免费下载！
[!--downpath--]1. 风电预测
风速、风向、温度、气压等SCADA实时数据，等高线、障碍物、粗糙度等数据，以及数值天气预报数据。 将其中的各个数据按照一定的方式转换为风机轮胎高度处的风速和风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。
2 预测意义
风电功率预测的意义如下：①用于经济调度，根据风电场预测的出力曲线，优化常规机组的出力，达到降低运行成本的目的。 ②根据风电出力的变化规律，提高系统的安全性、可靠性和可控性。 ③在风电参与电力市场体系中，优化电力市场电力价值。 在电力市场上，风电场预测风电并参与电力市场竞价； 电网公司对风电进行预测，以确保系统安全、经济运行。
①优化电网调度，降低旋转备用容量，节约燃料，保障电网经济运行。 风电场出力的短期预测将使电力调度部门能够针对风电出力的变化提前调整调度计划； 从而减少系统储备容量，降低功耗。 系统运行成本。 这是减少风电对电网不利影响、增加系统风电装机容量的有效途径。
②满足电力市场交易需求，为风电竞价上网提供有利条件。 从发电公司（风电场）的角度来看，未来风电一旦参与市场竞争，与其他可控发电方式相比，风电的间歇性将大大减少。 削弱风电竞争力，供电不可靠都会受到经济处罚。 提前十天预测风电场出力将大大增强风力发电的市场竞争力。
③便于安排机组维护检修，提高风电场容量系数。 风电场可以根据预报结果选择无风或低风时间段，即风电场出力较小的时间段，对设备进行修复，从而增加发电量和风电场容量。 系数。
3、预测方法分类
风功率预测方法可分为两类：一类是根据数值天气预报数据对风电场的输出功率进行数学估算； 根据数据进行预测的统计方法。 考虑地形、粗糙度等信息，利用数学方程进行预测的方法称为化学法，根据历史数据进行统计分析，找出其内在规律并用于预测的方法称为统计法（如神经网络方式、模糊逻辑等）。
如果同时使用化学方法和统计方法，则称为综合技术。
风功率预测方法根据预测的化学量进行分类，可分为两类：第一类是风速预测，然后根据风的功率曲线得到风电场的功率输出涡轮机或风电场； 第二类是直接预测风电场的输出功率。
根据所使用的语言模型，可分为连续预测法、自回归移动平均（auto，ARMA）模型法、卡尔曼混合法和智能法。 连续预测方法是最简单的预测模型。 这些方法认为风速预测值等于近期风速值的滑动平均值。 一般情况下，将某一点的风速视为下一点的风速预报。 该模型的预测偏差较大。 较大，且预测结果不稳定。 改进的方法包括ARMA模型和向量自回归模型、卡尔曼混合算法或时间序列方法和卡尔曼混合算法。 此外，还有一些智能方法，例如人工神经网络方法。
根据预报系统输入数据的分类，还可分为两类：一类不使用数值天气预报数据，另一类使用数值天气预报数据。
按预测的时间尺度分类，可分为超短期预测和短期预测。 所谓超短期预报没有统一的标准，一般认为不超过30分钟的预报为超短期预报。 对于几分钟内的预测，时间较短，主要用于风力发电控制、电能质量评估和风力发电机机械部件的设计。 这些分钟级预报通常不使用数值天气预报数据。 短期预测通常可以视为30min~72h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于较长时间尺度的预测，主要用于系统维护目前，常年中期预测还存在很大困难。 由于风速、风向等天气条件是由大气运动决定的，不考虑数值天气预报数据就很难反映大气运动的本质，因此无法获得较好的预测结果。 预测数据作为一组重要的输入数据。
4 预测方法的异同及适用范围
1.风速预测方法 在进行中期或更长时间的功率预测时，基于风速的预测方法就是上面介绍的“物理方法”。
在短期预测中，基于风速的预测方法主要分为两步：首先，利用风速模型预测风电机轮轮胎高度处的风速和风向，垂直于风轮扫过平面的风速为估计重量； 然后利用风力发电机的功率曲线来估算启动电机的实际输出功率。 这里的风速模型是采用统计方法或者学习方法构建的，输入一般是历史风速序列和实时采集的风速。
连续预测法是该领域最简单的方法，认为风速预测值等于近期风速历史值的移动平均值。 一般情况下，简单地将最近点的风速观测值作为下一点的风速预测值。 模型预测偏差较大，预测结果不稳定。
卡尔曼混合方法以风速为状态变量构建状态空间模型，利用卡尔曼混合算法实现风速预测。 这些算法是在噪声的统计特性已知的假设下推导出来的。 事实上，噪声的统计特性可能是该技术应用的难点。 该算法适用于在线风速预测。
随机时间序列方法随机时间序列方法利用大量的历史数据进行建模，通过模型辨识、参数估计、模型检验确定能够描述所研究时间序列的物理模型，从而引入到预测中模型来达到预测的目的。 目前，该方法只需要知道风电场的单个风速或功率时间序列即可构建模型预测，并且可以取得较好的预测效果。 最广泛使用的方法是累积自回归移动平均模型。
时间序列和卡尔曼混合算法，时间序列分析和建模的最大优点是不需要考虑信号序列形成的背景。 序列本身的时序和自相关性已经为建模提供了足够的信息。 在有限的样本序列下，可以构建相当高精度的预测模型，但其缺点是低阶模型预测精度低，高阶模型参数困难。 卡尔曼混频预测方法的优点是动态改变预测残差，借助预测递归多项式可以获得较高的精度，但也有卡尔曼状态多项式和检测方程构造困难的缺点。 首先，通过时间序列分析的方法，构建能够反映序列信号变化规律的低阶模型。 从低阶模型的预测多项式出发，可以直接推导出卡尔曼混合的状态和检测方程，并可以借助卡尔曼预测迭代多项式来实现。 信号预测，正好避免了构建高阶时间序列模型、推断卡尔曼状态和检测方程的难题。
人工神经网络方法 人工神经网络（ANN）致力于模仿人脑的结构和功能。 它是由大量简单的处理设备按一定的拓扑结构大规模连接而成。 它是一个涉及生物学、电子学、计算机等科学的领域。 人工神经网络具有并行处理、分布式存储和容错等特点，具有自学习、自组织和自适应能力，可以实现联想记忆、非线性映射、分类识别等功能。优化估计和知识处理。 复杂问题的解决非常高效，可用于短期风速预报。 时间序列神经网络预测方法：原始数据为风速时间序列和风机输出功率时间序列。 采用时间序列方法和神经网络方法进行建模，主要内容是：使用时间序列方法进行建模，获得对预测值影响最大的几个量； 将时间序列方法的研究成果应用到神经网络方法中，定量确定神经网络方法的输入变量； 为了提高预测精度并保持预测精度的稳定性，提出滚动残差调整方法来解决神经网络残差随着时间的推移而变得越来越不适用的问题。 时序神经网络方法有效提高了风速预测精度。
模糊逻辑方法利用模糊逻辑和预报员的专业知识，从数据和语言生成模糊规则库，然后选择线性模型来逼近非线性动态风速。 而且，纯模糊方法对于风速预测往往效果较差。 这主要是由于模糊预测的学习能力较弱，而模糊系统的辨识尚未产生既定的理论。 预测系统中模糊系统结构的选择还需要进一步研究。 研究。 一般的模糊预测方法应与其他方法结合使用，如模糊与遗传算法相结合进行短期风速预测。
空间相关法该方法需要考虑风电场及相似地点的多组风速数据，利用多个地点风速之间的空间相关性来预测风速。 为了获得所需的多组风速数据，需要在风电场周边设置多个远程测速站。 中央计算机对本地风电场和各远程测速站测量的实时风速数据进行处理，利用风电场与风速的空间相关性来预测风电场的风速在每个速度测量站。 事实上，如果能够采集风电场以及几个相似地点的多组风速数据，就可以利用该方法进行风速预测。 该方法收集了大量的原始数据，但由于预测过程中考虑的因素较多，因此能够更好地预测疗效。 目前，该方法的使用仍在建立中。
2.风电场功率预测方法
基于功率的预测方法没有考虑风速的变化过程。 借助统计方法或学习方法，根据历史功率序列建立模型并利用实时数据对发电量进行短期预测，或者根据历史数据找出天气与输出功率之间的关系。 关系并借助实时数据和数值天气预报信息对发电量进行中期预测。 在短期预测中，这些方法的输入信号只需要小型风电场中每台风机的电流和电压数据。 将每台风电机组视为“数据采集设备”，使输入到整个风电场发电预测模型的时间序列数据包含更全面、更准确的信息。 这些预测方法不仅会增加数据采集的成本，还会提高数据采集的质量，降低预测的准确性。 而在现代化的小型风电场中，将会建设风力发电机组的远程监控系统。 在该系统中，所有风力涡轮机的所有信号都将被收集和记录。 因此，可以直接利用风力发电机的实时输出功率数据来预测风电场的发电量，而无需减少额外成本。
化学模型主要考虑一些化学量，如数值天气预报获得的天气数据（风速、风向、气压等）、风电场周围的信息（轮廓、粗糙度、障碍物等）参数（轮高度、穿透系数等）。 其目的是找到风电机组轮毂高度处的风速最优值，然后利用模型输出统计模块（MOS）来减少已有的偏差，最后根据下式估算出风电场的输出功率：风电场的功率曲线。 由于天气预报每晚仅更新几次，因此这些模型通常适用于相对正常的预报，例如提前 6 小时的预报。 在不同的风向和温度条件下，虽然风速相同，但风电场的输出功率并不相等，因此风电场的功率曲线是一族曲线，风电机组的故障和维护也应该考虑。 在对整个区域的风电功率进行预测时，可以采用以下方法：一种是预测所有风电场的输出功率，然后将其相加得到风电功率； 另一种方式是仅预测少数风电场，然后使用扩展算法获得整个区域风电场的输出功率。
统计模型可以忽略风速变化的化学过程，而是根据历史统计数据找出天气条件与风电场出力之间的关系，然后根据实测数据和数值天气预报数据来预测风电场数据的功率。 不引入数值天气预报（NWP）的统计模型可以满足提前3-4小时的风电预测结果的精度要求，但对于更长时间的预测结果，精度不够。 目前统计模型预测方法主要有卡尔曼检测法、随机时间序列法、模糊逻辑法、人工神经网络法（ANN）、混合专家经验法（ofME）、最近邻搜索法（NNS）、蚂蚁群优化法（NNS）等。 swarm、PSO）和支持向量机（SVM）等。
5. 新的预测方法
1.基于小波变换的风速时间序列分析
小波变换的原理和规律，小波变换的算法和应用。 深入研究表明，小波变换是非平稳时间序列信号时频分析的有效工具。 根据小波分析理论，通过小波变换将原始信号分解为不同的频率通道，分解后的信号的频率成分比原始信号更简单。 因此，对非平稳时间序列进行小波分解后，可以借助最小二乘支持向量机等预测方法进行预测。
2.基于最小二乘支持向量机的风速时间序列分析与预测
本章基于机器学习中支持向量机的原理和统计学习理论，详细阐述了支持向量机的改进算法——最小二乘支持向量机。 最小二乘支持向量机通过求解一组线性多项式组来代替标准支持向量中的二次规划优化，增强了收敛速度，并且使用比标准支持向量机更小的估计复杂度。 通过具体的仿真算例可以看出，利用最小二乘支持向量机解决非平稳风速时间序列模式识别与预测问题，具有良好的识别与预测效果。 除了收敛速度快之外，预测也更加准确。
3.基于小波分解和最小二乘支持向量机的短期风速预测
基于统计学习理论的最小二乘支持向量机和有“数字显微镜”美誉的小波变换被应用于非平稳风速时间序列预测的研究。 线性和波动性，小波变换用于分离非平稳风速时间序列中的非线性低频趋势分量和高频波动分量，然后通过将输入向量映射到高维来提取信息特征空间实现数据的线性可分 基于上述的最小二乘支持向量机可以实现对非平稳均值的风速时间序列的准确预测。
4.风电场出力年度预测中的有效风速预测研究
利用历史年份的小时平均风速数据来预测下一年的年风速。 对历史年份以季度为单位的小时平均风速数据进行小波分解，利用递归最小二乘法构建各分量的二元线性回归预测模型，并将各分量预测模型的等权和纳入预测明年相应季度的模型。 实测数据的模拟估计表明，提前一年风速季节预报的平均绝对百分比误差（mean，MAPE）为12.25%，提高了预报的准确性。 综合考虑具体风电机组的功率特性、机组效率和设备运行情况，即可得出风电场明年的出力值。
5.基于SVM的风速和风功率预测模型
本文阐述了常用的风速预测方法，并利用支持向量机回归算法研究了风速预测中时间序列数据预测模型的构建，并在环境中对三个核函数进行了仿真测试。 测试结果表明，支持向量机预测模型的结果相当令人印象深刻，性能明显优于之前的其他预测模型。 同时克服了神经网络等方法预测中的过度学习、维数灾难和局部极值问题，为风速和风功率预测提供了新的突破。
6.基于非参数回归模型的短期风电功率预测
利用非参数回归技术进行短期风电功率预测，构建了短期风功率点预测模型和概率区间预测模型，并利用内蒙古某风电场的数值天气预报数据和风电实测数据进行了验证表明所构建的非参数回归模型在短期风电功率预测中具有可行性和有效性。 分析结果表明，除了风功率点预测外，利用非参数回归模型和经验分布函数得到的风功率预测区间可以描述风功率预测的不确定性，进一步辅助电网运行决策。 据悉实际电功率与什么有关，数值天气预报精度是影响短期风电功率预测精度的主要因素。 数值天气预报数据的统计校准对于提高风电功率预测精度的作用非常有限。 提高风电场数值天气预报精度对于提高短期风电功率预测精度具有重要意义。
7.基于模型识别的风电场风速和发电功率预测
1）在风速预测中，时间序列预测方法对数据要求不高，只需要知道风电场的单个风速时间序列，简单可行； 考虑高度非线性的风速数据，采用智能方法（ANFIS）； 识别中使用的当地风速信息可以从气象部门免费提供的信息中获取，从而节省了预报成本，适合风电企业使用。 因此，本文提出一种基于模式识别的风速ANFIS预测模型。
2）利用模式识别技术对风速数据进行筛选和预处理，筛选出一定的风速数据
采用一些具有相似特征且适合预测的风速样本作为自适应模糊神经网络的输入。 由于筛选出的样本相似度较高，对风速的预测精度有很大帮助，从而可以做出更准确的预测。 所发电力有利于电力部门制定电力交易计划，保障电力系统稳定运行。
3）以上方法利用国外关岛毛伊岛数据进行验证。 预测精度和估算时间均令人满意，该方法具有一定的经济实用性。
8.基于小波神经网络的风速及风力发电量预测
该方法利用小波函数对不同尺度的原始波形进行分解，利用时间序列对得到的周期分量进行预测，其余部分利用神经网络进行预测实际电功率与什么有关，最终构造信号序列，得到完整的风速预测结果。 在神经网络学习过程中，加入差分进化算法，提高其收敛速度，解决局部极小化问题。 算例分析证明该算法能够较准确地预测风速。
9.基于支持向量机的风速与风功率预测方法研究
风力发电具有波动性、间歇性、随机性等特点，大容量风力发电并网对电力系统安全稳定运行提出严峻挑战。 风速、风功率预测以及风电场出力短期预测是解决这一问题的有效途径。 研究了风速和风功率的预测方法，从数学和统计方法上分析了SVM（支持向量机）的预测方法。 支持向量机在风速和风功率的预测中具有非常大的应用空间，并进行了预测实验。 随着风电装机容量快速下降，风电功率预测的准确性亟待提升。 特别是对于这些小型海上风电场，由于装机容量集中在较小的区域，更需要准确预测功率。 近年来，国内外学者在这方面做了大量的研究，提出了许多改进方法，不断提高预测精度，并且还将不断改进。具体改进方法如下
(1)结合多种数值天气预报模型进行气象信息预报。 该方法可以克服恶劣天气下的预测误差，显着提高预测精度。
（2）借助遥感技术和高性能计算机技术，可以提高数值天气预报模型的帧率，提高当地天气预报的准确性； 据悉，提高天气预报的更新频率也将有助于完善风电预测模型的输入数据。
(3)借助小波分析、混沌理论、模糊神经网络等各种智能方法建立和完善预测模型，选择合适的线性或非线性形式，对各种预测方法的预测结果进行优化组合。 进一步减少预测偏差。 需要提到的是，利用人工神经网络（ANN）进行非线性组合预测，不仅将多个单一模型所包含的信息进行最优组合，同时还考虑了不同模型各自的优势，提高了预测的准确性。预测和模型的准确性。 可靠性。
(4)在进行短期电力预报时，利用实时探测到的气象数据将从根本上提高预报效果。