1.5　风电功率预测技术原理及发展前景

1.5.1　风电功率预测技术原理

风电功率预测技术可按照预测的时间尺度和预测原理进行分类。

1.按照预测的时间尺度分类

风电功率预测技术按时间尺度分为长期预测（Long-Term Prediction）、短期预测（Short-Term Prediction）和超短期预测（Very Short-Term Prediction）。

（1）长期预测。该类技术以“天”为预测单位，主要任务是提前一周对每天的功率进行预测，目的是为了制定风电场以及电力系统的检修计划。该类预测技术需要基于数值气象预测。

（2）短期预测。该类技术以“小时”为预测单位，一般是提前48h或72h对未来每小时的风电功率进行预测，目的是便于电网合理调度，保证供电质量，为风电场参与次日上网竞价提供保证。该类方法也需基于数值气象预测模型。

（3）超短期预测。该类技术以“分钟”或“小时”为预测单位，预测的时间尺度并没有一致的标准。根据《风电功率预测系统功能规范》（NB/T 31046—2013）的规定，该类预测的时间尺度为0～4h，时间分辨率为15min。该类预测主要应用于风机的控制，当天的风电市场竞价，也可用于电力系统的辅助设施管理和经济性调度。该类方法可只基于风电场历史数据。

2.按照预测的模型分类

（1）物理模型。该模型的原理是首先获得风电场所在地的中尺度天气模式数值天气预报，具体的参数包括风速、风向、湿度、气压等，然后根据风电场所在地型和地表植被等情况进行局地建模，将数值天气预报参数转化为风机所在位置轮毂高度（一般为70m）的风速和风向，最后结合风机的功率曲线，得到风机发电的实时功率预测值。该模型适用于风电场的长期预测和短期预测，不需要风电场历史数据。

（2）统计模型。统计模型有两种思路：①使用数学模型表达数值天气预报参数（风速、风向、气压和湿度）与风电场发电功率间的函数关系，再根据未来的数值天气预报值，使用该数学模型进行风功率预测；②认为风电场历史发电功率数据中已暗含了各种天气因素的影响，因此使用数学模型对历史数据进行学习并外推，从而得到风电功率的预测值。这种模型适用于超短期预测，历史数据越多、越翔实，预测精度越高。

随后在本书第2章和第3章中，将对以上两种模型进行详细介绍。

1.5.2　风电功率预测技术发展前景

经过数十年的发展，风电功率预测技术日趋复杂，其预测精度也逐步提高，未来预测技术可能沿着以下方向发展：

（1）采用更先进的智能算法来提高现有预测模型的预测精度。

（2）将先进的统计方法和物理方法集成，提高各种时间尺度下的风电功率预测精度。

（3）研究更加可靠的风电功率预测结果置信区间估计方法。

（4）继续提高复杂地形地区的数值天气预报精度。

（5）开发更合理、更精确的外推方法来提高区域风电场的功率预测精度。