风力发电超短期功率预测技术的发展

风力发电功率超短期预测方法较多，大体可总结为两类：一类是时序预测方法，该类方法通过找出历史数据在时间上的相关性来进行风电功率预测；一类是智能预测方法，它是根据人工智能方法提取风电功率变化特性，进而进行风电功率预测。此外，随着超短期预测技术在发电运行控制中的不断应用，从需求侧推动了超短期预测技术进步，多模型组合预测方法、基于交叉验证的预测精度优化方法等技术也得到了较大发展。

常用的时序预测方法有卡尔曼滤波法、自回归滑动平均法（ARMA）、指数平滑法等，其中卡尔曼滤波法是利用有限时间内的观测数据进行预测建模，这种方法适用于噪声信号服从高斯分布的情况；ARMA方法可以利用风电场单一风速或功率的时间序列建立预测模型；指数平滑法建立的模型较简单，需要存贮的数据少，预测结果依赖于平滑初值和平滑系数。目前，有学者基于小波分析理论，通过小波分解将风电功率非平稳时间序列分解为不同尺度坐标上的平稳时间序列，然后把分解后的各层序列重构回原尺度，再应用自回归滑动平均模型对平稳时间序列进行预测，最后通过叠加合成得出原始风电功率序列的预测值。

常用的智能预测方法有人工神经网络、支持向量机、模糊逻辑法等，其中人工神经网络方法应用最为广泛，具有较强的容错性以及自组织和自适应能力，对非线性问题的求解十分有效，但存在训练速度慢、容易陷入局部极小等缺点。支持向量机具有全局收敛性、样本维数不敏感、不依赖于经验信息等优点，但最佳核变换函数及其相应的参数确定较为复杂。单纯的模糊逻辑法用于风力发电功率预测，效果往往不佳，通常要与其他方法配合使用，如遗传算法、人工神经网络等。近年来，大多学者通过传统人工智能方法结合信号处理和最优化方法对已有预测模型进行更新，也取得了较好的预测效果，例如小波神经网络、模糊神经网络、最小二乘支持向量机、近邻算法等。(www.xing528.com)

在超短期预测技术的实用化方面，德国太阳能技术研究所开发的WPMS中包括了基于ANN的超短期预测模型，丹麦科技大学开发的WPPT使用AR预测模型实现风速和功率的预测建模。

由中国电力科学研究院自主研发的我国首套风力发电功率预测系统于2008年投入运行，系统利用历史气象数据、风电场数据以及风机数据，通过统计方法建立预测模型，以测风塔数据和数值天气预报作为基础输入，实现风电场超短期功率预测。