張 怡

(浙江水利水電學院 電氣工程學院，浙江 杭州 310018)

伴隨《中華人民共和國可再生能源法》頒布實施及節(jié)能減排工作強力推進，2006年以來中國新能源風力發(fā)電、光伏發(fā)電(以下簡稱風光發(fā)電)增長迅猛.大規(guī)模風光發(fā)電并網(wǎng)運行，其具有的隨機性、波動性和不確定性給電網(wǎng)安全運行帶來深刻影響，電網(wǎng)安全運行與新能源大額消納之間的矛盾日益突出.在這樣的形勢下，對光伏發(fā)電進行精細化管理、高準確預(yù)測，把風光發(fā)電納入電網(wǎng)調(diào)度計劃制定和實時運行管控，是解決這一問題的重要措施之一.電網(wǎng)發(fā)用電實時平衡運行特性要求，必須配置足額匹配的旋轉(zhuǎn)備用容量來應(yīng)對風光發(fā)電不穩(wěn)定性，備用容量的增加無疑將增加含風光發(fā)電的電網(wǎng)整體運營成本[1].通過對風光發(fā)電進行準確有效的預(yù)測可以大幅降低電網(wǎng)旋轉(zhuǎn)備用容量，從而有效降低總體成本.依據(jù)風光發(fā)電預(yù)測，進一步可將其與網(wǎng)絡(luò)約束分析管控、日前調(diào)度計劃、日內(nèi)發(fā)電滾動計劃等相融合，可在不降低電網(wǎng)安全控制水平的同時提高新能源消納能力[2-3].另外，對風光發(fā)電企業(yè)而言，準確實現(xiàn)發(fā)電預(yù)測有助于企業(yè)適時合理安排檢修計劃，減少棄風、棄光，提高企業(yè)的經(jīng)濟效益水平.

20世紀80年代開始，伴隨風光等新能源發(fā)電比重在歐美等發(fā)達電網(wǎng)的不斷增加，美國、德國、丹麥、西班牙、日本等國均投入大量人力物力研究并提升風電、光伏發(fā)電預(yù)測方法和技術(shù)，以期提高風光發(fā)電的并網(wǎng)消納能力和管控其對電網(wǎng)安全運行的影響[4].相比而言，我國對新能源風光發(fā)電預(yù)測的研究起步較晚，前期很多研究成果沒有形成整體理論和成熟體系.伴隨十二五規(guī)劃(2011—2015年)中新能源戰(zhàn)略的實施，國內(nèi)對風光發(fā)電預(yù)測技術(shù)的需求迅速增加，各類新理論、新方法、新技術(shù)不斷提出[5-6].本文主要通過對國內(nèi)外新能源風電、光伏發(fā)電預(yù)測技術(shù)的原理和預(yù)測模型進行分類總結(jié)、歸納.在此基礎(chǔ)上通過綜述性分析，對風光發(fā)電預(yù)測主要方法和誤差評價標準進行闡述和探討，最后對風光預(yù)測技術(shù)未來的研究方向做了一個簡要的可行性展望.

1 風光發(fā)電統(tǒng)計規(guī)律研究及預(yù)測過程

風力發(fā)電利用風推動風車葉片轉(zhuǎn)動，再通過增速機提升轉(zhuǎn)速，推動發(fā)電機發(fā)電，實現(xiàn)風能轉(zhuǎn)機械能再轉(zhuǎn)電能的過程.風電功率的基本計算公式[7]為：

P=(Cp×ρ×v3×A)/2

(1)

式中：Cp—風能利用系數(shù)；

ρ—空氣密度，與海拔、濕度等有關(guān)系；

v—輪轂高度處風速；A—葉輪掃風面積.

光伏發(fā)電通過太陽能光板將太陽能轉(zhuǎn)換為電能，其影響因素主要有太陽輻射、晴空指數(shù)、日照時數(shù)、云、溫度、風速及灰塵等[8].以光伏陣列系統(tǒng)為例，其輸出功率的工程計算公式為：

P=N×n1×n2×n3×A×Ra×[1-s(Tc-25)]

(2)

式中：P—光伏輸出功率；N—光伏組數(shù)；

n1—光伏轉(zhuǎn)換效率；

n2—跟蹤工作效率(最高功率點)；

n3—逆變效率；A—光伏板面積；

Ra—光伏系統(tǒng)輻照度；s—溫度系數(shù)；

Tc—光伏組件背板溫度.

從式(1)、式(2)可以看出，風、光發(fā)電功率計算公式均包含隨機量，故其計算結(jié)果在時間序列上也表現(xiàn)為非平穩(wěn)的隨機波動過程.另外一方面，從這些影響因素來看，大部分又具有一定規(guī)律性，這為風光發(fā)電有效預(yù)測奠定了基礎(chǔ).工程應(yīng)用實踐經(jīng)驗表明，風光發(fā)電放在連續(xù)時間尺度來看，其發(fā)電規(guī)律往往有跡可循，圖1、圖2分別是浙江電網(wǎng)2017年4月風力、光伏發(fā)電288點(5 min一點)出力曲線圖.

圖1 浙江電網(wǎng)2017年4月風電出力曲線

圖2 浙江電網(wǎng)2017年4月光伏發(fā)電出力曲線

從圖1可以看出，浙江電網(wǎng)17年4月份風力發(fā)電最高出力往往出現(xiàn)在凌晨3：00～5：00間，最低出力往往發(fā)生在午后11：00～14：00間，呈現(xiàn)出明顯的逆調(diào)峰特性.從一天一條的出力曲線組來看，30 d的曲線具有一定的趨同性，可以用上下兩條包絡(luò)線對其進行包絡(luò).從圖2可以看出，浙江電網(wǎng)4月份光伏發(fā)電一般從早晨5：45到6：15間出力開始大于零，最高點一般發(fā)生在中午11：45到12:15左右，18:00到18:15間光伏發(fā)電降回零，持續(xù)到第二天的天亮前.

風光預(yù)測研究的核心問題是如何利用歷史數(shù)據(jù)和現(xiàn)有條件，建立預(yù)測模型，對未來時刻或時間段內(nèi)的出力值進行預(yù)測.從圖1、圖2的規(guī)律分析來看，只要能夠較為準確獲取足夠數(shù)量的風光發(fā)電歷史數(shù)據(jù)，通過構(gòu)建科學有效的預(yù)測模型，選用合理高效的算法，進行大量實驗性研究分析，不斷修正模型和算法，可以較為準確預(yù)測出風光發(fā)電出力.

風光預(yù)測的基本過程為[9-11]：

(1)準確細致的調(diào)研，實現(xiàn)風光發(fā)電歷史數(shù)據(jù)資料的獲取和甄選；

(2)對歷史風光發(fā)電資料進行加工處理；

(3)對風光發(fā)電數(shù)據(jù)進行預(yù)處理，主要包括歸一化、平穩(wěn)化以及對缺失數(shù)據(jù)進行插值等處理，針對異常數(shù)據(jù)目前主要處理方法有水平處理和垂直處理兩種模式；

(4)科學合理構(gòu)建風光發(fā)電預(yù)測模型，優(yōu)良的預(yù)測模型能夠較為完美地概括描述預(yù)測對象的規(guī)律和軌跡，模型的正確選擇是預(yù)測過程至關(guān)重要的環(huán)節(jié)；

(5)根據(jù)預(yù)測誤差對各影響因素進行綜合分析，并據(jù)此對預(yù)測模型和算法進行合理調(diào)整，對預(yù)測值進行恰當修正并最終確定.具體流程圖(見圖3).

圖3 風光發(fā)電總體預(yù)測一般過程

2 風光發(fā)電預(yù)測方法分類

新能源風光預(yù)測分類一直是一個有爭議的問題，風光發(fā)電受到諸多因素影響，其預(yù)測過程相對復(fù)雜，在研究與工程領(lǐng)域?qū)ζ溲芯枯^多，采取的預(yù)測方法也較為多樣.目前，國際國內(nèi)主要按照預(yù)測采用時間尺度、預(yù)測對象、預(yù)測模型原理、預(yù)測范圍、是否采用數(shù)值天氣預(yù)報NWP等對這些預(yù)測方法進行大致分類(見圖4).

2.1 預(yù)測時間尺度分類

按照預(yù)測時間尺度從短到長劃分，風光發(fā)電預(yù)測可以分為超短期、短期、中期和長期預(yù)測[12].

(1)超短期預(yù)測，一般預(yù)測未來5 min到4 h的數(shù)據(jù)(一般為，主要用于機組AGC控制、日內(nèi)發(fā)用電平衡、經(jīng)濟調(diào)度等,江岳文,等[13]研究了利用風電超短期預(yù)測實現(xiàn)實時市場調(diào)度，陳穎,等[14]研究了常用風電超短期預(yù)測方法，并通過系統(tǒng)誤差修正提高了預(yù)測精度，YANG C[15]從多個時間尺度出發(fā)研究了光伏發(fā)電預(yù)測的發(fā)展與運用.

圖4 風光預(yù)測方法分類

(2)短期預(yù)測，一般預(yù)測未來一天到幾天的數(shù)據(jù)，用于決定日前發(fā)電計劃和發(fā)用電平衡.甘迪等[16]提出考慮爬坡特性的短期功率概率預(yù)測，實現(xiàn)發(fā)電計劃優(yōu)化，提高了風電消納能力.單英浩，等[17]針對微網(wǎng)光伏短期預(yù)測難度大的實際情況，基于改進BP SVM-ELM與粒子化SOM-LSF實現(xiàn)單天及滾動光伏預(yù)測，為光伏短期調(diào)度提供準確指導.

(3)中期預(yù)測.一般預(yù)測未來一月或者若干月的數(shù)據(jù)，用于安排月度檢修計劃、運行方式、水庫調(diào)度等.汪洋，等[18]基于新能源中期預(yù)測協(xié)同優(yōu)化機組檢修與機組組合，提高了機組檢修計劃與發(fā)電計劃的安全性與經(jīng)濟性.

(4)長期預(yù)測，用于預(yù)測年度或多年度數(shù)據(jù)，一般用于電網(wǎng)規(guī)劃，確定年度檢修計劃、運行方式等.程浩忠，等[19]將新能源長期預(yù)測運用到高比例可再生能源的交直流輸電網(wǎng)規(guī)劃，提出了輸電網(wǎng)規(guī)劃研究框架及技術(shù)路線的發(fā)展方向.

2.2 預(yù)測對象分類

從預(yù)測對象劃分來看，分為對風光功率進行直接預(yù)測和先進行風速、光照相關(guān)量預(yù)測，再轉(zhuǎn)換為功率的間接預(yù)測.直接預(yù)測是基于當前風光發(fā)電情況、天氣預(yù)報數(shù)據(jù)及風光發(fā)電歷史數(shù)據(jù)等基礎(chǔ)信息，建立預(yù)測模型直接對風光發(fā)電系統(tǒng)的輸出功率進行預(yù)測；間接預(yù)測是得到風電相關(guān)風速情況、光伏相關(guān)日照情況的預(yù)測值，然后根據(jù)風電功率轉(zhuǎn)換、光電功率轉(zhuǎn)換模型間接計算出風光發(fā)電系統(tǒng)的輸出功率.

2.3 預(yù)測模型原理分類

按照預(yù)測原理分類可劃分為統(tǒng)計方法、物理方法、組合預(yù)測法[20-22].統(tǒng)計方法對風光歷史發(fā)電數(shù)據(jù)進行統(tǒng)計分析，找出其內(nèi)在規(guī)律性，并建模預(yù)測，該方法一般需要風光發(fā)電系統(tǒng)較為長期的歷史運行數(shù)據(jù)，時間一般以半年度以上為宜，優(yōu)點是不需要涉及風光發(fā)電系統(tǒng)的布局、地形等資料，原理相對簡單.物理方法綜合考慮風光發(fā)電系統(tǒng)周邊地形信息、相關(guān)物理信息和系統(tǒng)功率曲線等數(shù)據(jù)，將氣象預(yù)測數(shù)據(jù)作為重要輸入量，采用物理方程進行預(yù)測，該法對氣象等物理量觀測要求較高，投資較大，優(yōu)點是不需要過多的歷史發(fā)電數(shù)據(jù)，可以做到投產(chǎn)即預(yù)測.組合預(yù)測法是風光發(fā)電預(yù)測的重要發(fā)展方向之一，其組合形式通常包括物理和統(tǒng)計方法的組合、不同時間尺度預(yù)測模型的組合、不同統(tǒng)計方法之間的組合.通過選擇合適的權(quán)重系數(shù)，可以讓不同模型合理發(fā)揮各自優(yōu)勢，相比單一預(yù)測法，組合預(yù)測法精度相對更高，也可減小大誤差出現(xiàn)的概率.

2.4 預(yù)測空間尺度分類

從預(yù)測空間尺度來看，可以分為單機預(yù)測、單站預(yù)測以及區(qū)域風光發(fā)電預(yù)測[23].根據(jù)《風電功率預(yù)測功能規(guī)范(Q/GDW 588—2011)》要求：(1)電網(wǎng)調(diào)度機構(gòu)應(yīng)能預(yù)測其調(diào)管區(qū)域的風電功率總和；(2)所有并網(wǎng)運行的風電場均應(yīng)具備功率預(yù)測預(yù)報功能.一般而言，某一區(qū)域內(nèi)的風光發(fā)電具有較為相似的氣象影響因素，風光發(fā)電的總體情況能反映區(qū)域內(nèi)氣象變化的總體規(guī)律，這為不同空間尺度風光預(yù)測提供了總體思路和有效技術(shù)途徑.

2.5 是否采用NWP分類

數(shù)值天氣預(yù)報(numerical weather prediction)是指綜合考慮大氣實況，通過大量數(shù)值計算(在一定的初始值和邊界條件約束下)，求解表征天氣演變過程的流體力學和熱力學的方程組，基于求解來判斷預(yù)測未來天氣狀況的方法.將NWP引入風光預(yù)測可以實現(xiàn)未來較長時間較為準確的功率預(yù)測，該法也適用于風光資源評估時使用.不過，基于NWP的預(yù)測模型復(fù)雜，運算量大，往往需運行在超級計算機上，應(yīng)用有一定的局限性[24].

3 風光預(yù)測技術(shù)的發(fā)展及主要方法

伴隨新能源風光發(fā)電產(chǎn)業(yè)的大力發(fā)展，風光發(fā)電預(yù)測技術(shù)也日臻成熟.從國內(nèi)外預(yù)測技術(shù)選取方法來看，大致可以分為統(tǒng)計預(yù)測技術(shù)、物理預(yù)測技術(shù)、組合預(yù)測技術(shù)等.統(tǒng)計預(yù)測技術(shù)基于數(shù)學、統(tǒng)計工具，常用主要包括時間序列法、智能學習方法、數(shù)據(jù)挖掘技術(shù)、模糊概率預(yù)測等.物理預(yù)測技術(shù)基于風電、光伏電站實際物理環(huán)境，收集各類關(guān)聯(lián)物理量并通過轉(zhuǎn)換進行預(yù)測.組合預(yù)測方法是近年來的發(fā)展方向，主要進行各種算法組合研究，它選擇幾種適宜預(yù)測法進行組合處理、通過權(quán)重等自適應(yīng)調(diào)節(jié)實現(xiàn)取長補短，進一步提高預(yù)測精度.篇幅所限，下文選取目前風光預(yù)測中應(yīng)用相對較多的方法進行綜述.

3.1 基于數(shù)值天氣預(yù)報NWP的預(yù)測法

基于NWP的風光出力預(yù)測技術(shù)經(jīng)過多年發(fā)展，目前已基本成熟.該法輸入數(shù)據(jù)為風速、風向、氣溫、氣壓、太陽輻射、晴空指數(shù)、日照時數(shù)、云、灰塵等NWP氣象數(shù)據(jù)，通過等高線、障礙物、粗糙度等地理參數(shù)構(gòu)建粗糙度變換模型、地形變化模型，進一步形成尾流模型，用于預(yù)測相關(guān)風速及功率，詳見其流程圖(見圖5).借助NWP，預(yù)測時間一般為未來24～72 h，其最大的優(yōu)點是從實時數(shù)據(jù)綜合分析即可進行預(yù)測，不需要較長觀測窗口期的歷史數(shù)據(jù)，是新建光伏站、風電場的首選預(yù)測模型.朱想，等[25]綜合考慮數(shù)值天氣預(yù)報與地基云圖，實現(xiàn)光伏超短期功率預(yù)測，能較好預(yù)測云團遮擋導致光伏發(fā)電突然跌落問題.李洪濤，等[26]基于河北某風電場，將基于數(shù)值天氣預(yù)報的風速和風向預(yù)測數(shù)據(jù)作為輸入數(shù)據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)獲取風電機組發(fā)電功率預(yù)測，取得較為滿意的工程應(yīng)用效果.

圖5 基于NWP的風電場功率預(yù)測流程圖

3.2 以時間序列法為代表的傳統(tǒng)統(tǒng)計法

時間序列法利用一組風光發(fā)電基礎(chǔ)數(shù)據(jù)按時間順序排列形成數(shù)字序列，將之用數(shù)學統(tǒng)計方法予以處理，實現(xiàn)未來風光出力預(yù)測.基本原理是，一是設(shè)定事物發(fā)展具有延續(xù)性，可通過分析歷史數(shù)據(jù)來推測其未來趨勢；二是充分考慮影響隨機性，基于統(tǒng)計分析中的加權(quán)平均法來消除偶然隨機性影響因素.根據(jù)選用濾波器特性劃分，常用的時間序列有自回歸模型AR、移動平均模型MA、自回歸移動平均模型ARMA、自回歸積分移動平均模型ARIMA等.時間序列方法原理簡單易于實現(xiàn)，但外延準確性較差，往往只適用于超短期及短期負荷預(yù)測.丁明[27]利用馬爾科夫鏈來模擬風光發(fā)電隨機過程，通過持續(xù)與波動蒙特卡羅法將風電功率時域特性引入序列建模，進一步優(yōu)化了預(yù)測性能.

3.3 以人工神經(jīng)網(wǎng)絡(luò)為代表的現(xiàn)代統(tǒng)計預(yù)測法

人工神經(jīng)網(wǎng)絡(luò)近年來在預(yù)測領(lǐng)域大量運用，其實質(zhì)是采用數(shù)理分析建立數(shù)學模型來模擬動物神經(jīng)網(wǎng)絡(luò)特征，通過分布式并行信息處理運算反復(fù)訓練，對人工神經(jīng)網(wǎng)絡(luò)內(nèi)部各節(jié)點連接方式和權(quán)值進行持續(xù)調(diào)整，最終實現(xiàn)預(yù)測和處理信息的目的.常用的神經(jīng)網(wǎng)絡(luò)模型主要有前饋神經(jīng)網(wǎng)絡(luò)算法FNN、回歸神經(jīng)網(wǎng)絡(luò)RNN、多層感知器神經(jīng)網(wǎng)絡(luò)MLPNN模型、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFNN等.范高鋒[28]電功率預(yù)測中采用BP神經(jīng)網(wǎng)絡(luò)模型，通過算例分析了不同高度輸入風速對風電功率預(yù)測結(jié)果的影響,該法已成功運行于吉林電力調(diào)度控制中心，取得了良好的社會與經(jīng)濟效益.相較于應(yīng)用最為廣泛的前饋神經(jīng)網(wǎng)絡(luò)FNN，回歸神經(jīng)網(wǎng)絡(luò)RNN作為一種適用于時間序列預(yù)測的神經(jīng)網(wǎng)絡(luò)模型也常用于預(yù)測風光功率.人工神經(jīng)網(wǎng)具有自學習和自適應(yīng)的能力，其本質(zhì)是一個非線性優(yōu)化計算模型，故而非線性優(yōu)化存在的局部極小值、突變適應(yīng)性差、運算工作量大及收斂速度慢等問題在運用中難以避免，國內(nèi)外學者就此進行了大量研究提出了眾多改進方法.伴隨人工智能技術(shù)的發(fā)展，新的人工智能模型不斷被提出[29-30]，主要包括混合專家經(jīng)驗法(ME)、人工魚群算法(AFSA)、蟻群優(yōu)化(PSO)、支持向量機(SVM)等，這些方法基于特定算法進行學習訓練，通過大量數(shù)據(jù)和運算動態(tài)建立風光預(yù)測輸入輸出間的關(guān)系，運用分析表明這些方法在不同環(huán)境、工況、時空條件下適用性及優(yōu)劣性各有不同.

3.4 模糊概率預(yù)測

現(xiàn)有風光功率預(yù)測多數(shù)為確定性預(yù)測，風、光出力從諸多影響因素來看，都包含著大量的不確定性，從原理上看，這些不確定性有的屬于概率范疇，源于條件不充分導致各種可能后果；有的屬于模糊范疇，源于外延不清的概念.正是由于風光預(yù)測中包含著這些大量的隨機性、波動性、模糊性因素，契合模糊概率預(yù)測精神，故借助模糊理論、概率模型來實現(xiàn)模糊概率預(yù)測無疑是一種可取的方法.楊茂，等[31]提出一種基于核主成分分析(KPCA)與核最小最大概率回歸機(KMPMR)相結(jié)合的方法,在取得較佳預(yù)測精度同時還能提供預(yù)測誤差的分布情況.王飛，等[32]提出了一種基于t location-scale分布的風電功率概率預(yù)測方法,通過其描述風電功率預(yù)測誤差概率分布并基于此進行概率預(yù)測，吉林省西部某風電場歷史數(shù)據(jù)驗證了該方法的有效性和可靠性.

3.5 模式識別預(yù)測法

模式識別預(yù)測技術(shù)已經(jīng)在各行各業(yè)取得了廣泛的應(yīng)用，其在數(shù)據(jù)的處理、特征的提取等方面有一定的優(yōu)越性，將模式識別與模糊聚類相結(jié)合，可以綜合考慮多種影響因素,從而較大地提高預(yù)測的精度.方法的基本思想是首先歸納總結(jié)預(yù)測因子的前期特征值，合理選擇設(shè)置模糊聚類模型和參數(shù)，綜合利用各類相關(guān)關(guān)系確定相應(yīng)類別變量的特征值,最后結(jié)合當前情況進行預(yù)測.文獻[28]在分析光照變化規(guī)律基礎(chǔ)上得到4種廣義天氣類型，通過提取光照的特征參數(shù)建立基于支持向量機的天氣狀態(tài)模式識別模型，并利用光伏電站的實際運行數(shù)據(jù)進行仿真驗證.陳燁等[33]利用實時風速數(shù)據(jù),建立基于離散Hopfield模式識別樣本，并通過構(gòu)造廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)非線性組合預(yù)測模型來實現(xiàn)有效預(yù)測.

3.6 組合預(yù)測法

綜合考慮兩種及以上的單一預(yù)測方法構(gòu)成的組合預(yù)測就是組合預(yù)測法.實踐證明，多種預(yù)測方法的組合是提高風光預(yù)測準確度的重要手段.組合的類型一般為：(1)物理預(yù)測法和統(tǒng)計預(yù)測法的組合預(yù)測，首先基于數(shù)值天氣預(yù)報NWP得到天氣預(yù)報信息，再經(jīng)處理甄選，最后將需要的數(shù)據(jù)送入經(jīng)過歷史數(shù)據(jù)訓練學習建立的統(tǒng)計預(yù)測模型進行風光出力預(yù)測.(2)多種統(tǒng)計預(yù)測法的組合預(yù)測，其實質(zhì)是對多種單一預(yù)測法進行組合加權(quán).首先通過誤差分析擇優(yōu)選取兩種及以上單一預(yù)測模型，根據(jù)最優(yōu)權(quán)值分配規(guī)則建立約束目標函數(shù)，接下來通過實現(xiàn)該約束條件下的最優(yōu)求解獲取各預(yù)測方法的權(quán)重系數(shù)，最后疊加形成組合預(yù)測模型.組合預(yù)測通過不同預(yù)測法的選擇可以綜合考慮各種影響因素，能夠較為充分地利用基礎(chǔ)信息實現(xiàn)預(yù)測準確度的提高，缺點是需要的基礎(chǔ)數(shù)據(jù)加大，計算成本相對較高.

4 風光預(yù)測誤差評價

對風光功率預(yù)測結(jié)果進行誤差綜合分析評價，是評價預(yù)測方法有效性、合理優(yōu)化權(quán)重系數(shù)、提高預(yù)測準確度、實現(xiàn)預(yù)測合理應(yīng)用的主要技術(shù)手段.根據(jù)誤差分析，可以對不同預(yù)測方法進行比較評價，選擇適用的方法應(yīng)用在具體風光功率預(yù)測中，從而提高預(yù)測精度.

誤差分析評價主要考慮因素是誤差考核指標選擇，緣于電網(wǎng)發(fā)展過程及自身特性不同，各國針對新能源風光預(yù)測誤差的考核評價標準不盡相同，國際常用新能源預(yù)測考核指標主要有偏差Bias、平均絕對偏差MAE、均方誤差MSE、均方根誤差RMSE、標準差SDE等.中國政府對新能源出臺的政策也包括對風光預(yù)測的考核要求，《風電場功率預(yù)測預(yù)報管理暫行辦法》《風電功率預(yù)測功能規(guī)范》等辦法規(guī)范提出了對新能源預(yù)測的考核要求，考核指標主要包括準確率、合格率、上報率、計算時間和故障率等，國內(nèi)風光預(yù)測誤差主要考核指標(見表1).《風電場功率預(yù)測預(yù)報管理暫行辦法》明確實時預(yù)測誤差不大于15%，最大誤差不大于25%，全日預(yù)測均方根誤差應(yīng)小于20%，這樣的誤差標準對于初期發(fā)展的小型風光預(yù)測要求尚可，考慮大型風光發(fā)電容量，這樣的預(yù)測誤差標準將對電網(wǎng)運行產(chǎn)生較大影響，亟待有關(guān)部門進一步研究分析標準的提高.

表1 國內(nèi)風光預(yù)測誤差主要考核指標

5 結(jié) 語

本文從風力發(fā)電、光伏發(fā)電出力曲線特性研究歸納出發(fā)，總結(jié)了風、光發(fā)電出力一般規(guī)律，并基于此規(guī)律特性，提出風、光預(yù)測的相關(guān)概念及一般性預(yù)測過程.進一步遵循國際國內(nèi)主要分類標準，按照預(yù)測采用時間尺度、預(yù)測對象、預(yù)測模型原理、預(yù)測范圍、是否采用數(shù)值天氣預(yù)報NWP等對風光預(yù)測主要方法進行了分類.在此基礎(chǔ)上，綜述了風光預(yù)測主要預(yù)測方法和應(yīng)用情況，并總結(jié)介紹了風光預(yù)測適用誤差評價方法.最后，就風光預(yù)測提出幾點建議和工作思路，為后續(xù)風光預(yù)測工作進一步研究提供參考，即：(1)在現(xiàn)有確定性預(yù)測的基礎(chǔ)上，考慮風光特性，基于模糊、混沌、灰色、概率等對風光預(yù)測的隨機性、波動性和不確定性進行深入研究；(2)重點發(fā)展組合預(yù)測，進一步研究分析各種不同預(yù)測法之間的組合，各項權(quán)重系數(shù)的優(yōu)化，實現(xiàn)構(gòu)建預(yù)測誤差小、計算效率高的組合算法；(3)風光預(yù)測設(shè)計海量數(shù)據(jù)，進一步研究海量數(shù)據(jù)甄別與預(yù)處理，研究數(shù)據(jù)優(yōu)選，針對不同預(yù)測方法選取適宜輸入量并提高數(shù)據(jù)質(zhì)量；(4)相關(guān)電力主管部門、電網(wǎng)調(diào)度機構(gòu)需進一步深入研究并制定更為科學完善的預(yù)測評價體系，為科學評價風光預(yù)測提出要求和指導；(5)進一步研究如何提高數(shù)值天氣預(yù)報模型的分辨率和更新頻率以增加數(shù)據(jù)的可靠性，為物理方法提供更為可信的支持體系；(6)進一步深入研究人工神經(jīng)網(wǎng)絡(luò)、支持向量機法、模糊集理論、遺傳算法、專家系統(tǒng)、混沌技術(shù)、灰色理論及概率不確定性在風光預(yù)測中的研究.

參考文獻：

[1] 林 俐,鄒蘭青,周 鵬,等.規(guī)模風電并網(wǎng)條件下火電機組深度調(diào)峰的多角度經(jīng)濟性分析[J].電力系統(tǒng)自動化,2017,41(7):21-27.

[2] 陳國平，李明節(jié)，許 濤，等.關(guān)于新能源發(fā)展的技術(shù)瓶頸研究[J].中國電機工程學報，2017，37(1)：20-26.

[3] 凌衛(wèi)家，吳國威，周 輝.以“一標三制”為核心的電網(wǎng)企業(yè)資產(chǎn)管理體系建設(shè)與運行實踐[J].浙江電力，2016，35(8):67-71.

[4] Landberg L.Short-term prediction of local wind conditions[D].Roskilde：Ris? National Laboratory， 1994.

[5] 鄭婷婷，王海霞，李衛(wèi)東.風電預(yù)測技術(shù)及其性能評價綜述[J].南方電網(wǎng)技術(shù),2013,7(2):104-109.

[6] 陳 煒，艾 欣，吳 濤.光伏并網(wǎng)發(fā)電系統(tǒng)對電網(wǎng)的影響研究綜述[J].電力自動化設(shè)備,2013,33(2):26-32.

[7] 馮雙磊，王偉勝，劉 純，等.風電場功率預(yù)測物理方法研究[J].中國電機工程學報，2010，30(2)：1-6.

[8] 丁 明，王偉勝，王秀麗，等.大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J].中國電機工程學報，2014,34(1)：1-14.

[9] 牛東曉,曹樹華,趙 磊,等.電力負荷預(yù)測技術(shù)及其應(yīng)用[M].北京:中國電力出版社,1998.

[10] 許國凱，徐 展，吳 忠.配電網(wǎng)全過程網(wǎng)格化管理實踐[J].浙江電力，2017，36(6):39-43.

[11] 康重慶,夏 清,張伯明.電力系統(tǒng)負荷預(yù)測研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動化，2004,28(17)：1-11.

[12] MA LEI，LUAN SHIYAN，JIANG CHUANWEN，et al. A review on the forecasting of wind speed and generated power[J]. Renewable and Sustainable Energy Reviews，2009(13)：915-920.

[13] 江岳文,溫步瀛.結(jié)合風電功率超短期預(yù)測值偏差的實時市場調(diào)度[J].電力自動化設(shè)備,2015,35(3):12-17.

[14] 李道強.深化電力體制改革背景下在電力交易中應(yīng)用電子簽名的可行性探討[J].浙江電力，2016，35(9):71-74.

[15] YANG C，THATTE A，XIE L.Multitime-scale data-driven spatiotemporal forecast of photovoltaic generation[ J] .IEEE Trans on Sustainable Energy， 2015，6(1):104-112.

[16] 甘 迪,柯德平,孫元章，等.考慮爬坡特性的短期風電功率概率預(yù)測[J].電力自動化設(shè)備,2016,36(4):145-150.

[17] 單英浩，付 青，耿 炫，等.基于改進BP-SVM-ELM與粒子化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測方法[J].中國電機工程學報，2016,36(12)：3334-3342.

[18] 汪 洋,鐘海旺,夏 清,等.機組檢修與運行組合的協(xié)同優(yōu)化[J].電力系統(tǒng)自動化,2014(21):26-31.

[19] 程浩忠，李 雋，吳耀武,等.考慮高比例可再生能源的交直流輸電網(wǎng)規(guī)劃挑戰(zhàn)與展望[J].電力系統(tǒng)自動化,2017,41(9):19-27.

[20] 楊李星，郝思鵬，嚴曉杰，等.基于混合儲能的直流配電網(wǎng)改進電壓分區(qū)控制策略[J].浙江電力，2017，36(6):20-25.

[21] 錢衛(wèi)良，李 晉，張龍超.配電網(wǎng)螺紋系列線夾的研制與應(yīng)用[J].浙江電力，2017，36(6):52-54.

[22] FOLEY A M, LEAHY P G, MARVUGLIA A, et al. Current methods and advances in forecasting of wind power generation[J]. Renewable Energy,2012，37(1)：1-8.

[23] 薛禹勝，郁 琛，趙俊華.關(guān)于短期及超短期風電功率預(yù)測的評述[J].電力系統(tǒng)自動化.2015，39(6)：1-11.

[24] 林 鵬，趙書強，謝宇琪，等.基于實測數(shù)據(jù)的風電功率曲線建模及不確定估計[J].電力自動化設(shè)備，2015，35(4)：90-95.

[25] 朱 想，居蓉蓉，程 序.組合數(shù)值天氣預(yù)報與地基云圖的光伏超短期功率預(yù)測模型[J].電力系統(tǒng)自動化，2015，39(6)：4-10.

[26] 李洪濤，馬志勇，芮曉明.基于數(shù)值天氣預(yù)報的風能預(yù)測系統(tǒng)[J].中國電力，2012,45(2)：64-68.

[27] 丁 明，鮑玉瑩，畢 銳.應(yīng)用改進馬爾科夫鏈的光伏出力時間序列模擬[J].電網(wǎng)技術(shù)，2016，40(2)：459-464.

[28] 范高鋒，王偉勝，劉 純，等.基于人工神經(jīng)網(wǎng)絡(luò)的風電功率預(yù)測[J].中國電機工程學報，2008,28(34)：118-123.

[29] KARINIOTAKIS G N,STAVRAKAKIS G S,NOGARET E F.Wind Power Forecasting Using Advanced Neural Networks models[J].IEEE.Transactions on Energy Conversion, 1996,11(4)：762-767.

[30] 李 軍，常燕芝.基于KPCA-KMPMR的短期風電功率概率預(yù)測[J].電力自動化設(shè)備，2017,37(2)：22-28.

[31] 楊 茂，杜 剛.基于t Location-Scale分布的風電功率概率預(yù)測研究[J].中國電力，2017,50(1)：140-145.

[32] 王 飛，米增強，甄 釗，等.基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預(yù)測方法[J].中國電機工程學報，2013,33(34)：75-82.

[33] 陳 燁，高亞靜，張建成.基于離散Hopfield模式識別樣本的GRNN非線性組合短期風速預(yù)測模型[J].電力自動化設(shè)備，2015,35(8)：131-136.