基于统计模型的风电功率预测方法及应用

物理模型拥有一套严密的逻辑体系，但建模流程复杂，且模型的中间环节，如地面粗糙度建模、风场尾流模型和风场地形建模等，构建难度较大，数学过程复杂，建模效果也难言理想，以上因素也制约了物理模型的广泛应用。与物理模型相对应，还有另一种风电场功率预测的建模思路——统计模型。统计模型有两种预测思路，两种思路的基础都是风电场历史数据，第一种为直接映射法，该方法的原理是：设某风电场发电功率的历史数据为

P=［p1，p2，p3，…，pn-1，pn］

式中的pn 为该风电场在某时刻发电功率的采样值， 一般而言， 国内风电场每隔15min采样1次，因此上式也可被称为一个时间序列。直接映射法认为，时间序列中各个功率数据间不是没有关联的，而是统一服从某一个函数关系f（t），使用已知时间序列反推出该函数关系，则可利用此函数对未来发电功率值进行预报，这种思路其实也是传统负荷预报的延伸发展。另一种预报思路称为数值天气预报 （以下简称NWP）映射法，该方法认为风速、风向等参数是风电场发电功率的决定性因素，即

风速时间序列

S=［s1，s2，s3，…，sn-1，sn］

风向时间序列(www.xing528.com)

D=［d1，d2，d3，…，dn-1，dn］

因此，只要找到历史数据中风速、风向与风电功率的函数关系

即可根据未来NWP的风速与风向参数预测出将来的风电场功率值。

以上无论是直接映射法，还是NWP映射法，其核心都是通过数学方法找到可以精确描述历史数据的函数关系，此类数学方法种类流派极多，从早期的线性方法，如回归分析法、指数平滑法、时间序列法（ARMA）、卡尔曼滤波法和灰色预测法等，到如今在数据挖掘、信号处理领域大行其道的非线性方法，如神经网络、支持向量机、混沌方法等。线性方法实现简单，运算速度快，但相对比较粗糙，处理复杂问题，如波动性极大的风电功率预测问题，常常力不从心；相对而言，非线性方法能够较好地描述气象信息与风电功率间复杂的对应关系，因此也显著提高了风电功率预测的精度。因此本章将详细介绍神经网络、支持向量机和混沌方法在风电功率预测中的应用。在实际中，也经常将以上方法相互混合，以期得到更好的预测效果。