风力发电容量预测研究进展

摘 要：由于风电场发电量不稳定，必须加大供电系统的旋转备用容量，但这样间接地增加了发电系统的成本，为了解决这一问题，必须对风电场发电容量进行准确的预测。首先简要的概括了国内外风力发电容量的预测情况，对目前的预测方法进行分类并详细介绍了五类预测方法，比较了评估预测模型的两种参考模型，最后分析了国内外风电容量预测的前景。

关键词：风力发电容量 预测方法 预测模型 参考模型

中图分类号：TM614 文献标识码：A 文章编号：1672-3791(2012)06(b)-0135-02

风能是一种清洁，安全，可再生的绿色能源，对人类社会的可持续性发展具有不可忽视的作用。20世纪70年代，在世界范围内爆发了能源危机。这足以说明：人类要生存就必须寻找、开发新能源。在我国，国家高度重视对于可再生能源的开发和利用，如风能。

风力发电技术地发展，增加了风电单机容量，扩大了并网型风电场的规模。这一发展形势，导致电网受到风力发电的影响越来越明显。风力是一种间歇性的能源，并且风电场的功率输出随机性很强，因此，额外安排一定容量的旋转备用需要被额外安排，用来配合风电场的随机波动，确保保证风电并网以后系统运行的可靠性。然而，在无形中，旋转备用容量的增加了风力发电运营成本。为了降低运营成本，对大型风电场的输出功率进行预测变得尤为重要。

1 国内外风电容量预测研究情况

国外很早就开始了对于风电容量预测研究工作。早在1990年Landberg就采用类似欧洲风图集的推理方法开发了一套预测系统[2]，其主要思想是把数值天气预报(NWP)提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力。目前欧美国家使用的环境预报系统主要有美国环境预报中心综合系统，欧洲中尺度气象预报中心综合系统，德国气象服务机构开发的Lokal model模型，由丹麦气象研究院、荷兰皇家气象研究院、挪威气象研究院、西班牙气象研究院和瑞典气象水文研究院联合开发的高精度有限区域模型(high resolution limited area model，HIRLAM)。Prediktor是Risoe开发的风电容量预测系统，它根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。风电容量预测工具(wind power prediction tool，WPPT)由丹麦科技大学开发，最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.5h～36h的预测结果。

2 风力发电容量预测方法

按照预测模型的不同，可以分为物理方法、统计方法、学习方法；按照预测对象的不同，可以分为基于风速的预测方法(间接法)和基于功率的预测方法(直接法)。其中物理方法适用于中期预测，一般是基于风速的预测，然后利用功率曲线预测功率，而且必须要气象预报数据(NWP)；中期预测一般需要NWP作为输入，短期预测加入NWP反而效果不好，因为气象预报的周期多为24h以上。

2.1 基于物理方法的风电容量预测

考虑地形、粗糙度等信息的预测方法为物理方法。根据数值天气预报系统的预测结果得到风速、风向、气压、气温等天气数据，然后根据风电场周围等高线、粗糙度、障碍物、温度分层等信息计算得到风电机组轮毂高度的风速、风向等信息，最后根据风电场的功率曲线计算得到风电场的输出功率。Risoe开发的风电场容量预测系统Prediktor就是利用物理方法来进行风电容量预测。

对整个区域进行风电容量预测时，可以使用以下两种方式：第一种方式，预测所有的风电场输出容量，后求和得出风电功容量；第二种方式，预测几个风电场容量，后使用推算法得到整个区域的电场输出容量。

基于物理方法的预测模型的输入参数为 (NWP)模型。因为每日气象预报更新频率较低，所以在风电场发电量的中期预测中应选用此中预测方法。然仍需说明的一点，物理方法模型是以风速为预测对象，然后根据功率曲线计算功率，故此种方法是间接预测电容量。

2.2 基于统计方法的风电容量预测

统计方法不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出容量进行预测。

常用的统计方法有回归分析法、时间序列法[7]、灰色预测法[8]等。回归分析法是根据历史数据的变化规律寻找自变量和因变量之间的函数关系，确定模型的参数，据此作出预测，其缺点是自变量的准确选取比较困难。时间序列法就是仅根据历史数据，建立一个数学模型，该模型既能描述对象变化过程的统计规律性，又能在此基础上确定预测表达式，它要求时间序列是随机和平稳的，而且需要大量数据，需编写计算机程序进行模型的辨识，时间序列模型有自回归(AR)、滑动平均(MA)、自回归-滑动平均(ARMA)、累计式自回归-滑动平均(ARIMA)等模型，时间序列法的缺点是预测周期短，所用数据单一，无法形成合理的误差估计，对突变信息没法识别，所以更加适合于优化控制的短期预测。灰色预测法是一种对含有不确定因素的系统进行预测的方法。灰色预测理论把观测数据序列看作随时间变化的灰色量或灰色过程，通过累加生成或者累减生成的方法逐步使灰色量白化，使得原本没有规律或者规律性不强的数列变成一个有较强规律性的数列，从而建立相应的微分方程模型并作出预报。

2.3 基于学习方法的风电容量预测

学习方法的实质是用人工智能的方法提取输入和输出间的关系，所建模型通常为非线性模型。常用的学习方法主要有神经网络法、模糊预测法、组合优化法、小波分析法、支持向量机法等。这些模型采用某种学习算法，通过大量数据的学习和训练来建立输入输出间的关系。

由于人工智能的发展，目前国内对于外的风力发电容量预测研究多集中在学习方法方面。文献[7]基于时间序列法和神经网络法对风速预测进行了研究,提出了预测风速的时序神经网络法。该方法用时间序列法建模,得到风速特性的基本参数,并用这些参数选择神经网络的输入变量，提出了滚动式权值调整手段，有效地提高了风速预测的精度。文献[8]提出一种基于相似性样本的多层前馈(BP)神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性,结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电功率预测。