨緊張，而我們賴以生存的環(huán)境也因為礦物能源的大量使用正逐步惡化。為了改善生存環(huán)境，風(fēng)能、太陽能等潔凈的可再生能源的利用就顯得尤為重要，其中，風(fēng)資源的開發(fā)和利用，在最近幾年得到了飛速發(fā)展。據(jù)全球風(fēng)能理事會（Global Wind Energy Council，GWEC）統(tǒng)計[1]，截至2013年全球風(fēng)電累計裝機容量已達318GW，累計增長率達到了12.5%，在過去五年（2009—2013年）全球風(fēng)電市場規(guī)模擴大了約200GW。預(yù)計2014年及未來的市場前景將會更為樂觀。我國預(yù)計在2020年，風(fēng)電總裝機容量將達到200GW。由于大規(guī)模風(fēng)電均采用的是并網(wǎng)運行模式，所以對風(fēng)電功率預(yù)測預(yù)報的需要顯得尤為重要。

1　風(fēng)電功率預(yù)測預(yù)報的意義

風(fēng)電具有隨機性、間歇性和波動性等特點，風(fēng)力發(fā)電給電網(wǎng)調(diào)度帶來了極大的困難，這些難點嚴重阻礙了風(fēng)電的發(fā)展。首先，對風(fēng)電進行有效調(diào)度和科學(xué)管理，可以提高電網(wǎng)接納風(fēng)電的能力。電網(wǎng)系統(tǒng)需要風(fēng)電場、風(fēng)電功率預(yù)測預(yù)報系統(tǒng)在提前一天提供準確的風(fēng)電功率預(yù)測曲線，使得電網(wǎng)可以更多的吸納風(fēng)電，提高風(fēng)力發(fā)電在電網(wǎng)中所占份額；同時，根據(jù)預(yù)報結(jié)果合理安排發(fā)電計劃，減少系統(tǒng)的旋轉(zhuǎn)備用容量，提高電網(wǎng)的經(jīng)濟性。其次，風(fēng)電功率預(yù)報是風(fēng)電場運營、提高風(fēng)機可利用率的重要技術(shù)手段，還可以指導(dǎo)風(fēng)電場計劃檢修。根據(jù)風(fēng)電功率預(yù)報安排在小風(fēng)或無風(fēng)的情況下進行風(fēng)電場定期維護、檢修及故障排除等工作[2]。因此，做好風(fēng)電功率預(yù)測預(yù)報服務(wù)工作，對全球風(fēng)電產(chǎn)業(yè)的發(fā)展會起到積極推進作用。

2　風(fēng)電功率預(yù)測預(yù)報技術(shù)方法

2.1技術(shù)方法的分類

早期國內(nèi)外研究人員通過把風(fēng)速的預(yù)測值帶入風(fēng)速與風(fēng)電機組電力輸出的關(guān)系式中進行計算可以獲得風(fēng)電功率的預(yù)測值，或者根據(jù)已有的風(fēng)電功率數(shù)據(jù)建立模型計算分析而獲得預(yù)測值[3]。

按照預(yù)測時效，可以劃分為：長期預(yù)測、中期預(yù)測、短期預(yù)測和超短期預(yù)測[4]。本文主要針對短期預(yù)測和超短期預(yù)測進行闡述。

按照采用的預(yù)測模型可分為：統(tǒng)計方法、物理方法及組合模型方法。

2.2各種技術(shù)方法的介紹

統(tǒng)計預(yù)測方法即不考慮風(fēng)速變化的物理過程（圖1），采用數(shù)學(xué)統(tǒng)計方法，在歷史數(shù)據(jù)與風(fēng)電場輸出功率之間建立映射關(guān)系，以此來對風(fēng)電功率進行預(yù)測方法的統(tǒng)稱，包含：1）確定性時序模型預(yù)測方法，常用的包括 卡爾曼濾波法、時間序列法（ARMA）和指數(shù)平滑法等[5]；2）基于智能類模型的預(yù)測方法，常用的包括人工神經(jīng)網(wǎng)絡(luò)法（如BP神經(jīng)網(wǎng)絡(luò)法）、小波分析法、支持向量機（SVM）回歸法和模糊邏輯法等[6-7]。

圖1　統(tǒng)計預(yù)測方法流程Fig.1　Statistical prediction method process

物理預(yù)測方法[8]是指根據(jù)氣象部門提供的數(shù)值天氣預(yù)報（NWP）的氣象預(yù)報結(jié)果，得到風(fēng)電場的風(fēng)向、風(fēng)速、大氣壓強和空氣密度等天氣數(shù)據(jù)，然后根據(jù)風(fēng)機周圍的物理信息（包括地形、等高線、地表粗糙度及周圍障礙物等）得到風(fēng)電機組輪轂高度的風(fēng)速和風(fēng)向信息的最優(yōu)估計值，最后根據(jù)已建立的風(fēng)速與風(fēng)電功率的統(tǒng)計模型給出風(fēng)電功率預(yù)測（圖2）。

組合預(yù)測方法即把兩種或者多種預(yù)測方法有機綜合，提高了預(yù)測精度。其中，具有代表性的方法包括：利用BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與SVM進行風(fēng)電功率預(yù)測的風(fēng)電場輸出功率組合預(yù)測模型[9]；將SVM、模糊邏輯、神經(jīng)網(wǎng)絡(luò)結(jié)合使用的預(yù)測方法[10]；基于相似性樣本的多層前饋神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測方法[11]；或利用小波函數(shù)將原始波形進行不同尺度的分解，將分解得到的周期分量用時間序列進行預(yù)測，其余部分采用神經(jīng)網(wǎng)絡(luò)進行預(yù)測，最后將信號序列重構(gòu)得到完整的風(fēng)速預(yù)測結(jié)果的預(yù)測方法[12]；利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)法進行風(fēng)速預(yù)測的方法[13]；在模型訓(xùn)練時采用遺傳算法的模糊風(fēng)速及風(fēng)電功率預(yù)測[14]。

圖2　物理預(yù)測方法流程Fig.2　Physical prediction method process

2.3技術(shù)方法的不足與改進

2.3.1統(tǒng)計方法

1）自回歸滑動平均（ARMA）模型。它是時間序列建模方法中最為成熟的一種，但它僅適用于零均值的平穩(wěn)隨機序列。風(fēng)速或者風(fēng)電功率的時間序列具有非平穩(wěn)隨機序列的特點，因此，建立風(fēng)速或風(fēng)電功率預(yù)測的ARMA模型時首先需進行數(shù)據(jù)時間序列增加趨勢性及周期性的非平穩(wěn)化處理。模型建立之后，可通過檢驗變量的自相關(guān)函數(shù)以及偏相關(guān)函數(shù)確定模型的階次，而模型參數(shù)的確定通常采用最小二乘法[15]，還可以通過卡爾曼濾波法及滾動時間序列來改進原有預(yù)測模型[16-17]，也可以引入經(jīng)驗?zāi)Ｊ椒纸鈁18]或者局域波分解方法[19]來對時間序列法進行改進,而考慮到風(fēng)速或者是風(fēng)電場輸出功率時間序列本身具有混沌性及混沌時間序列的短期可預(yù)測性，也可以采用混沌方法預(yù)測風(fēng)電場的短期風(fēng)速或者是風(fēng)電輸出功率[20-21]。

2）人工神經(jīng)網(wǎng)絡(luò)（ANN）法。以BP神經(jīng)網(wǎng)絡(luò)模型為例，在實際應(yīng)用中，BP算法存在兩個重要的問題：收斂速度慢和目標(biāo)函數(shù)存在局部極小點，因此在對風(fēng)速預(yù)測模型中主要加入了動量項和采用學(xué)習(xí)率可變的BP算法[22]。

2.3.2物理方法

基于NWP的風(fēng)電功率預(yù)測方法已較成熟，為了優(yōu)化使用NWP數(shù)據(jù)，可采用結(jié)合模糊邏輯的神經(jīng)網(wǎng)絡(luò)模型，利用SVM進行預(yù)測[23]，但它的數(shù)學(xué)模型復(fù)雜，需運行在超級計算機上，應(yīng)用有一定的局限性，短期預(yù)測的效果有時還不如持續(xù)型預(yù)測模型[24]。可利用改進的NWP數(shù)據(jù)進行短期風(fēng)電功率預(yù)測，通過從鄰近風(fēng)機獲得的測量數(shù)據(jù)提高本風(fēng)機預(yù)測水平，進一步提高預(yù)測質(zhì)量[25]。從NWP本身出發(fā)，它是在一定的初值條件下，通過數(shù)值計算來求解一系列的天氣過程方程組，從而得出來的預(yù)報數(shù)據(jù)，所以可以對它的內(nèi)部參數(shù)進行可行性簡化和修改，使得最終計算出來的數(shù)據(jù)精確度得到進一步提高。對于中尺度NWP模式，往往在運用于具體風(fēng)電場時，則顯得空間分辨率太小，所以就有了中尺度模式嵌套小尺度，這種降尺度的模式通過一些試驗，比如MM5+CFD+MOS的模式[26-28]，能有效提高預(yù)報準確率。

2.3.3組合預(yù)測法

組合預(yù)測法具有很強的優(yōu)勢，但前提都是要在獲得一定數(shù)量的歷史數(shù)據(jù)的基礎(chǔ)上完成，當(dāng)遇到某些無法獲得歷史風(fēng)速序列數(shù)據(jù)或僅已知歷史年份月平均風(fēng)速和風(fēng)速標(biāo)準差情況時，就難以進行預(yù)測。此時利用基于灰色模型的、對未來年份中對應(yīng)月的風(fēng)速分布參數(shù)進行預(yù)測的方法[29]。通過該模型，可以使用較少的歷史數(shù)據(jù)而獲得較高的精度，預(yù)測所得到的參數(shù)即可以用來評估風(fēng)電場的風(fēng)資源，又可以根據(jù)概率分布的逆運算獲得符合預(yù)測參數(shù)的風(fēng)速序列。

3　國內(nèi)外風(fēng)電功率預(yù)報系統(tǒng)

3.1國外風(fēng)電功率預(yù)報系統(tǒng)

由于國外風(fēng)電功率預(yù)測工作起步較早，因而預(yù)測方法和手段已經(jīng)成熟，運行的模式也在不斷的實際應(yīng)用中得到了很好改進。其中，以丹麥、英國、德國和美國等歐美國家為首的技術(shù)最為發(fā)達。比較有代表性的預(yù)測系統(tǒng)包括[2]：

丹麥Ris?國家實驗室開發(fā)的Prediktor預(yù)測系統(tǒng)，其是全球第一個風(fēng)電功率預(yù)測軟件，該模型的NWP系統(tǒng)采用的是高分辨率有限區(qū)域模型，根據(jù)地心自轉(zhuǎn)定律和風(fēng)速的對數(shù)分布圖，將高空的NWP風(fēng)速轉(zhuǎn)化為某一地點的地面風(fēng)速，再利用WAsP程序進一步整體考慮風(fēng)電場附近障礙物、粗糙度變化等因素得到更高分辨率的風(fēng)速預(yù)測，最后經(jīng)過發(fā)電量計算模塊PARK考慮風(fēng)機尾流的影響，預(yù)測的時間尺度為36h。

德國與丹麥共同開發(fā)的Previento預(yù)測系統(tǒng)是一個以德國6個地點的時間尺度為24h數(shù)值預(yù)報結(jié)果進行空間細化，同時考慮了當(dāng)?shù)氐拇植诙群偷匦危⒗弥圃焐烫峁┑娘L(fēng)機發(fā)電功率曲線將預(yù)測的風(fēng)速映射為輸出功率。

西班牙的LocalPred預(yù)測系統(tǒng)利用高分辨率的中尺度模式MM5結(jié)合流體力學(xué)軟件來計算風(fēng)速等氣象場，再通過統(tǒng)計模塊對預(yù)測的風(fēng)速進行修正，最后通過處理歷史數(shù)據(jù)與同期風(fēng)速等氣象場建立的功率輸出模型進行功率預(yù)測。

還有一些比較先進的預(yù)測系統(tǒng)[2]如：德國ISET開發(fā)的WPMS預(yù)測系統(tǒng)，丹麥技術(shù)大學(xué)開發(fā)的WPPT及Zephyr預(yù)測系統(tǒng)，英國GarradHassan公司開發(fā)的GH Forecaster功率預(yù)測系統(tǒng)，法國的AWPPS風(fēng)功率預(yù)測系統(tǒng)以及美國的AWS Turewind公司的eWind預(yù)報系統(tǒng)。

3.2國內(nèi)情況風(fēng)電功率預(yù)報系統(tǒng)

相對國外而言，國內(nèi)研究起步較晚，但是已有不少系統(tǒng)投入國內(nèi)各風(fēng)電場的運行中[2]。

中國電力科學(xué)研究院研發(fā)的預(yù)報系統(tǒng)（WPFS）、中國氣象局公共服務(wù)中心的風(fēng)電功率預(yù)報系統(tǒng)（WINPOP）以及湖北省氣象服務(wù)中心牽頭開發(fā)的風(fēng)電量預(yù)報系統(tǒng)和可移植的風(fēng)電功率預(yù)測預(yù)報系統(tǒng)（WPPS）等多種預(yù)報系統(tǒng)。

WPFS預(yù)報系統(tǒng)是使用Java語言進行開發(fā)的，采用了瀏覽器/服務(wù)器（B/S）結(jié)構(gòu)，數(shù)據(jù)庫使用ORACLE9i，可以對單獨風(fēng)電場或特定區(qū)域的集群預(yù)測。能夠預(yù)測風(fēng)電場次日0～24h 96個點的出力曲線，系統(tǒng)能夠設(shè)置每日預(yù)測的時間及次數(shù)，考慮到出力受阻和風(fēng)機故障對風(fēng)電場發(fā)電能力的影響，可進行限電和風(fēng)機故障等特殊情況下的功率預(yù)測。目前，該系統(tǒng)已經(jīng)在吉林電網(wǎng)及江蘇的各個風(fēng)電場正常運行。

WINPOP系統(tǒng)使用了MySQL數(shù)據(jù)庫，采用了C/S（Client/Server）結(jié)構(gòu)，基于全球天氣分析服務(wù)系統(tǒng)（GWASS）平臺開發(fā)，可對各類異類結(jié)構(gòu)數(shù)據(jù)的綜合分析處理，可以實現(xiàn)地圖漫游監(jiān)控，具備地圖放大、縮小、漫游、坐標(biāo)顯示、比例尺顯示及對風(fēng)電場的實景監(jiān)控。本系統(tǒng)所運用的模式算法有：SVM、人工神經(jīng)網(wǎng)絡(luò)、自適應(yīng)最小二乘法。該系統(tǒng)已在河北、甘肅、寧夏和內(nèi)蒙古等地風(fēng)電場正常運行。

WPPS系統(tǒng)使用C#作為開發(fā)語言，數(shù)據(jù)庫使用Microsoft Server2008 R2，算法包括：原理法、動力統(tǒng)計法和持續(xù)法。其優(yōu)勢在于，可以根據(jù)風(fēng)電場的實際運行情況而對算法進行最優(yōu)化的選擇，靈活有效地解決了預(yù)報準確率低的情況，適用于各類地形的風(fēng)電場場址的選擇。該系統(tǒng)已在湖北和甘肅等多家風(fēng)電場正常運行。

4　預(yù)報效果檢驗

國外，Lange等[30]對多種方法進行了檢驗，其中ANN的均方根誤差（RMSE）在11.6%左右，SVM 的RMSE在10.3%左右，ME和NNS處于它們之間，而這幾種方法的集合比單一方法的RMSE都要小在10.1%左右。NWP，NWP1，NWP2和NWP3的RMSE分別在5.8%、5.9%和6.1%左右，而集合后的RMSE則為4.7%。Sloughter等[31]利用BMA（Bayesian model averaging）的各種改進方法對數(shù)值天氣集合預(yù)報方法的結(jié)果進行集合訂正，發(fā)現(xiàn)每種改進方法的平均絕對誤差都在3.3左右，而覆蓋率則在77%以上，效果明顯優(yōu)于單一的數(shù)值天氣集合預(yù)報。Giebel等[32]對DMI-HIRLAM等各個NWP模式進行了介紹，并在對丹麥的6個風(fēng)電場進行預(yù)報檢驗對比時，發(fā)現(xiàn)所有風(fēng)電場DMI、DWD和MOS集合后的風(fēng)功率預(yù)報誤差是最小的，而單一的預(yù)報方法誤差都要大于集合預(yù)報的誤差。

在國內(nèi)，劉永前等[33]運用徑向基網(wǎng)絡(luò)法和持續(xù)法為代表的單一模型及兩者的組合模型進行預(yù)報所得到的結(jié)論為例，分別對其預(yù)報效果進行分析說明：持續(xù)法在3～6h以內(nèi)的預(yù)報結(jié)果與實際觀測值的變化趨勢基本相符，風(fēng)速的RMSE為2.2m/s，風(fēng)機出力的預(yù)報誤差為12.9%；而徑向基神經(jīng)網(wǎng)絡(luò)法在短時的預(yù)報結(jié)果與實際觀測值的變化趨勢也基本相符，但誤差比持續(xù)法的要稍微大一點，風(fēng)速的預(yù)報RMSE為2.5m/s，風(fēng)機出力的預(yù)報誤差為15.9%，跟蹤風(fēng)速的變化比持續(xù)法要及時；兩者組合后的預(yù)報結(jié)果，風(fēng)速預(yù)報準確率要比神經(jīng)網(wǎng)絡(luò)法高0.3m/s，比持續(xù)法高0.1m/s，風(fēng)電機組出力的預(yù)報準確率要比神經(jīng)網(wǎng)絡(luò)法高3%，比持續(xù)法高0.9%。許楊等[34]對多種短期預(yù)報方法進行對比發(fā)現(xiàn)：物理法1、2、3和動力統(tǒng)計法在不同月份的準確率不盡相同，但總體而言動力統(tǒng)計法更適用于該風(fēng)電場的實際運行。

根據(jù)效果檢驗，可以看出，雖然系統(tǒng)運用的方法不一樣，應(yīng)用的風(fēng)電場也有所區(qū)別，但總的預(yù)報效果還是基本能夠達到預(yù)期，滿足了風(fēng)電場和相關(guān)行業(yè)的需求。同時，我們在預(yù)報方法的改進與準確率的提高上都存在很大的發(fā)展空間。

5　結(jié)論

風(fēng)電功率預(yù)報技術(shù)發(fā)展到今天已有30多年的歷史，目前已形成了一個較為成熟的體系，各種預(yù)報方法相繼被提出且在業(yè)務(wù)運行中取得了好的效果。

就各個方法而言，它們都存在優(yōu)點和缺點，在實際工作中都具有一定的局限性，且難以突破；而當(dāng)對數(shù)值模式集合或?qū)Χ喾N預(yù)報結(jié)果進行組合后，準確率得到了明顯的提高，很好地彌補了單一法在適用性上的缺陷。這也為未來的風(fēng)電功率預(yù)報技術(shù)的發(fā)展指明了新的方向。

參考文獻

[1]于華鵬.全球風(fēng)能理事會：2013年全球風(fēng)電累計裝機達318GW[DB/OL].http://news.hexun.com/2014-02-11/162031694.html,2014-02-11 .

[2]陳正洪,許楊,許沛華,等.風(fēng)電功率預(yù)測預(yù)報技術(shù)原理及其業(yè)務(wù)系統(tǒng).北京:氣象出版社,2013.

[3]洪翠,林維明,溫步瀛.風(fēng)電場風(fēng)速及風(fēng)電功率預(yù)測方法研究綜述.電網(wǎng)與清潔能源,2011,27(1):61-62.

[4]韓爽.風(fēng)電場功率短期預(yù)測方法研究.北京:華北電力大學(xué)能量與動力工程學(xué)院,2008.

[5]Billlinton R,Chen Hua,Ghajar R.A sequential simulation technique for adequacy evaluation of generating systems including wind enery.IEEE Transactions on Energy Conversion,1996,11(4):728-734.

[6]Cao L,Li R.Short-term wind speed forecasting model for wind farm based on wavelet decomposition.IEEE Transactions on DRPT,2008.

[7]Bernhard L,Kurt R,Bernhard E,et al.Wind Power Prediction in Germany-Recent Advances and Future Challenges.European Wind Energy Conference,Athens,2006.

[8]王健,嚴干貴,宋薇,等.風(fēng)電功率預(yù)測技術(shù)綜述.東北電力大學(xué)學(xué)報,2011,31(3):21-22。

[9]劉純,范高峰,王偉勝,等.風(fēng)電場輸出功率的組合預(yù)測模型.電網(wǎng)技術(shù),2009,33(13):74-79.

[10]Sideratos G,Hatziargyriou N D.An advanced statistical method for wind power forecasting.IEEE Transactions on Power Systems,22(1):258-265.

[11]張國強,張伯明.基于組合預(yù)測的風(fēng)電場風(fēng)速及風(fēng)電機功率預(yù)測.電力系統(tǒng)自動化,2009,33(18):92-95.

[12]楊琦,張建華,王向峰,等.基于小波-神經(jīng)網(wǎng)絡(luò)的風(fēng)速及風(fēng)力發(fā)電量預(yù)測.電網(wǎng)技術(shù),2009,33(17):44-48.

[13]吳興華,周暉,黃梅.基于模式識別的風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測.繼電器,2008,36(1):27-32.

[14]Damousis I G,Theocharis J B,Alexiadis M C,et al.A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation.IEEE Transactions on Energy Conversion,2004,19(2):352-361.

[15]胡百林,李曉明,李小平,等.基于ARMA模型的水電站概率性發(fā)電量預(yù)測.電力系統(tǒng)自動化,2003,15(3):62-65.

[16]潘迪夫,劉輝,李燕飛.風(fēng)電場風(fēng)速短期多步預(yù)測改進算法.中國電機工程學(xué)報,2008,28(26):87-91.

[17]潘迪夫,劉輝,李燕飛.基于時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.電網(wǎng)技術(shù),2008,32(7):82-86.

[18]栗然,王粵,肖進永.基于經(jīng)驗?zāi)Ｊ椒纸獾娘L(fēng)電場短期風(fēng)速預(yù)測模型.中國電力,2009,42(9):77-81.

[19]管勝利.基于局域波分解及時間序列的風(fēng)電場風(fēng)速預(yù)測研究.華北電力技術(shù),2009(1):10-13.

[20]羅海洋,劉天琪,李興源.風(fēng)電場短期風(fēng)速的混沌預(yù)測方法.電網(wǎng)技術(shù),2009,33(9):67-71.

[21]羅海洋,劉天琪,李興源.風(fēng)電場短期風(fēng)速的改進Volterra自適應(yīng)預(yù)測方法.四川電力技術(shù),2009,32(3):16-19.

[22]陳玲.風(fēng)電場風(fēng)速和風(fēng)功率預(yù)測方法研究.武漢:武漢大學(xué),2012.

[23]Sideratos G,Hatziargyriou N D.An advanced statistical method for wind power forecasting.IEEE Transactions on Power Systems,2007,22(1):258-265.

[24]Negnevitsky M,Potter C W.Innovative Short-Term Wind Generation Prediction Techniques.Power Engineering Society General Meeting,2006.

[25]Khalid M,Savkin A V.Adaptive Filtering Based Short-Term Wind Power Prediction with Multiple Observation Points//ICCA 2009.IEEE,2009:1547-1552.

[26]Adrian G,Fiedler F.Simulation of unstationary wind and temperature fields over complex terrain and comparison with observations.Beitr Phys Atmosph,1991,64:27-48.

[27]Giebel G,Badger J,Marti P I,et al.Short-Term Forecasting Using Advanced Physical Modeling-the Results of the ANEMOS Project.European Wind Energy Conference,2006:1-29.

[28]Frey-Buness F,Heimann D,Sausen R.A statistical-dynamical downscaling procedure for global climate simulations.Theor Appl Climatology,1995,50:117-131.

[29]丁明,吳偉,吳紅斌,等.風(fēng)速概率分布參數(shù)預(yù)測及應(yīng)用.電網(wǎng)技術(shù),2008,32(14):10-14.

[30]Lange B,Rohrig K,Ernst B,et al.Wind power prediction in Germany – Recent advances and future challenges.European Wind Energy Conference and Exhibition,Athens(GR),2006.

[31]Sloughter J M,Gneiting T,Rafterya A E,et al.Probabilistic wind speed forecasting using ensembles and Bayesian model averaging.Amer Stat Assoc,2010,105:25-35.

[32]Giebel G,Badger J,Landberg L,et.al.Wind power prediction using ensembles.Technical Report,Ris? National Laboratory,Ris?-R-1527(EN),Roskilde,Denmark,2005.

[33]劉永前,韓爽,楊勇平,等.提前三小時風(fēng)電機組出力組合預(yù)報研究.太陽能學(xué)報,2007,28(8):840-842.

[34]許楊,陳正洪,楊宏青,等.風(fēng)電場風(fēng)電功率短期預(yù)報方法比較.應(yīng)用氣象學(xué)報,2013,24(5):627-629.

Review of the Research for Wind Power Prediction

Ding Naiqian1,2,Chen Zhenghong3,Yang Hongqing3,Xu Yang3
(1 Nanjing University of Information Science and Technology,Nanjing 2100442 Enshi Meteorological Bureau of Hubei,Enshi 4450003 Hubei Meteorological Service Centre,Wuhan 430074)

Abstract:Since the mid of 20th century,Denmark and other Western countries have started the research of wind power forecast,from a single method to ensemble methods,while it started relatively late in our country.Over a very long period of time,the wind farms around the world have been using a single method to forecast wind power and have basically met the wind farm and the whole power system requirements.But,with the rapid development of wind power industry,the increasingly fierce market competition,the traditional single method wouldn’t meet the needs of the future of wind power,while the ensemble forecast can solve this problem to a large extent.The accuracy rate of the traditional single method has reached a relatively high level and it is hard to getting higher level.Assembling the advantages of each method,the new way can greatly enhance the accuracy rate of prediction.This paper mainly focuses on the various traditional forecasting methods,which are expounded comprehensively.Combined with the analysis of experimental comparison of countries,the ensemble prediction is briefly explained.

Keywords:wind power,prediction methods,tradition,ensemble forecast

收稿日期：2014年3月11日；修回日期：2014年9月2日

DOI：10.3969/j.issn.2095-1973.2016.01.007

第一作者：丁乃千（1987—），Email:1179716703@qq.com