摘要： 風電場功率預測可以有效地幫助平衡系統(tǒng)電力供應和負荷需求，從而降低風電功率波動性和不確定性對電力系統(tǒng)穩(wěn)定性的影響.隨著風電接入電力系統(tǒng)比例的增加，如何準確地預測風電場發(fā)電功率成為一大難點，將影響風電場并網(wǎng)運行.由此，系統(tǒng)總結(jié)了近些年來國內(nèi)外學者在風電場功率預測方面的研究進展.首先，以預測時間尺度、預測物理量、預測原理、預測特點為分類標準，對多種風電場功率預測方法進行了分類梳理，總結(jié)了各類預測方法的研究情況，闡述了其特點及應用場景，為預測模型的選擇提供了參考.之后，從單點預測、概率預測、預測曲線的角度總結(jié)了預測效果的評價指標，并就評價指標的選擇給出建議.最后，總結(jié)了當前風電場功率預測全過程遇到的影響預測準確性、實用性的關鍵因素，提出了未來風電場功率預測可能的發(fā)展趨勢，為準確預測風電場功率及電網(wǎng)的穩(wěn)定并網(wǎng)運行提供了參考.

關鍵詞： 風電場；功率預測；評價指標；研究進展；發(fā)展趨勢

中圖分類號： TK83" 文獻標志碼： A" 文章編號： 1674-8530（2024）08-0778-07

DOI：10.3969/j.issn.1674-8530.22.0197開放科學（資源服務）標識碼（OSID）：

收稿日期： 2022-08-22； 修回日期： 2022-11-07； 網(wǎng)絡出版時間： 2023-03-24

網(wǎng)絡出版地址： https：//link.cnki.net/urlid/32.1814.TH.20230323.1652.002

基金項目： 浙江浙能國電投嵊泗海上風力發(fā)電有限公司科技項目（ZNKJ-2021-080）；浙江省自然科學基金資助項目（LY24E060002）

第一作者簡介： 李根銀（1966—），男，浙江金華人，高級工程師（519292734@qq.com），主要從事海上風電場數(shù)值模擬與工程應用研究.

通信作者簡介： 羅坤（1977—），男，河南信陽人，教授，博士生導師（zjulk@zju.edu.cn），主要從事能源與環(huán)境工程多尺度耦合問題的理論建模及數(shù)值模擬研究.

李根銀，郁冶，王異成，等. 風電場功率預測的研究進展及發(fā)展趨勢［J］. 排灌機械工程學報，2024，42（8）：778-784，817.

LI Genyin，YU Ye，WANG Yicheng，et al. Research progress and development trend of wind farm power prediction［J］. Journal of drainage and irrigation machinery engineering（JDIME），" 2024， 42（8）： 778-784，817. （in Chinese）

Research progress and development trend of wind farm power prediction

LI Genyin1， YU Ye2， WANG Yicheng3， HE Jiahua4， WANG Qiang4，5， LUO Kun4，5 *， FAN Jianren4，5

（1. Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Co.， Ltd.， Zhoushan， Zhejiang 202450， China; 2. State Power Investment Group Zhejiang New Energy Co.， Ltd.， Hangzhou， Zhejiang 310016， China; 3. Hangzhou Yineng Power Technology Co.， Ltd.， Hangzhou， Zhejiang 310027， China; 4. State Key Laboratory of Clean Energy Utilization， Zhejiang University， Hangzhou， Zhejiang 310027， China; 5. Zhejiang Key Laboratory of Clean Energy and Carbon Neutrality， Hangzhou， Zhejiang 310027， China）

Abstract： Wind power prediction can effectively help balance the power supply and load demand of a system， thereby reducing the impact of wind power fluctuations and uncertainty on the stability of the power system. As the proportion of wind power connected to the power system increases， how to accurately predict the power generation of wind farms has become a major challenge， which will affect the grid-connected operation of wind farms. The research progress of domestic and foreign scholars in wind farm power prediction in recent years was systematically summarized. Firstly， a variety of wind power prediction methods according to the classification criteria of time scale， prediction physical quantity， prediction principle， and prediction characteristics was classified and sorted out. The research status of various prediction methods was summarized， its characteristics and application scenarios were explained， and a reference for the selection of prediction models was provided. Then， the evaluation indicators of the prediction effect were summarized from the perspectives of single-point prediction， probability prediction and prediction curve， and some suggestions were given on the selection of evaluation indicators. Finally， the key problems affecting the accuracy and practicability of wind farm power prediction were summarized， and the possible development trends of wind farm power prediction in the future were proposed， which provided a reference for the accurate prediction of wind farm power and the stable grid-connected operation of the power grid.

Key words： wind farm；power prediction；evaluation index；research progress；development trend

風能是一種對環(huán)境無污染的可再生能源，作為未來能源的重要形式之一，對今后人類的生活生產(chǎn)方式和發(fā)展將產(chǎn)生重要影響.中國風能資源豐富，風電技術的開發(fā)利用已取得了巨大進步［1］.

風電場將捕獲的風能轉(zhuǎn)換為電能，再將電能并入電網(wǎng)系統(tǒng)以實現(xiàn)風力發(fā)電.由于風電場本身所特有的間歇性和不確定性，增加了電網(wǎng)調(diào)度的難度，這給電力系統(tǒng)調(diào)度運行帶來了巨大壓力和嚴峻挑戰(zhàn).因此，風電場功率預測是大型風電場并網(wǎng)運行的先決條件，有利于保證電網(wǎng)穩(wěn)定運行和供電系統(tǒng)的可靠性.

國外對風電場功率預測的研究開展較早，已形成較成熟的預測技術.在許多地區(qū)，已應用數(shù)值天氣預報（numerical weather prediction，NWP）信息作為風力發(fā)電預測的基礎，建立大量功能較為完善的功率預測系統(tǒng).其中，丹麥、德國、美國等已開發(fā)出具有不同預測特點與應用場景的風電場功率預測系統(tǒng)，并將預測精度提高到了10%左右.

相比于國外成熟的風電場功率預測系統(tǒng)，國內(nèi)的相關研究起步較晚，經(jīng)歷了從超短期預測理論探索、NWP數(shù)據(jù)加入模型后的短期預測研究2個階段.中國首個風力發(fā)電功率預測系統(tǒng)WPFS，可提供15 min和1 h這2種精度下0～4 h超短期預測和 0～48 h短期預測，單個風電場預測精度已達到均方根誤差16%～19%.此外，國內(nèi)正推進多種預測模型的研究開發(fā)，包括物理模型、基于神經(jīng)網(wǎng)絡以及組合模型等.國內(nèi)的風電場功率預測系統(tǒng)需克服NWP準確度較低、對地理因素關注不夠等問題.

文中基于國內(nèi)外對于風電場功率預測的相關研究，充分考慮各種研究方法的特點以及應用場景，首先從多個時間尺度、預測物理量、預測模型、預測特點等4個角度展開分析風電場功率預測方法，再根據(jù)功率預測特點總結(jié)主要的風電場功率預測評價指標，并經(jīng)過大量調(diào)研提出當今風電場功率預測的發(fā)展趨勢，對開展相關研究具有重要的參考意義與指導價值.

1" 風電場功率預測方法

按照不同的標準，可以對風力場功率預測方法進行如下分類.

1.1" 預測時間尺度

根據(jù)預測時間尺度，可以將風電場的功率預測劃分為超短期預測、短期預測、中期預測和長期預測.

超短期預測的預測單位是分鐘或小時，一般對未來幾小時內(nèi)發(fā)電量進行預測，主要用于對風電場的運行進行控制和穩(wěn)定電能質(zhì)量，實時預測即屬于超短期預測的范疇.短期預測以小時為預測單位，一般對未來幾十小時到幾天內(nèi)發(fā)電量進行預測，主要服務于電網(wǎng)調(diào)度以及風力發(fā)電功率競價上網(wǎng).中期預測的預測單位是周或月，主要用于指導安排風電機組的檢修或調(diào)試.長期預測的預測單位是年，需要提前數(shù)年開展預測研究的準備工作，主要用于評估風電資源和建設規(guī)劃風電場.

一般來說，預測時長越長，預測越困難，對于預測精度的要求越低.中長期預測模型與平均風速預測有直接關系，不僅要考慮大氣動力系統(tǒng)的變化，還要考慮到季節(jié)的交替以及更多氣象因素的影響.短期預測對精度的要求高于中長期預測，需結(jié)合NWP信息進行研究，根據(jù)NWP信息量的多少采用不同的處理方法，對NWP信息的依賴性較大.超短期預測精度和可信度優(yōu)于短期預測，通?；陲L電場的歷史數(shù)據(jù)建模，對于數(shù)據(jù)的可靠性要求較高.目前企業(yè)應用較多的是超短期功率預測，以實時跟蹤功率的波動過程.

因此，在實際的風電場功率預測中，不僅需要滿足企業(yè)對于功率預測的具體用途與應用場景的要求，還要在預測時長和預測精度之間綜合選擇合適的功率預測方法.

1.2" 預測物理量

按照預測物理量，可以將風電場的功率預測劃分為直接法和間接法.

直接法是根據(jù)功率的時間序列、氣象信息等影響因素直接預測風電場的輸出功率.風速是影響風電機組輸出功率最重要的因素.在間接法中，先對未來時刻的風速進行預測，然后根據(jù)風電機組或風電場的功率曲線得到風功率值.風電場的輸出功率隨風的波動而波動，風機捕獲的風功率可以表示為

P=12CpAρv3，（1）

式中：P為風機輸出功率，kW；Cp為風機的風能利用系數(shù)； A為風輪掃過的面積，m2；v為風速，m/s.

風電場功率的直接預測法已形成較為成熟的手段和方法，包括物理方法、學習方法等.間接法對于風電場尾流、粗糙度以及其他影響因素的考慮較少，且風電場的理論功率曲線與實際功率曲線有偏差，往往會帶來一定的誤差.目前工業(yè)界、學術界使用較多的是風電場功率直接預測法.對于預測精度要求不高、不考慮其他因素的預測情景，可以使用間接法獲得風電場功率預測未來的變化趨勢.

1.3" 預測原理

按照預測原理，可以將風電場功率預測劃分為物理方法、統(tǒng)計方法、學習方法.

1.3.1" 物理方法

物理方法是指根據(jù)大氣實際情況，在一定的初值和邊值條件下，通過大型計算機進行數(shù)值計算，求解描寫天氣演變過程的流體力學和熱力學的方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象，從而預測風電場功率的方法.

物理方法適于短期預測，依據(jù)NWP的風向、風速、氣壓、氣溫等關鍵氣象數(shù)據(jù)，參照風電場周圍障礙物、地表粗糙度、溫度分層等信息，分析計算輪轂高度風向、風速信息，再根據(jù)風速功率曲線得到風電場功率.

1.3.2" 統(tǒng)計方法

統(tǒng)計方法是指根據(jù)反映事物過去發(fā)展規(guī)律的數(shù)據(jù)信息來推斷未來發(fā)展變化情況的統(tǒng)計方法.通過大型風電場安裝的數(shù)據(jù)采集監(jiān)控系統(tǒng)（supervisory control and data acaquistion，SCADA），按一定時間間隔采集和記錄各個風機的平均輸出功率，構成1個功率時間序列.統(tǒng)計方法應用在風電場功率預測領域，關鍵在于尋求歷史數(shù)據(jù)和機組輸出功率的映射關系，直接利用SCADA數(shù)據(jù)和NWP數(shù)據(jù)對風電場輸出功率進行預測，包括時間序列法、概率預測法、灰色預測法［2］、小波分析法［3］等統(tǒng)計預測方法.

其中，自回歸滑動平均（auto-regressive moving average model，ARMA）法等時間序列法所用數(shù)據(jù)單一，預測周期短，對誤差的估計不夠合理，可用于優(yōu)化控制的短期預測［4］.分位數(shù)回歸方法以及概率密度預測方法［5］等概率預測法是目前研究領域中比較新的方法，能夠給出未來時刻風電場出力的分布信息，為電力系統(tǒng)運行決策提供參考.然而，基于統(tǒng)計方法建立函數(shù)關系對具有非線性和非平穩(wěn)特性的風電數(shù)據(jù)進行預測，難以取得準確的預測效果.

1.3.3" 學習方法

近年來，隨著機器學習方法的成熟，學習方法成為風電場功率預測的研究熱點.該方法通過對數(shù)據(jù)關系的學習和訓練建立非線性模型，更好地適應了風功率的時間序列特性.涉及的具體方法及其特點：脊波神經(jīng)網(wǎng)絡、基于粒子群優(yōu)化（particle swarm optimization，PSO）的前向神經(jīng)網(wǎng)絡、雙隱含層BP（back propagation，BP）神經(jīng)網(wǎng)絡等神經(jīng)網(wǎng)絡方法具有強大的非線性映射能力、自適應能力和良好的容錯性等［6］.神經(jīng)網(wǎng)絡與模糊預測法相結(jié)合能較好地處理一些模糊因素，如天氣狀況的影響.支持向量機（support vector machine，SVM）建立在統(tǒng)計學習理論的VC（vapnik-chervonenkis）維理論和結(jié)構風險最小化原則上，避免了局部極小點，能有效地解決過學習問題［7］.

1.4" 預測特點

根據(jù)預測特點，可以將預測方法劃分為單點預測和概率預測［8］.其中，單點預測直接給出預測時刻的對應預測值，很難體現(xiàn)風電出力的不確定性和隨機性，通常用于系統(tǒng)優(yōu)化調(diào)度和電力市場競價.概率預測給出預測時刻的風電場功率概率分布，將概率分布的期望值或概率最大的風電功率值作為預測結(jié)果，應用在風險評估及系統(tǒng)概率優(yōu)化調(diào)度、風險分析和決策方面.

表1為風電場功率預測方法分類結(jié)果.在實際應用中，需要將風電場功率預測的目的、NWP及SCADA數(shù)據(jù)特點、預測物理量等因素綜合考慮后選擇最合適的預測模型，以達到企業(yè)對于功率預測的要求，保證電網(wǎng)穩(wěn)定運行與供電系統(tǒng)的可靠性.

2" 風電場功率預測的評價指標

一般來說，風電場功率預測誤差來源較多，需要綜合評價預測效果，以下從多個角度展開討論風電場功率預測的評價指標.

2.1" 單點預測的評價指標

誤差的大小反映了預測值與實際值之間的逼近程度，是評價預測模型能否提高預測精度的重要指標.

2.1.1" 標準平均絕對誤差

標準平均絕對誤差（normalized mean absolute error，NMAE）表征模型預測值與實際值的總體偏差情況，總體上反映模型的預測效果，其計算式為

NMAE=1Pcap1n∑ni=1Si－Oi×100%，（2）

式中：Pcap為風電場的額定容量，kW；Si，Oi（i=1，2，…，n）分別為預測對象對應的第i個預測值和實際值，kW.

2.1.2" 標準平均相對誤差

標準平均相對誤差（normalized mean relative error，NMRE）由標準絕對值平均誤差除以實際值的平均值得到，反映預測值與實際值之間的相對誤差及偏離情況，其計算如式（3）所示.

NMRE=1Pcap1n∑ni=1Si－OiOi×100%.（3）

2.1.3" 標準均方根誤差

標準均方根誤差（normalized root mean square error，NRMSE）表征模型的精確度及誤差的分散程度，反映預測曲線與實際曲線的擬合程度，通常為正值，其計算式為

NRMSE=1Pcap1n∑ni=1（Si－Oi）2.（4）

NMAE，NMRE，NRMSE是現(xiàn)行企業(yè)標準和推薦的行業(yè)標準誤差評價指標，易于計算，常用于整體性能評價，對系統(tǒng)誤差特性進行“宏觀”評價.一般來說，短期誤差的NRMSE控制在20% 以內(nèi)，預測效果較好.但是，這類指標僅僅給出了針對某一段數(shù)據(jù)序列整體的指標結(jié)果，將誤差平均化處理，丟失了許多有利用價值的信息，對于預測結(jié)果的細節(jié)關注較少.

2.2" 概率預測的評價指標

通常為了更好地評價一個概率預測方法，主要從兩方面考慮：一是預測結(jié)果位于預測區(qū)間內(nèi)的概率盡可能靠近置信水平，保證結(jié)果的可信度；二是預測區(qū)間應在能保證可靠性的同時盡量窄，更具有決策意義.常用的評價概率預測指標如下［8］.

2.2.1" 可靠性

可靠性指標反映概率預測結(jié)果在預測期間的置信水平，其表達式為

R（1-a）=ξ（1－a）N－（1－a）×100%，（5）

式中：R （1-α）為置信水平為 1-α時的可靠性值；N為樣本總數(shù)；ξ（1-α）為置信水平為1-α時真實值在預測區(qū)間內(nèi)的數(shù)目.

2.2.2" 區(qū)間平均寬度

區(qū)間平均寬度反映了在保證可靠性基礎上的預測區(qū)間寬度，其表達式為

IAW（1－α）=1N∑Nj=1θ（1－α）j，（6）

式中：IAW（1-α） 為置信水平為1-α 時的區(qū)間平均寬度；θj（1-α）為第j個測試樣本在置信水平為1-α時的區(qū)間寬度.

在實際應用中，需綜合考慮單點預測評價指標、可靠性及區(qū)間平均寬度評價指標進行分析.一般來說，在相同置信度條件下，預測誤差越小，可靠性越大，區(qū)間平均寬度越小，預測效果越好.取置信度為90% 時，若可靠性在±20%以內(nèi)，區(qū)間平均寬度在20以內(nèi)，且預測誤差在合理范圍內(nèi)，則預測效果較為理想.

2.3" 預測曲線的評價指標

除了從數(shù)據(jù)本身角度，往往還需要從預測與實際曲線的一致性、誤差序列的分布特征等角度評價預測效果.常見的預測曲線評價指標如下.

2.3.1" 偏度

偏度又稱偏斜系數(shù)或偏態(tài)系數(shù)，是判斷數(shù)據(jù)序列分布規(guī)律性的指標，反映了誤差序列在均值兩側(cè)的非對稱性，其表達式為

SK=∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）3n1n－1∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）23.（7）

在偏度指標的分析中，正態(tài)分布呈對稱狀，偏度為0.若分布右偏（或左偏），即右側(cè)（或左側(cè)）拖尾更長，則偏度為正（或為負）.風電預測的誤差序列一般呈右偏分布，為正值時一般小于4，其右拖尾部分對應于小概率大誤差的預測結(jié)果，其值越小越好［9］.

2.3.2" 峰度

峰度又稱峰度系數(shù)，表征概率密度分布曲線在平均值處峰值高低的特征數(shù)，反映峰部的尖度，度量誤差序列的非平坦程度，其表達式為

KU=

∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）4n1n－1∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）24－3，（8）

在峰度指標分析中，正態(tài)分布的峰度為0；若峰度大于（或小于）0，則比正態(tài)分布“高瘦”（或“矮胖”）.風電預測的誤差序列的峰度一般在（0，8），其值越大越好.

2.3.3" 相關系數(shù)

相關系數(shù)用以反映變量之間的密切程度，表征預測值與實際值變化趨勢的一致性，其表達式為

r=∑ni=1［（Oi－Oi）（Si－Si）］∑ni=1（Oi－Oi）2∑ni=1（Si－Si）2，（9）

式中：Oi，Si分別為預測對象對應的第i個實際值和預測值的平均值.

在風電場功率預測中，相關系數(shù)體現(xiàn)出預測值隨真實值變化的靈敏性.相關系數(shù)介于［-1，1］，其值越大，預測曲線與實際功率的變化趨勢一致性越好.

為滿足中國風力發(fā)電行業(yè)現(xiàn)狀與前景，建議采用NMAE，NMRE，NRMSE以及相關系數(shù)r作為預測誤差評估方法.對于概率預測方法，需結(jié)合不同置信度下的可靠性、區(qū)間平均寬度綜合分析預測效果.同時，考慮誤差的分布特性以及預測與實際曲線的一致性，峰度與偏度是非常重要的評價指標.

3" 風電場功率預測的發(fā)展趨勢

當前風電場的功率預測全過程會遇到許多困難，影響了預測準確性，降低了預測方法的實用性.比如：① 隨著預測時間的增長，預測準確度將會降低，兩者往往不能同時滿足；② 受風速隨機性的影響，風電場SCADA數(shù)據(jù)具有很強隨機性和波動性，時間序列本身會產(chǎn)生誤差；③ 中國的NWP氣象信息的準確性有待提高，對地理因素的關注度不夠，氣象信息不夠準確；④ 功率特性曲線的不準確性將會放大功率誤差；⑤ 風電場功率預測方法與實際風電場的匹配性等.因此，需根據(jù)風電場的實際情況與預測需求，結(jié)合多種預測方法，搭建預測效果最好的風電場功率預測模型，以滿足風電場并網(wǎng)運行需求.如何在不同預測環(huán)境下選擇適合的預測模型成為近年來風速研究中的熱點問題.

圖1為風電場功率預測發(fā)展趨勢圖.

目前風電場功率預測的發(fā)展趨勢有以下幾個特點.

3.1" 綜合考慮影響因素，修正氣象信息

風電場建設投產(chǎn)后的運行狀況均處于假設狀態(tài)，更多的是一種不確定因素，直接影響風電場功率輸出及發(fā)電量.因此，盡可能充分考慮發(fā)電量形成過程中的制約因素，重視各相關要素特點，有利于準確預測風電功率，成為風電場功率預測的發(fā)展趨勢之一.

目前，國內(nèi)外學者對于風電場自身及空間差異、NWP氣象信息的修正研究較多.SCARABAGGIO等［10］考慮到風力發(fā)電預測的不確定性，提出了一種智能電網(wǎng)分布式需求側(cè)管理方法，以獲得基于風速預測的概率密度函數(shù)，嘗試從需求側(cè)解決風電發(fā)電功率的不確定性.WU等［11］考慮風電場NWP信息間的相關特征，基于多位置NWP信息、不同風電場NWP信息相關性構建特征圖，并訓練得到時空模型以開展風電功率短期預測，獲得更好的預測精度.符楊等［12］考慮海上數(shù)值天氣預報信息的準確性不高、爬坡事件頻發(fā)等因素，通過氣象相似性分類以及對未來時刻風功率波動范圍的預測分類，實現(xiàn)預測結(jié)果的NWP修正.戚創(chuàng)創(chuàng)等［13］考慮大氣穩(wěn)定度的同時，根據(jù)風向與功率損失構建出功率風向模型，并在此基礎上提出基于編碼-解碼框架的海上風電場功率預測方法，有效平抑預測功率波動，提升了預測準確度.

3.2" 優(yōu)化數(shù)據(jù)處理算法，提高數(shù)據(jù)可靠度

通常采用SCADA獲得的歷史運行數(shù)據(jù)或者調(diào)度中心記錄的風電出力數(shù)據(jù)進行預測分析，需要進行適當?shù)臄?shù)據(jù)處理才能使用.數(shù)據(jù)的可靠性直接影響預測效果.因此，目前研究熱點在于如何保障數(shù)據(jù)的有效性和優(yōu)化數(shù)據(jù)質(zhì)量，減少數(shù)據(jù)挖掘的時間復雜度，提高數(shù)據(jù)可靠度.

在數(shù)據(jù)處理方面，國內(nèi)外諸多學者已開展了大量研究，包括采用優(yōu)化算法、視圖融合、模態(tài)分解等方法提高數(shù)據(jù)可靠度［14-15］.LI等［16］使用粒子群優(yōu)化算法（paper swarm optimization，PSO）對傳統(tǒng)卡爾曼濾波器進行改進，通過降低觀測噪聲和過程噪聲的影響，解決了傳統(tǒng)卡爾曼濾波器預測精度低的問題.張文等［17］提出了基于樸素貝葉斯和EM（expectation maximization，EM）算法的軟件工作量數(shù)據(jù)缺失處理方法.楊茂等［18］采用基于EMD（empirical mode decomposition，EMD）的優(yōu)化算法EEMD（ensemble empirical mode decomposition，EEMD），對風電場功率進行有效的分解，減輕了模態(tài)混疊現(xiàn)象.

3.3" 發(fā)揮單一模型優(yōu)勢，構建組合模型

隨著對風電場功率預測的準確度要求越來越高，目前單一的預測方法已經(jīng)難以滿足高風電場功率預測的準確性的需求.BATES和GRANGERS于1969年提出組合預測方法，通過集中各單一算法的優(yōu)點，進行適當加權組合，建立新的預測模型，提高了算法預測精度和泛化能力.如今，綜合單一模型優(yōu)點，將多個模型按權重組合，獲得加權平均結(jié)果，能夠涵蓋更充分的信息，成為風電場功率預測的重要發(fā)展趨勢之一.

國內(nèi)外學者對于神經(jīng)網(wǎng)絡結(jié)合其他模型組合預測方法的研究較多，將先進的神經(jīng)網(wǎng)絡算法與模態(tài)分解等模型結(jié)合可有效提高預測精度［19-20］.YILDIZ等［21］基于變分模式分解（variational mode decomposition，VMD）將特征提取并轉(zhuǎn)換為圖像，并采用改進的基于殘差的深度卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）對風電場功率進行預測，在超短期預測中具有良好的效果.SHAHID等［22］提出一種基于長短期記憶和遺傳算法的新的遺傳長短期記憶（genetic long short term memory，GLSTM）模型預測短期風電場功率，將風力預測的改善程度從6%提升到30%.LI等［23］將改進的蜻蜓算法與支持向量機結(jié)合用于短期風功率預測，利用風電場實測數(shù)據(jù)與反向傳播神經(jīng)網(wǎng)絡和高斯過程回歸等其他模型進行對比試驗，具有更好的預測性能.WANG等［24］提出了基于多目標蝙蝠算法優(yōu)化的4個人工神經(jīng)網(wǎng)絡組合模型，歷史風速序列經(jīng)數(shù)據(jù)分解和降噪處理后輸入該模型進行多步預報，獲得更優(yōu)結(jié)果.

4" 結(jié)" 論

近年來，隨著環(huán)境破壞和污染日趨嚴重、溫室效應加劇，風能作為一種新型綠色清潔能源，具有廣闊的發(fā)展前景和潛力.風力發(fā)電功率的預測直接影響著并網(wǎng)運行的穩(wěn)定性和競價上網(wǎng).

1） 相比于國外起步較早、發(fā)展較為成熟的風電場功率預測系統(tǒng)，中國風電場功率預測技術研究起步較晚，但發(fā)展迅速.從時間尺度上，風電場功率預測可分為超短期預測、短期預測、中期預測和長期預測.從預測原理上，風電場功率預測方法可分為物理方法、統(tǒng)計方法和學習方法.目前，企業(yè)普遍采用直接預測以及單點預測的方法預測風電場功率，間接預測法及概率預測法相對使用較少.因此，需結(jié)合具體的預測目的和數(shù)據(jù)特點等因素，選擇較為合適的風電場功率預測模型.

2） 文中對于風電場功率預測評價指標進行了分類與介紹.對于單點預測，可采用標準絕對值平均誤差、標準平均相對誤差、標準均方根誤差評判預測效果.對于概率預測，可結(jié)合不同置信度下的可靠性、區(qū)間平均寬度綜合分析預測效果.對于預測曲線與實際曲線的擬合程度，可從峰度、偏度、相關系數(shù)等角度分析.在實際預測中，需結(jié)合預測模型特點以及預測要求采取適當?shù)脑u價指標分析預測效果.

3） 文中提出了當前風電場功率預測正朝著綜合考慮影響因素、優(yōu)化氣象信息、提高數(shù)據(jù)可靠度、構建組合模型等方向發(fā)展，不斷提升預測精度，優(yōu)化電網(wǎng)調(diào)度，提高風電入網(wǎng)的市場競爭力，使其在民生領域、經(jīng)濟領域發(fā)揮更大的作用，助力中國風電事業(yè)和新能源事業(yè)的發(fā)展.

參考文獻（References）

［1］" 李松. 海洋牧場與海上風電融合發(fā)展的適宜性評價： 以奉賢海上風電場為例［J］. 水利水電技術（中英文）， 2023， 54（S2）： 426-430.

LI Song. Suitability evaluation of the combination of offshore wind energy with marine ranching： taking Fengxian offshore wind farm as an example［J］. Water resources and hydropower engineering， 2023， 54（S2）： 426-430.（in Chinese）

［2］" GUO P. Research of a new MPPT strategy based on gray wind speed prediction ［C］//2009 Second International Symposium on Knowledge Acquisition and Modeling， November 30 to December 1，2009， Wuhan， China.

［3］" LIU H， DUAN Z， LI Y， et al. A novel ensemble model of different mother wavelets for wind speed multi-step forecasting ［J］. Applied energy， 2018， 228： 1783-1800.

［4］" KAVASSERI R G， SEETHARAMAN K. Day-ahead wind speed forecasting using f-ARIMA models ［J］. Renewable energy， 2009， 34（5）： 1388-1393.

［5］" BESSA R J， MIRANDA V， BOTTERUD A， et al. Time-adaptive quantile-copula for wind power probabilistic forecasting ［J］. Renewable energy， 2012， 40（1）： 29-39.

［6］" GRASSI G， VECCHIO P. Wind energy prediction using a two-hidden layer neural network ［J］. Communications in nonlinear science and numerical simulation， 2010， 15（9）： 2262-2266.

［7］" 程啟明， 陳路， 程尹曼， 等. 基于EEMD和LS-SVM模型的風電功率短期預測方法 ［J］. 電力自動化設備， 2018， 38（5）： 27-35.

CHENG Qiming， CHEN Lu， CHENG Yinman， et al. Short-term wind power forecasting method based on EEMD and LS-SVM mode ［J］. Power automation equipment， 2018， 38（5）： 27-35.（in Chinese）

［8］" 曲宗希. 風速組合預測策略中若干難點問題研究 ［D］. 蘭州：蘭州大學， 2019.

［9］" 姚琦， 柳玉， 白愷， 等. 風電場功率預測水平的多指標綜合評價方法研究 ［J］. 太陽能學報， 2019， 40（2）： 333-340.

YAO Qi， LIU Yu， BAI Kai， et al. Study of multi-index comprehensive evaluation method for wind farm power prediction level ［J］. Acta energiae solaris sinica， 2019， 40 （2）： 333-340. （in Chinese）

［10］" SCARABAGGIO P， GRAMMATICO S， CARLI R， et al. Distributed demand side management with stochastic wind power forecasting ［J］. IEEE transactions on control systems technology， 2022， 30（1）： 97-112.

［11］ "WU F， YANG M， SHI C. Short-term prediction of wind power considering the fusion of multiple spatial and temporal correlation features ［J］. Frontiers in energy research， 2022， 10：878160.

［12］" 符楊， 鄭紫宸， 時帥， 等. 考慮氣象相似性與數(shù)值天氣預報修正的海上風功率預測 ［J］. 電網(wǎng)技術， 2019， 43（4）： 1253-1260.

FU Yang， ZHENG Zichen， SHI Shuai， et al. Offshore wind power forecasting considering meteorological similarity and NWP correction ［J］. Power system technology， 2019， 43（4）： 1253-1260. （in Chinese）

［13］" 戚創(chuàng)創(chuàng)， 王向文. 考慮風向和大氣穩(wěn)定度的海上風電功率短期預測 ［J］. 電網(wǎng)技術， 2021， 45（7）： 2773-2780.

QI Chuangchuang， WANG Xiangwen. Short-term predic-tion of offshore wind power considering wind direction and atmospheric stability ［J］. Power system technology， 2021， 45（7）： 2773-2780. （in Chinese）

［14］" 毛鶯池， 張建華， 陳豪. 一種多視圖深度融合的連續(xù)性缺失補全方法 ［J］. 西安電子科技大學學報， 2019， 46（2）： 61-68.

MAO Yingchi， ZHANG Jianhua， CHEN Hao. Ｓｕｃｃｅｓ-ｓｉｖｅ" ｍｉｓｓｉｎｇ ｃｏｍｐｌｅｔｉｏｎ" ｂａｓｅｄ" ｏｎ" ｄｅｅｐ" ｆｕｓｉｏｎ" ｆｒｏｍ" ｍｕｌｔｉｐｌｅ" ｖｉｅｗｓ ［J］. Journal of Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ， 2019， 46（2）： 61-68. （in Chinese）

［15］" 許夢田， 王洪哲， 趙成萍， 等. 基于短期風功率預測的數(shù)據(jù)預處理算法研究 ［J］. 可再生能源， 2019， 37（1）： 119-125.

［15］" XU Mengtian， WANG Hongzhe， ZHAO Chengping， et al. Research on data preprocessing" policy based on short-term wind power prediction ［J］. Renewable energy， 2019， 37（1）： 119-125. （in Chinese）

［16］" LI D， YU X， LIU S L， et al. Wind power prediction based on PSO-Kalman ［J］. Energy reports， 2022， 8： 958-968.

［17］" 張文， 姜祎盼， 殷廣達， 等. 基于樸素貝葉斯和EM算法的軟件工作量缺失數(shù)據(jù)處理方法 ［J］. 系統(tǒng)工程理論與實踐， 2017， 37（11）： 2965-2974.

ZHANG Wen， JIANG Yipan， YIN Guangda， et al. Ｈａｎｄｌｉｎｇ"" ｍｉｓｓｉｎｇ"" ｖａｌｕｅｓ ｉｎ" ｓｏ ｆｔｗａｒ ｅ" ｅｆｆｏｒｔ ｄａｔａ ｂａｓｅｄ ｏｎ ｎａｉｖｅ Ｂａｙｅｓ ａｎｄ ＥＭ ａｌｇｏｒｉｔｈｍ［J］. System enginee-ring — theory and practice， 2017， 37（11）： 2965-2974. （in Chinese）

［18］" 楊茂， 陳郁林， 魏治成. 基于EEMD去噪和集對理論的風功率實時預測研究 ［J］. 太陽能學報， 2018， 39（5）： 1440-1448.

YANG Mao， CHEN Yulin， WEI Zhicheng. Real-time prediction for wind power based on EEMD denoising and theory of SPA［J］. Journal of solar energy， 2018， 39（5）： 1440-1448. （in Chinese）

［19］" HONG Y Y， RIOFLORIDO C. A hybrid deep learning-based neural network for 24-h ahead wind power forecasting ［J］. Applied energy， 2019， 250： 530-539.

［20］" LIU H， MI X W， LI Y F. Smart deep learning based wind speed prediction model using wavelet packet decomposition， convolutional neural network and convolutional long short term memory network ［J］. Energy conversion and management， 2018， 166： 120-131.

［21］" YILDIZ C， ACIKGOZ H， KORKMAZ D， et al. An improved residual-based convolutional neural network for very short-term wind power forecasting ［J］. Energy conversion and management， 2021， 228： 113731.

［22］" SHAHID F， ZAMEER A， MUNEEB M. A novel genetic LSTM model for wind power forecast ［J］. Energy， 2021， 223： 120069.

［23］" LI L L， ZHAO X， TSENG M L， et al. Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm ［J］. Journal of cleaner production， 2020， 242：118447.

［24］" WANG J Z， HENG J N， XIAO L Y， et al. Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting ［J］. Energy， 2017， 125： 591-613.

（責任編輯" 朱漪云）