摘 要：随着社会经济的发展，能源需求的日益增多，风机发电技术也日益发展。有效优化电网的调度可以更准确地实现对风电场发电功率的预测，不但能够使电网经济运行，更对提高风电场在电力市场中的竞争地位有着至关重要的作用。该文首先提出了具有先进的统计方法的风功率预测系统，对国内风功率预测技术的发展现状作了简要叙述，同时把高精度数值气象预报作为重要基础，力求搭建完备的数据调查和记录的系统，针对风功率预测精度低的问题提出了相应的改进方法，使之更好地利用各个通讯口采集风电场的监控数据，力求为风电场的运行和管理提供更有效的辅助作用，供大家研究和参考。
关键词：风机发电 功率预测 系统 研究与应用
中图分类号：TM614 文献标识码：A 文章编号：1672-3791（2016）08（a）-0026-02
随机变化的风速、风向导致风电场输出功率具有间歇性、波动性以及随机性等特点，大量风电场集中并网不仅会对电网的安全、稳定以及经济运行带来重要影响，更直接限制着电网接纳风电的效率[1]。风电功率预测系统的应用，可以使调度运行人员根据数据预测的波动的情况，更加合理地采取应对措施，保障电网运行的安全性和可靠性。功率预测和负荷预测的结合，还有很多好处，比如更够调整调度运行的人员、优化常规电厂的发电计划、增加风电的并网的容量、改善电网的调峰能力，对改善电力系统运行的经济性，减少温室气体的排放具有非常重要的意义[2]。
另外，对风电功率的预测还能够提高风电在电力市场中的竞争力，对提高上网电价也具有重要作用。对普通的风电场而言，风电功率的预测还能够对企业合理安排检修计划起到重要的参考作用，从而进一步提高企业的盈利能力。
1 关于国内外风功率预测的现状研究
我国的风功率预测系统经过二十余年的发展，已经取得了突飞猛进的发展，在全球已经获得了很广泛的应用。近年以来，国际上都十分重视风机发电风功率预测系统的研究，已经开始开发更高级的预测模型，各发达国家已经开始研究在复杂地形、极端天气以及海上风电等恶劣条件下的风功率的预测系统。当下，西班牙和丹麦等风电大国的风电技术领先世界，如西班牙已经能够达到提前48 h、平均误差在20%之下、提前24 h平均误差在10%之下[3]。
我国的风机发电风功率预测系统也取得了很大进展，虽然起步较晚，但是我国经过许多年的技术创新和投入，已经具备完善的解决难题和实际中出现的问题的能力。可以说是成就斐然。我国相关的风机发电风力预测的机构结合当地的实际情况，建立和健全了大量的风功率预测模块，这种人工智能的算法和体系在很大程度上提高了风功率预测的精度。另外，我国还提出了有效的风功率预测方案，这能在很大程度上解决因为大规模接入风电对电网所造成的冲击问题。
2 风机发电风功率预测系统的组成
功率预测系统主要由以下几部分组成：功率预测主机、NWP处理处理器、防火墙、反向物理隔离装置、预测系统客户端以及网络设备和附属设备等[4]。
3 风机发电风功率预测技术方法总结分类
利用空气动力学、热力学等基本的原理，也就是数值天气预报就是风功率的预测技术，它基本是借助历史天气的试验为重要的经验，利用数值计算的方法来预测风场输出功率的一门科学。
风机发电风功率预测技术的直接方法是以风速为基础的预测方法，基于功率的预测方法被称为间接方法，这两种方法的功率预测都由预测的数学模型来确定。
物理方法利用NWP数据（主要是风速）作为输入的参考数据，并且需要充分考虑风电场的地形以及地表的粗糙程度，附近的障碍物、风机轮的高度，机械的转动的结构、风机特性曲线和风机的控制策略等技术作为建设模型的对象来确定相对适合风功率预测的中长期预测。
另一种常用的方法是统计方法，这一方法的实质是在风功率预测系统的输入端和风功率预测系统的输出端这两个端口建立一种映射函数，在不考虑风速的情况之下，直接利用NWP这一数据来对风场的输出功率进行直接的预测。常见的统计方法大致有以下几个：时间序列法、指数平滑法、概率预测法、灰色预测法、小波分解方法和数据挖掘方法[5]。在这些方法中，最典型的方法是时间序列，其特点是随机性高、具有平稳的数据，且必须要计算机的程序才能够识别。另外，这种方法所采用的数据相对单一，预测的周期很短，其对误差的设计也不够合理，因为它具有以上的优点，所以其多用于优化控制。
描述系统输入和输出之间关系的时候，需要用到解析方程来解决，建立非线性预测的学习模型。常见的学习方法有：支持向量机法、神经网络法、混合专家经验法、模糊逻辑法等。最典型和最常见的就是神经网络法，这种方法因其具有很强大的自动适应能力，自动学习能力以及优良的容错性和泛化能力，因而被广泛地应用于信号的管理、模式的识别、智能检测以及汽车和金融等领域。
4 风机发电风功率预测系统的误差分析
风机发电风功率的预测毕竟只是预测，误差存在也是客观的，因为风速会受到不确定的天气状况影响，受限于风电机组，预测数学模型等不良数据的影响，具体的误差有下面几点。
（1）波动的风速给预测模型的输出带来了误差，这是因为风资源具有很大的随机性和不确定性，这使得误差不可避免。
（2）数学模型的精确度低。在当前我国使用的风功率预测的数据模型很单一，这不能够全面地反映实际的湿度和地貌等因素，尽管也有些组合的精度大大提高，但是就整体而言国内的预测技术并不是很成熟。
5 风机发电风功率预测系统的不足之处和改进方法
风机发电风功率预测系统的不足之处有风电消纳能力的局限、输入数据单一及周围的环境和物理因素的影响。另外，不完善的测风塔采集系统，使得误差没有经过人为修正，误差很大。具体的改进措施如下。
（1）优化组合风力预测的模型，预报NWP的信息，这可以有效地缩小在恶劣天气和极端天气下的误差，大大提高预测的精准度。
（2）加速NWP更新的频率，改善数学模型和数据输入的同时，更新现代的物联网技术和计算机控制技术，提高输出的精准度。
（3）充分地利用小波分析、混沌理论、模糊神经网络等智能方法，对预测的结果进行优化组合分析，提高预测的可靠性和精准度。
（4）在对风功率短期预测的时候，尽快更新NWP的数据，提高风功率预测的技能和方法。
6 结语
总之，我国电网的经济稳定运行和发展离不开对风速和风力发电功率的预测，对风速和风力发电的准确预测能够极大地提高风电企业的市场竞争能力。我国已经设计并实现了以神经网络和经典统计学的风电场功率预测模型，其具有分析训练简单、结果稳定可靠、执行速度极快、硬件消耗资源少、精准预测等优点。
尽管自然界的风速变化莫测，风机发电的功率预测的难度也很大，以目前的技术水平来看，其精准度还有待进一步提高，但是有理由相信，随着技术水平的不断提高，获得的历史数据越来越多，采取新的NWP等数据来应对和预测突发天气等，这些都能够进一步提高风机发电功率预测的精准度。
参考文献
[1]王文刚，刘建鹏，武环宇，等.风功率预测系统的应用与优化的讨论[J].科技创新与应用，2013（14）：49-50.
[2]彭加立，马月，李霸军.风电场短期风功率预测研究及应用实例分析[J].水力发电2013（10）：86-96.
[3]钟宏宇，高阳，武良，等.功率预测技术在风电中的研究分析[J].电器与能效管理技术，2015（10）：51-55.
[4]柳玉，白恺，崔正澎，等.风电场短期功率预测水平提升举措措施研究与实例分析[J].电网与清洁能源，2015（12）：78-81.
[5]秦政，包德梅，赖晓路，等.风电场风功率预测系统研究[J].计算机技术与发展，2013（7）：58-63.