第1章
第2章
第3章
第4章
4.1
4.2
4.3新能源发电预测
新能源发电预测用于提高新能源电场/站的出力可预见性，为发电计划制订与电网调度提供决策支持，缓解电力系统调峰、调频压力，使得电网能够在安全稳定运行的前提下，增强新能源发电的竞争力，提高新能源发电的消纳水平。同时，新能源发电预测在电站发电量评估、检修计划制订以及智能运维等方面都将发挥重要作用。
根据预测的时间尺度，新能源发电预测可分为超短期和短期，超短期预测的时效为未来15分钟至4小时，短期预测的时效为未来0至72小时。随着预测技术发展和应用场景的丰富，新能源发电预测有了新的需求，延伸出中长期电量预测、爬坡预测等。
4.3.1超短期功率预测
常用的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、人工神经网
络、支持向量机、模糊逻辑法等，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；ARMAblow me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；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。
在超短期预测技术的实用化方面，德国太阳能技术研究所(ISET，Institute for Solar Energy Supply Technology)开发的WPMS (Wind Power Management System)中包括了基于人工神经网络(ANN)的超短期预测模型，丹麦科技大学开发的WPPT (Wind Power Prediction Tool)使用自回归(AR)预测模型实现风速和功率的预测建模。
目前，国内外的风电场超短期功率预测主要是基于历史数据来预测风电场功率，也就是在若干个历史数据( 包括功率、风速、风向等参数)和风电场的功率输出之间建立一种映射关系，主要包括: 持续法、线性法、人工神经网络法等。
（1）持续法
这是最简单的预测方法，是把最近一点的风速或功率观测值作为下一点的预测值，该法适用于3 ～ 6 h 以下的预测． 该法通常采用时间序列模型，其预测误差较大且预测结果不稳定。其改进后的方法为卡尔曼滤波法，这一预测法具有可以动态修改预测权值的优点，且预测精度较高，但是建立卡尔曼状态方程和测量方程较为困难，此算法只适用于在线风力发电功率预测。
采用时间序列法可以对风速进行时间序列分析，然后将其转换成风电场输出功率，也可直接对风电场的输出功率进行时间序列分析。 输入数据通常包含风速、风向、气温、气压等SCADA实时数据。
（2）线性法
在线性预测法中，应用较为广泛的是ARMA法。ARMA 法优于持续法，通常采用一组不同阶数的ARMA 的模型组合，对提前1 ～ 6 h 的风速及风电场功率进行研究。该法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间
序列的数学模型，再由该模型推导出预测模型。该法计算精度较高，其中训练数据和验证数据的选取很重要。
根据Box-Jenkins 方法，可将随机时间序列的模型分为4 类: 自回归模型( AR)；滑动平均模型( MA)；自回归-滑动平均模型( ARMA)；累积式自回归-滑动平均模型( ARIMA)。对于AR 模型当前时刻的观测值由过去几个历史时刻的观测值和一个当前时刻的随机干扰来表示；对于MA 模型，当前时刻的观测值由称作随机干扰的白噪音序列的线性组合来表示；将AR 模型与MA 模型结合起来，就可以得到ARMA 模型。
（3）人工神经网络法
人工神经网络是模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成的，对复杂问题的求解比较有效，已有人将其用于风电场风速和发电功率预测。目前广泛应用于风电场风速及功率预测的神经网络为多层前馈神经网络，即BP 神经网络，它包括一个输入层、一个或多个隐层和一个输出层，层间的神经元进行单向连接，层内的神经元则相互独立。隐层神经元的映射函数常采用S 型函数，输出层采用线性函数。网络的学习训练过程就是权值的调整过程，由信号的正向传播与误差的反向传播两个步骤来实现。
经过良好训练的网络，对于不是训练集中的输入也能给出合适的输出，具有泛化能力，这种能力为预测提供了可能性。神经网络法的优点在于能并行计算、有自适应性，可充分逼近复杂的非线性关系。
4.3.2短期功率预测
由于国外的风力发电开发较早以及其电力市场较为成熟，风功率预测相关软件亦得到广泛的应用。20世纪80年代，Notis等科学家最早提出了基于天气预报模式预测未来24小时、时间分辨率为1小时的风速预测方法。这一时期科学家的研究主要集中在改进风速预测模型上，先后提出了持续时间序列法、多元回归模型、马尔科夫模型、卡尔曼滤波以及ARMA模型等风速预测方法，同时也提出了将风向、气压、温度等加入风速预测中提高预测精度的设想。20世纪90年代初，丹麦Risø研究室研发了Prediktor风功率预报系统，同一时期丹麦科技大学也开发了WPPT风电功率预测系统，开启了风电功率预测的商业化模式；20世纪90年代中期，美国AWS Truewind公司推出了eWind预测系统，其物理和统计方法相结合的混合模型保证较高的预测精度，大大减少了风电场的发电计划考核，优化了风机检修计划，给风电调度提供了较好的辅助决策，因此在北美得到了较好的推广和应用。进入21世
纪，风力发电短期功率预测模型的在线更新和预测不确定性分析得到了深入研究。有学者对风速预测的线性模型和非线性模型进行了对比，研究表明非线性模型的预测效果整体要优于线性模型。在各种非线性模型中，神经网络模型预测效果最好。在预测不确定性分析研究方面，德国奥登堡大学在2003年Previento系统的研究中，发现风速短期预测的不确定性独立于预测风速的等级，功率预测的不确定性是风-功率曲线和相关风速预测误差的函数。Risø实验室研发的Prediktor在线系统的研究表明，采用优化的数值天气预报系统能够有效提高风电场的短期功率预测精度。
目前较为成熟的商业软件有以下14种，分别应用于9个国家和地区的电力系统，如表3所示：
表3 国外各种风功率预测系统的应用情况
国家地区 | 预测系统 | 备注 |
德国 | WPMS | ISET开发，应用于德国四个电网公司 |
德国 | Previento | 奥尔登堡大学开发，德国气候服务部门(DWD）提供NWP模型 |
丹麦/加州 | Prediktor | 应用于SCADA系统CleverFarm中实现维护时序安排功能 |
丹麦 | WPPT | 0.5小时至36小时，Hirlam气象预测输入，应用在丹麦东部 |
丹麦 | Zephyr | 集合WPPT模型和Prediktor模型，应用在丹麦西部 |
爱尔兰/葡萄牙alwaysonline | MORE-CARE | wph同时支持Hirlam,Skiron的气象预测输入 |
法国/爱尔兰 | AWPPS | 统计方法的短期预测，适应性模糊神经网络的中期预测模式 |
宾州 | eWind | 采用ForeWind数字天气模块 |
accompany西班牙 | Sipreolico | 西班牙的Hirlam气象预测输入 |
西班牙 | LocalPred | 西班牙可再生能源中心开发(CENER) |
sorry that i loved you希腊 | NTUA | 希腊国立理工大学(Athens)开发 |
希腊 | ymgAUTH | 希腊亚里士多德大学(Thessaloniki)开发 |
英国 | Forecaster英英词典 | 基于自适应回归的统计方法 |
爱尔兰 | HIRPOM | iris什么意思由科克大学，爱尔兰，丹麦气象学院合作 |
| | |
目前，国内外的风电场短期功率预测主要是基于数值天气预报来预测风电场功率，也就是利用气象部门提供的数值天气预报模型，对风电场或附近某个点的天气情况( 如风速、风向、气温、气压等参数) 进行预测，并建立预测模型，再结合其他输入，将数值气象预报模型的预测值转换成风电场功率输出的方法。 这类方法的短期预测模型有统计模型和物理模型两类。
（1）统计模型
统计模型方法在系统的输入中包含了数值天气预报模型、风电场的测量数据等，并和风电场功率建立了一种映射关系，其中包含线性和非线性函数的关系。其优点是预测具有自适应性，可以自发调节风电场位置，且系统误差自动减小。缺点是需要长期测量数据及进行额外的训练和计算。另外，在极端天气状况下需要进行修正，否则会产生很大的预测误差。
（2）物理模型
物理模型方法一般采用时间序列模型，其输入数据包含数值天气预报系统的风速、风向、
气温、气压等数据。该方法可以根据风电场周围的地形数据( 如等高线、粗糙度、障碍物、温度分层等)得到风电机组轮毂高度的风速、风向等信息，并根据风电场的功率曲线计算得到风电场的输出功率。物理模型方法通常采用中尺度或微尺度模型在数值天气预报模型与当地风之间建立映射关系，这一方法包含两个步骤：一是从天气预报点水平外推到风电机组坐标处; 二是从气象预报提供的高度转换到轮毂高度。该方法的优点在于不需要大量的、长期的测量数据，且更适用于复杂地形。缺点是需要丰富的气象知识，且建立的模型较为复杂。
以Prediktor系统为例，阐述商业化风电功率预测系统的基本模块：首先通过数值天气预报导入需要的风速风向等气象数据；然后根据地表粗糙度和障碍物及轮毂高度对风速风向进行校正；最后根据考虑尾流效应的电功率曲线模型进行出力预测。其预测流程如下图3所示：
图3 Prediktor预测系统示意框图
4.3.3中长期电量预测
新能源中长期电量预测是指未来月、季、年尺度的电量预测，对优化中长期电量计划和提升新能源消纳有重要的作用，还能为新能源跨区域电力交易、新能源电场/站经济效益提供参考。目前，国内新能源中长期电量预测尚处于起步阶段。
中长期电量预测一般是利用气象资源中长期预测结果，通过功率曲线对未来发电量进行估算。气象资源中长期预测可分为动力方法和统计方法。动力方法是通过对描述地球气候系统的状态、运动和变化的物理方程进行数值求解，再现过去、现在和将来的气候状态和各种变化特征，对未来可能发生的气候状态做出估计；统计方法是通过分析历史数据，选取预测因子及预测对象，采用统计方法建立统计预测模型，预测未来可能发生的气候状态。与短期功率预测方法类似，国内较为常见的中长期气象资源预测方法是动力-统计集成方法，既考虑了统计方法充分利用实况历史资料的特点，又结合了动力方法充分利用物理规律的特点，将二者预测结果分配不同权重，得到最终预测结果。欧盟的英文缩写
4.3.3.1资源中长期预测
中长期电量预测一般基于气象资源中长期预测结果，通过功率曲线对未来发电量进行估算。气象资源中长期预测以月、季、年为时间尺度，预测时间较长，一直以来都是世界性的难题，预测结果的准确率普遍不高。目前，气象资源中长期预测以统计方法为主，动力方法结果作为重要参考。
impromptu（1）动力方法
资源中长期预测的动力方法一般通过气候模式来实现。在短期功率预测中已经介绍过数值天气预报模式，用于资源中长期预测的模式也是数值天气预报模式的一种，称为气候模式。气候模式与中尺度模式一样，要依靠能够模拟大气和海洋的三维网格，在连续的空间间隔或网格格点上，模式运用物理定律去计算大气和环境变量，模拟大气中气体、粒子和能量的传递；也具有相同的描述大气运动的数学物理模型：大气运动方程组、大气中的水循环过程（凝结降水过程）、辐射传输过程、湍流混合过程、陆气相互作用和海气相互作用等。
气候模式与天气模式关注的对象不同，二者在研究内容、分析方式上有明显区别。天气模式主要关注大气的短期变化，故常用对陆气相互作用等过程考虑较少的中尺度模式，气候模式必须考虑地球系统各圈层间的相互作用；天气研究关注的目标是尽可能细致的瞬时天气现象，气候研究重点是一定时间尺度、空间尺度的平均状态；天气研究关注的内容是天气的精确演变过程，气候研究内容是能量的收支、转换和平衡等。气候模式可分为全球气候模式和区域气候模式。
早期的气候模式称为大气环流模式（GCM），其中大气模式称为AGCM（Atmospheric Ge
neral Circulation Model），海洋模式称为OGCM（Oceanic General Circulation Model），陆面模式为LSM（Land Surface Model，例如CLM（Community Land Model）、CoLM（Common Land Model）等路面模块）等，全部考虑在内的模式称为耦合模式CGCM（Coupled General Circulation Model）。GCM等动力学气候模式能对不同时间尺度的大范围气候变化做模拟，但是这类模式在区域气候的模拟和预测中不是很好。其原因是水平分辨率低，不能细致描述区域内中小尺度地形、地表特征和其他因子对区域气候变化的强迫和影响。
