1.5　風電功率預測技術原理及發展前景

1.5.1　風電功率預測技術原理

風電功率預測技術可按照預測的時間尺度和預測原理進行分類。

1.按照預測的時間尺度分類

風電功率預測技術按時間尺度分為長期預測（Long-Term Prediction）、短期預測（Short-Term Prediction）和超短期預測（Very Short-Term Prediction）。

（1）長期預測。該類技術以“天”為預測單位，主要任務是提前一周對每天的功率進行預測，目的是為了制定風電場以及電力系統的檢修計劃。該類預測技術需要基于數值氣象預測。

（2）短期預測。該類技術以“小時”為預測單位，一般是提前48h或72h對未來每小時的風電功率進行預測，目的是便于電網合理調度，保證供電質量，為風電場參與次日上網競價提供保證。該類方法也需基于數值氣象預測模型。

（3）超短期預測。該類技術以“分鐘”或“小時”為預測單位，預測的時間尺度并沒有一致的標準。根據《風電功率預測系統功能規范》（NB/T 31046—2013）的規定，該類預測的時間尺度為0～4h，時間分辨率為15min。該類預測主要應用于風機的控制，當天的風電市場競價，也可用于電力系統的輔助設施管理和經濟性調度。該類方法可只基于風電場歷史數據。

2.按照預測的模型分類

（1）物理模型。該模型的原理是首先獲得風電場所在地的中尺度天氣模式數值天氣預報，具體的參數包括風速、風向、濕度、氣壓等，然后根據風電場所在地型和地表植被等情況進行局地建模，將數值天氣預報參數轉化為風機所在位置輪轂高度（一般為70m）的風速和風向，最后結合風機的功率曲線，得到風機發電的實時功率預測值。該模型適用于風電場的長期預測和短期預測，不需要風電場歷史數據。

（2）統計模型。統計模型有兩種思路：①使用數學模型表達數值天氣預報參數（風速、風向、氣壓和濕度）與風電場發電功率間的函數關系，再根據未來的數值天氣預報值，使用該數學模型進行風功率預測；②認為風電場歷史發電功率數據中已暗含了各種天氣因素的影響，因此使用數學模型對歷史數據進行學習并外推，從而得到風電功率的預測值。這種模型適用于超短期預測，歷史數據越多、越翔實，預測精度越高。

隨后在本書第2章和第3章中，將對以上兩種模型進行詳細介紹。

1.5.2　風電功率預測技術發展前景

經過數十年的發展，風電功率預測技術日趨復雜，其預測精度也逐步提高，未來預測技術可能沿著以下方向發展：

（1）采用更先進的智能算法來提高現有預測模型的預測精度。

（2）將先進的統計方法和物理方法集成，提高各種時間尺度下的風電功率預測精度。

（3）研究更加可靠的風電功率預測結果置信區間估計方法。

（4）繼續提高復雜地形地區的數值天氣預報精度。

（5）開發更合理、更精確的外推方法來提高區域風電場的功率預測精度。