風(fēng)電場功率預(yù)測的研究進(jìn)展及發(fā)展趨勢

摘要： 風(fēng)電場功率預(yù)測可以有效地幫助平衡系統(tǒng)電力供應(yīng)和負(fù)荷需求，從而降低風(fēng)電功率波動(dòng)性和不確定性對(duì)電力系統(tǒng)穩(wěn)定性的影響.隨著風(fēng)電接入電力系統(tǒng)比例的增加，如何準(zhǔn)確地預(yù)測風(fēng)電場發(fā)電功率成為一大難點(diǎn)，將影響風(fēng)電場并網(wǎng)運(yùn)行.由此，系統(tǒng)總結(jié)了近些年來國內(nèi)外學(xué)者在風(fēng)電場功率預(yù)測方面的研究進(jìn)展.首先，以預(yù)測時(shí)間尺度、預(yù)測物理量、預(yù)測原理、預(yù)測特點(diǎn)為分類標(biāo)準(zhǔn)，對(duì)多種風(fēng)電場功率預(yù)測方法進(jìn)行了分類梳理，總結(jié)了各類預(yù)測方法的研究情況，闡述了其特點(diǎn)及應(yīng)用場景，為預(yù)測模型的選擇提供了參考.之后，從單點(diǎn)預(yù)測、概率預(yù)測、預(yù)測曲線的角度總結(jié)了預(yù)測效果的評(píng)價(jià)指標(biāo)，并就評(píng)價(jià)指標(biāo)的選擇給出建議.最后，總結(jié)了當(dāng)前風(fēng)電場功率預(yù)測全過程遇到的影響預(yù)測準(zhǔn)確性、實(shí)用性的關(guān)鍵因素，提出了未來風(fēng)電場功率預(yù)測可能的發(fā)展趨勢，為準(zhǔn)確預(yù)測風(fēng)電場功率及電網(wǎng)的穩(wěn)定并網(wǎng)運(yùn)行提供了參考.

關(guān)鍵詞： 風(fēng)電場；功率預(yù)測；評(píng)價(jià)指標(biāo)；研究進(jìn)展；發(fā)展趨勢

中圖分類號(hào)： TK83" 文獻(xiàn)標(biāo)志碼： A" 文章編號(hào)： 1674-8530（2024）08-0778-07

DOI：10.3969/j.issn.1674-8530.22.0197開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

收稿日期： 2022-08-22； 修回日期： 2022-11-07； 網(wǎng)絡(luò)出版時(shí)間： 2023-03-24

網(wǎng)絡(luò)出版地址： https：//link.cnki.net/urlid/32.1814.TH.20230323.1652.002

基金項(xiàng)目： 浙江浙能國電投嵊泗海上風(fēng)力發(fā)電有限公司科技項(xiàng)目（ZNKJ-2021-080）；浙江省自然科學(xué)基金資助項(xiàng)目（LY24E060002）

第一作者簡介： 李根銀（1966—），男，浙江金華人，高級(jí)工程師（519292734@qq.com），主要從事海上風(fēng)電場數(shù)值模擬與工程應(yīng)用研究.

通信作者簡介： 羅坤（1977—），男，河南信陽人，教授，博士生導(dǎo)師（zjulk@zju.edu.cn），主要從事能源與環(huán)境工程多尺度耦合問題的理論建模及數(shù)值模擬研究.

李根銀，郁冶，王異成，等. 風(fēng)電場功率預(yù)測的研究進(jìn)展及發(fā)展趨勢［J］. 排灌機(jī)械工程學(xué)報(bào)，2024，42（8）：778-784，817.

LI Genyin，YU Ye，WANG Yicheng，et al. Research progress and development trend of wind farm power prediction［J］. Journal of drainage and irrigation machinery engineering（JDIME），" 2024， 42（8）： 778-784，817. （in Chinese）

Research progress and development trend of wind farm power prediction

LI Genyin1， YU Ye2， WANG Yicheng3， HE Jiahua4， WANG Qiang4，5， LUO Kun4，5 *， FAN Jianren4，5

（1. Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Co.， Ltd.， Zhoushan， Zhejiang 202450， China; 2. State Power Investment Group Zhejiang New Energy Co.， Ltd.， Hangzhou， Zhejiang 310016， China; 3. Hangzhou Yineng Power Technology Co.， Ltd.， Hangzhou， Zhejiang 310027， China; 4. State Key Laboratory of Clean Energy Utilization， Zhejiang University， Hangzhou， Zhejiang 310027， China; 5. Zhejiang Key Laboratory of Clean Energy and Carbon Neutrality， Hangzhou， Zhejiang 310027， China）

Abstract： Wind power prediction can effectively help balance the power supply and load demand of a system， thereby reducing the impact of wind power fluctuations and uncertainty on the stability of the power system. As the proportion of wind power connected to the power system increases， how to accurately predict the power generation of wind farms has become a major challenge， which will affect the grid-connected operation of wind farms. The research progress of domestic and foreign scholars in wind farm power prediction in recent years was systematically summarized. Firstly， a variety of wind power prediction methods according to the classification criteria of time scale， prediction physical quantity， prediction principle， and prediction characteristics was classified and sorted out. The research status of various prediction methods was summarized， its characteristics and application scenarios were explained， and a reference for the selection of prediction models was provided. Then， the evaluation indicators of the prediction effect were summarized from the perspectives of single-point prediction， probability prediction and prediction curve， and some suggestions were given on the selection of evaluation indicators. Finally， the key problems affecting the accuracy and practicability of wind farm power prediction were summarized， and the possible development trends of wind farm power prediction in the future were proposed， which provided a reference for the accurate prediction of wind farm power and the stable grid-connected operation of the power grid.

Key words： wind farm；power prediction；evaluation index；research progress；development trend

風(fēng)能是一種對(duì)環(huán)境無污染的可再生能源，作為未來能源的重要形式之一，對(duì)今后人類的生活生產(chǎn)方式和發(fā)展將產(chǎn)生重要影響.中國風(fēng)能資源豐富，風(fēng)電技術(shù)的開發(fā)利用已取得了巨大進(jìn)步［1］.

風(fēng)電場將捕獲的風(fēng)能轉(zhuǎn)換為電能，再將電能并入電網(wǎng)系統(tǒng)以實(shí)現(xiàn)風(fēng)力發(fā)電.由于風(fēng)電場本身所特有的間歇性和不確定性，增加了電網(wǎng)調(diào)度的難度，這給電力系統(tǒng)調(diào)度運(yùn)行帶來了巨大壓力和嚴(yán)峻挑戰(zhàn).因此，風(fēng)電場功率預(yù)測是大型風(fēng)電場并網(wǎng)運(yùn)行的先決條件，有利于保證電網(wǎng)穩(wěn)定運(yùn)行和供電系統(tǒng)的可靠性.

國外對(duì)風(fēng)電場功率預(yù)測的研究開展較早，已形成較成熟的預(yù)測技術(shù).在許多地區(qū)，已應(yīng)用數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）信息作為風(fēng)力發(fā)電預(yù)測的基礎(chǔ)，建立大量功能較為完善的功率預(yù)測系統(tǒng).其中，丹麥、德國、美國等已開發(fā)出具有不同預(yù)測特點(diǎn)與應(yīng)用場景的風(fēng)電場功率預(yù)測系統(tǒng)，并將預(yù)測精度提高到了10%左右.

相比于國外成熟的風(fēng)電場功率預(yù)測系統(tǒng)，國內(nèi)的相關(guān)研究起步較晚，經(jīng)歷了從超短期預(yù)測理論探索、NWP數(shù)據(jù)加入模型后的短期預(yù)測研究2個(gè)階段.中國首個(gè)風(fēng)力發(fā)電功率預(yù)測系統(tǒng)WPFS，可提供15 min和1 h這2種精度下0～4 h超短期預(yù)測和 0～48 h短期預(yù)測，單個(gè)風(fēng)電場預(yù)測精度已達(dá)到均方根誤差16%～19%.此外，國內(nèi)正推進(jìn)多種預(yù)測模型的研究開發(fā)，包括物理模型、基于神經(jīng)網(wǎng)絡(luò)以及組合模型等.國內(nèi)的風(fēng)電場功率預(yù)測系統(tǒng)需克服NWP準(zhǔn)確度較低、對(duì)地理因素關(guān)注不夠等問題.

文中基于國內(nèi)外對(duì)于風(fēng)電場功率預(yù)測的相關(guān)研究，充分考慮各種研究方法的特點(diǎn)以及應(yīng)用場景，首先從多個(gè)時(shí)間尺度、預(yù)測物理量、預(yù)測模型、預(yù)測特點(diǎn)等4個(gè)角度展開分析風(fēng)電場功率預(yù)測方法，再根據(jù)功率預(yù)測特點(diǎn)總結(jié)主要的風(fēng)電場功率預(yù)測評(píng)價(jià)指標(biāo)，并經(jīng)過大量調(diào)研提出當(dāng)今風(fēng)電場功率預(yù)測的發(fā)展趨勢，對(duì)開展相關(guān)研究具有重要的參考意義與指導(dǎo)價(jià)值.

1" 風(fēng)電場功率預(yù)測方法

按照不同的標(biāo)準(zhǔn)，可以對(duì)風(fēng)力場功率預(yù)測方法進(jìn)行如下分類.

1.1" 預(yù)測時(shí)間尺度

根據(jù)預(yù)測時(shí)間尺度，可以將風(fēng)電場的功率預(yù)測劃分為超短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測.

超短期預(yù)測的預(yù)測單位是分鐘或小時(shí)，一般對(duì)未來幾小時(shí)內(nèi)發(fā)電量進(jìn)行預(yù)測，主要用于對(duì)風(fēng)電場的運(yùn)行進(jìn)行控制和穩(wěn)定電能質(zhì)量，實(shí)時(shí)預(yù)測即屬于超短期預(yù)測的范疇.短期預(yù)測以小時(shí)為預(yù)測單位，一般對(duì)未來幾十小時(shí)到幾天內(nèi)發(fā)電量進(jìn)行預(yù)測，主要服務(wù)于電網(wǎng)調(diào)度以及風(fēng)力發(fā)電功率競價(jià)上網(wǎng).中期預(yù)測的預(yù)測單位是周或月，主要用于指導(dǎo)安排風(fēng)電機(jī)組的檢修或調(diào)試.長期預(yù)測的預(yù)測單位是年，需要提前數(shù)年開展預(yù)測研究的準(zhǔn)備工作，主要用于評(píng)估風(fēng)電資源和建設(shè)規(guī)劃風(fēng)電場.

一般來說，預(yù)測時(shí)長越長，預(yù)測越困難，對(duì)于預(yù)測精度的要求越低.中長期預(yù)測模型與平均風(fēng)速預(yù)測有直接關(guān)系，不僅要考慮大氣動(dòng)力系統(tǒng)的變化，還要考慮到季節(jié)的交替以及更多氣象因素的影響.短期預(yù)測對(duì)精度的要求高于中長期預(yù)測，需結(jié)合NWP信息進(jìn)行研究，根據(jù)NWP信息量的多少采用不同的處理方法，對(duì)NWP信息的依賴性較大.超短期預(yù)測精度和可信度優(yōu)于短期預(yù)測，通?；陲L(fēng)電場的歷史數(shù)據(jù)建模，對(duì)于數(shù)據(jù)的可靠性要求較高.目前企業(yè)應(yīng)用較多的是超短期功率預(yù)測，以實(shí)時(shí)跟蹤功率的波動(dòng)過程.

因此，在實(shí)際的風(fēng)電場功率預(yù)測中，不僅需要滿足企業(yè)對(duì)于功率預(yù)測的具體用途與應(yīng)用場景的要求，還要在預(yù)測時(shí)長和預(yù)測精度之間綜合選擇合適的功率預(yù)測方法.

1.2" 預(yù)測物理量

按照預(yù)測物理量，可以將風(fēng)電場的功率預(yù)測劃分為直接法和間接法.

直接法是根據(jù)功率的時(shí)間序列、氣象信息等影響因素直接預(yù)測風(fēng)電場的輸出功率.風(fēng)速是影響風(fēng)電機(jī)組輸出功率最重要的因素.在間接法中，先對(duì)未來時(shí)刻的風(fēng)速進(jìn)行預(yù)測，然后根據(jù)風(fēng)電機(jī)組或風(fēng)電場的功率曲線得到風(fēng)功率值.風(fēng)電場的輸出功率隨風(fēng)的波動(dòng)而波動(dòng)，風(fēng)機(jī)捕獲的風(fēng)功率可以表示為

P=12CpAρv3，（1）

式中：P為風(fēng)機(jī)輸出功率，kW；Cp為風(fēng)機(jī)的風(fēng)能利用系數(shù)； A為風(fēng)輪掃過的面積，m2；v為風(fēng)速，m/s.

風(fēng)電場功率的直接預(yù)測法已形成較為成熟的手段和方法，包括物理方法、學(xué)習(xí)方法等.間接法對(duì)于風(fēng)電場尾流、粗糙度以及其他影響因素的考慮較少，且風(fēng)電場的理論功率曲線與實(shí)際功率曲線有偏差，往往會(huì)帶來一定的誤差.目前工業(yè)界、學(xué)術(shù)界使用較多的是風(fēng)電場功率直接預(yù)測法.對(duì)于預(yù)測精度要求不高、不考慮其他因素的預(yù)測情景，可以使用間接法獲得風(fēng)電場功率預(yù)測未來的變化趨勢.

1.3" 預(yù)測原理

按照預(yù)測原理，可以將風(fēng)電場功率預(yù)測劃分為物理方法、統(tǒng)計(jì)方法、學(xué)習(xí)方法.

1.3.1" 物理方法

物理方法是指根據(jù)大氣實(shí)際情況，在一定的初值和邊值條件下，通過大型計(jì)算機(jī)進(jìn)行數(shù)值計(jì)算，求解描寫天氣演變過程的流體力學(xué)和熱力學(xué)的方程組，預(yù)測未來一定時(shí)段的大氣運(yùn)動(dòng)狀態(tài)和天氣現(xiàn)象，從而預(yù)測風(fēng)電場功率的方法.

物理方法適于短期預(yù)測，依據(jù)NWP的風(fēng)向、風(fēng)速、氣壓、氣溫等關(guān)鍵氣象數(shù)據(jù)，參照風(fēng)電場周圍障礙物、地表粗糙度、溫度分層等信息，分析計(jì)算輪轂高度風(fēng)向、風(fēng)速信息，再根據(jù)風(fēng)速功率曲線得到風(fēng)電場功率.

1.3.2" 統(tǒng)計(jì)方法

統(tǒng)計(jì)方法是指根據(jù)反映事物過去發(fā)展規(guī)律的數(shù)據(jù)信息來推斷未來發(fā)展變化情況的統(tǒng)計(jì)方法.通過大型風(fēng)電場安裝的數(shù)據(jù)采集監(jiān)控系統(tǒng)（supervisory control and data acaquistion，SCADA），按一定時(shí)間間隔采集和記錄各個(gè)風(fēng)機(jī)的平均輸出功率，構(gòu)成1個(gè)功率時(shí)間序列.統(tǒng)計(jì)方法應(yīng)用在風(fēng)電場功率預(yù)測領(lǐng)域，關(guān)鍵在于尋求歷史數(shù)據(jù)和機(jī)組輸出功率的映射關(guān)系，直接利用SCADA數(shù)據(jù)和NWP數(shù)據(jù)對(duì)風(fēng)電場輸出功率進(jìn)行預(yù)測，包括時(shí)間序列法、概率預(yù)測法、灰色預(yù)測法［2］、小波分析法［3］等統(tǒng)計(jì)預(yù)測方法.

其中，自回歸滑動(dòng)平均（auto-regressive moving average model，ARMA）法等時(shí)間序列法所用數(shù)據(jù)單一，預(yù)測周期短，對(duì)誤差的估計(jì)不夠合理，可用于優(yōu)化控制的短期預(yù)測［4］.分位數(shù)回歸方法以及概率密度預(yù)測方法［5］等概率預(yù)測法是目前研究領(lǐng)域中比較新的方法，能夠給出未來時(shí)刻風(fēng)電場出力的分布信息，為電力系統(tǒng)運(yùn)行決策提供參考.然而，基于統(tǒng)計(jì)方法建立函數(shù)關(guān)系對(duì)具有非線性和非平穩(wěn)特性的風(fēng)電數(shù)據(jù)進(jìn)行預(yù)測，難以取得準(zhǔn)確的預(yù)測效果.

1.3.3" 學(xué)習(xí)方法

近年來，隨著機(jī)器學(xué)習(xí)方法的成熟，學(xué)習(xí)方法成為風(fēng)電場功率預(yù)測的研究熱點(diǎn).該方法通過對(duì)數(shù)據(jù)關(guān)系的學(xué)習(xí)和訓(xùn)練建立非線性模型，更好地適應(yīng)了風(fēng)功率的時(shí)間序列特性.涉及的具體方法及其特點(diǎn)：脊波神經(jīng)網(wǎng)絡(luò)、基于粒子群優(yōu)化（particle swarm optimization，PSO）的前向神經(jīng)網(wǎng)絡(luò)、雙隱含層BP（back propagation，BP）神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)方法具有強(qiáng)大的非線性映射能力、自適應(yīng)能力和良好的容錯(cuò)性等［6］.神經(jīng)網(wǎng)絡(luò)與模糊預(yù)測法相結(jié)合能較好地處理一些模糊因素，如天氣狀況的影響.支持向量機(jī)（support vector machine，SVM）建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC（vapnik-chervonenkis）維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則上，避免了局部極小點(diǎn)，能有效地解決過學(xué)習(xí)問題［7］.

1.4" 預(yù)測特點(diǎn)

根據(jù)預(yù)測特點(diǎn)，可以將預(yù)測方法劃分為單點(diǎn)預(yù)測和概率預(yù)測［8］.其中，單點(diǎn)預(yù)測直接給出預(yù)測時(shí)刻的對(duì)應(yīng)預(yù)測值，很難體現(xiàn)風(fēng)電出力的不確定性和隨機(jī)性，通常用于系統(tǒng)優(yōu)化調(diào)度和電力市場競價(jià).概率預(yù)測給出預(yù)測時(shí)刻的風(fēng)電場功率概率分布，將概率分布的期望值或概率最大的風(fēng)電功率值作為預(yù)測結(jié)果，應(yīng)用在風(fēng)險(xiǎn)評(píng)估及系統(tǒng)概率優(yōu)化調(diào)度、風(fēng)險(xiǎn)分析和決策方面.

表1為風(fēng)電場功率預(yù)測方法分類結(jié)果.在實(shí)際應(yīng)用中，需要將風(fēng)電場功率預(yù)測的目的、NWP及SCADA數(shù)據(jù)特點(diǎn)、預(yù)測物理量等因素綜合考慮后選擇最合適的預(yù)測模型，以達(dá)到企業(yè)對(duì)于功率預(yù)測的要求，保證電網(wǎng)穩(wěn)定運(yùn)行與供電系統(tǒng)的可靠性.

2" 風(fēng)電場功率預(yù)測的評(píng)價(jià)指標(biāo)

一般來說，風(fēng)電場功率預(yù)測誤差來源較多，需要綜合評(píng)價(jià)預(yù)測效果，以下從多個(gè)角度展開討論風(fēng)電場功率預(yù)測的評(píng)價(jià)指標(biāo).

2.1" 單點(diǎn)預(yù)測的評(píng)價(jià)指標(biāo)

誤差的大小反映了預(yù)測值與實(shí)際值之間的逼近程度，是評(píng)價(jià)預(yù)測模型能否提高預(yù)測精度的重要指標(biāo).

2.1.1" 標(biāo)準(zhǔn)平均絕對(duì)誤差

標(biāo)準(zhǔn)平均絕對(duì)誤差（normalized mean absolute error，NMAE）表征模型預(yù)測值與實(shí)際值的總體偏差情況，總體上反映模型的預(yù)測效果，其計(jì)算式為

NMAE=1Pcap1n∑ni=1Si－Oi×100%，（2）

式中：Pcap為風(fēng)電場的額定容量，kW；Si，Oi（i=1，2，…，n）分別為預(yù)測對(duì)象對(duì)應(yīng)的第i個(gè)預(yù)測值和實(shí)際值，kW.

2.1.2" 標(biāo)準(zhǔn)平均相對(duì)誤差

標(biāo)準(zhǔn)平均相對(duì)誤差（normalized mean relative error，NMRE）由標(biāo)準(zhǔn)絕對(duì)值平均誤差除以實(shí)際值的平均值得到，反映預(yù)測值與實(shí)際值之間的相對(duì)誤差及偏離情況，其計(jì)算如式（3）所示.

NMRE=1Pcap1n∑ni=1Si－OiOi×100%.（3）

2.1.3" 標(biāo)準(zhǔn)均方根誤差

標(biāo)準(zhǔn)均方根誤差（normalized root mean square error，NRMSE）表征模型的精確度及誤差的分散程度，反映預(yù)測曲線與實(shí)際曲線的擬合程度，通常為正值，其計(jì)算式為

NRMSE=1Pcap1n∑ni=1（Si－Oi）2.（4）

NMAE，NMRE，NRMSE是現(xiàn)行企業(yè)標(biāo)準(zhǔn)和推薦的行業(yè)標(biāo)準(zhǔn)誤差評(píng)價(jià)指標(biāo)，易于計(jì)算，常用于整體性能評(píng)價(jià)，對(duì)系統(tǒng)誤差特性進(jìn)行“宏觀”評(píng)價(jià).一般來說，短期誤差的NRMSE控制在20% 以內(nèi)，預(yù)測效果較好.但是，這類指標(biāo)僅僅給出了針對(duì)某一段數(shù)據(jù)序列整體的指標(biāo)結(jié)果，將誤差平均化處理，丟失了許多有利用價(jià)值的信息，對(duì)于預(yù)測結(jié)果的細(xì)節(jié)關(guān)注較少.

2.2" 概率預(yù)測的評(píng)價(jià)指標(biāo)

通常為了更好地評(píng)價(jià)一個(gè)概率預(yù)測方法，主要從兩方面考慮：一是預(yù)測結(jié)果位于預(yù)測區(qū)間內(nèi)的概率盡可能靠近置信水平，保證結(jié)果的可信度；二是預(yù)測區(qū)間應(yīng)在能保證可靠性的同時(shí)盡量窄，更具有決策意義.常用的評(píng)價(jià)概率預(yù)測指標(biāo)如下［8］.

2.2.1" 可靠性

可靠性指標(biāo)反映概率預(yù)測結(jié)果在預(yù)測期間的置信水平，其表達(dá)式為

R（1-a）=ξ（1－a）N－（1－a）×100%，（5）

式中：R （1-α）為置信水平為 1-α?xí)r的可靠性值；N為樣本總數(shù)；ξ（1-α）為置信水平為1-α?xí)r真實(shí)值在預(yù)測區(qū)間內(nèi)的數(shù)目.

2.2.2" 區(qū)間平均寬度

區(qū)間平均寬度反映了在保證可靠性基礎(chǔ)上的預(yù)測區(qū)間寬度，其表達(dá)式為

IAW（1－α）=1N∑Nj=1θ（1－α）j，（6）

式中：IAW（1-α） 為置信水平為1-α 時(shí)的區(qū)間平均寬度；θj（1-α）為第j個(gè)測試樣本在置信水平為1-α?xí)r的區(qū)間寬度.

在實(shí)際應(yīng)用中，需綜合考慮單點(diǎn)預(yù)測評(píng)價(jià)指標(biāo)、可靠性及區(qū)間平均寬度評(píng)價(jià)指標(biāo)進(jìn)行分析.一般來說，在相同置信度條件下，預(yù)測誤差越小，可靠性越大，區(qū)間平均寬度越小，預(yù)測效果越好.取置信度為90% 時(shí)，若可靠性在±20%以內(nèi)，區(qū)間平均寬度在20以內(nèi)，且預(yù)測誤差在合理范圍內(nèi)，則預(yù)測效果較為理想.

2.3" 預(yù)測曲線的評(píng)價(jià)指標(biāo)

除了從數(shù)據(jù)本身角度，往往還需要從預(yù)測與實(shí)際曲線的一致性、誤差序列的分布特征等角度評(píng)價(jià)預(yù)測效果.常見的預(yù)測曲線評(píng)價(jià)指標(biāo)如下.

2.3.1" 偏度

偏度又稱偏斜系數(shù)或偏態(tài)系數(shù)，是判斷數(shù)據(jù)序列分布規(guī)律性的指標(biāo)，反映了誤差序列在均值兩側(cè)的非對(duì)稱性，其表達(dá)式為

SK=∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）3n1n－1∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）23.（7）

在偏度指標(biāo)的分析中，正態(tài)分布呈對(duì)稱狀，偏度為0.若分布右偏（或左偏），即右側(cè)（或左側(cè)）拖尾更長，則偏度為正（或?yàn)樨?fù)）.風(fēng)電預(yù)測的誤差序列一般呈右偏分布，為正值時(shí)一般小于4，其右拖尾部分對(duì)應(yīng)于小概率大誤差的預(yù)測結(jié)果，其值越小越好［9］.

2.3.2" 峰度

峰度又稱峰度系數(shù)，表征概率密度分布曲線在平均值處峰值高低的特征數(shù)，反映峰部的尖度，度量誤差序列的非平坦程度，其表達(dá)式為

KU=

∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）4n1n－1∑ni=1（Oi－Si）－1n∑ni=1（Oi－Si）24－3，（8）

在峰度指標(biāo)分析中，正態(tài)分布的峰度為0；若峰度大于（或小于）0，則比正態(tài)分布“高瘦”（或“矮胖”）.風(fēng)電預(yù)測的誤差序列的峰度一般在（0，8），其值越大越好.

2.3.3" 相關(guān)系數(shù)

相關(guān)系數(shù)用以反映變量之間的密切程度，表征預(yù)測值與實(shí)際值變化趨勢的一致性，其表達(dá)式為

r=∑ni=1［（Oi－Oi）（Si－Si）］∑ni=1（Oi－Oi）2∑ni=1（Si－Si）2，（9）

式中：Oi，Si分別為預(yù)測對(duì)象對(duì)應(yīng)的第i個(gè)實(shí)際值和預(yù)測值的平均值.

在風(fēng)電場功率預(yù)測中，相關(guān)系數(shù)體現(xiàn)出預(yù)測值隨真實(shí)值變化的靈敏性.相關(guān)系數(shù)介于［-1，1］，其值越大，預(yù)測曲線與實(shí)際功率的變化趨勢一致性越好.

為滿足中國風(fēng)力發(fā)電行業(yè)現(xiàn)狀與前景，建議采用NMAE，NMRE，NRMSE以及相關(guān)系數(shù)r作為預(yù)測誤差評(píng)估方法.對(duì)于概率預(yù)測方法，需結(jié)合不同置信度下的可靠性、區(qū)間平均寬度綜合分析預(yù)測效果.同時(shí)，考慮誤差的分布特性以及預(yù)測與實(shí)際曲線的一致性，峰度與偏度是非常重要的評(píng)價(jià)指標(biāo).

3" 風(fēng)電場功率預(yù)測的發(fā)展趨勢

當(dāng)前風(fēng)電場的功率預(yù)測全過程會(huì)遇到許多困難，影響了預(yù)測準(zhǔn)確性，降低了預(yù)測方法的實(shí)用性.比如：① 隨著預(yù)測時(shí)間的增長，預(yù)測準(zhǔn)確度將會(huì)降低，兩者往往不能同時(shí)滿足；② 受風(fēng)速隨機(jī)性的影響，風(fēng)電場SCADA數(shù)據(jù)具有很強(qiáng)隨機(jī)性和波動(dòng)性，時(shí)間序列本身會(huì)產(chǎn)生誤差；③ 中國的NWP氣象信息的準(zhǔn)確性有待提高，對(duì)地理因素的關(guān)注度不夠，氣象信息不夠準(zhǔn)確；④ 功率特性曲線的不準(zhǔn)確性將會(huì)放大功率誤差；⑤ 風(fēng)電場功率預(yù)測方法與實(shí)際風(fēng)電場的匹配性等.因此，需根據(jù)風(fēng)電場的實(shí)際情況與預(yù)測需求，結(jié)合多種預(yù)測方法，搭建預(yù)測效果最好的風(fēng)電場功率預(yù)測模型，以滿足風(fēng)電場并網(wǎng)運(yùn)行需求.如何在不同預(yù)測環(huán)境下選擇適合的預(yù)測模型成為近年來風(fēng)速研究中的熱點(diǎn)問題.

圖1為風(fēng)電場功率預(yù)測發(fā)展趨勢圖.

目前風(fēng)電場功率預(yù)測的發(fā)展趨勢有以下幾個(gè)特點(diǎn).

3.1" 綜合考慮影響因素，修正氣象信息

風(fēng)電場建設(shè)投產(chǎn)后的運(yùn)行狀況均處于假設(shè)狀態(tài)，更多的是一種不確定因素，直接影響風(fēng)電場功率輸出及發(fā)電量.因此，盡可能充分考慮發(fā)電量形成過程中的制約因素，重視各相關(guān)要素特點(diǎn)，有利于準(zhǔn)確預(yù)測風(fēng)電功率，成為風(fēng)電場功率預(yù)測的發(fā)展趨勢之一.

目前，國內(nèi)外學(xué)者對(duì)于風(fēng)電場自身及空間差異、NWP氣象信息的修正研究較多.SCARABAGGIO等［10］考慮到風(fēng)力發(fā)電預(yù)測的不確定性，提出了一種智能電網(wǎng)分布式需求側(cè)管理方法，以獲得基于風(fēng)速預(yù)測的概率密度函數(shù)，嘗試從需求側(cè)解決風(fēng)電發(fā)電功率的不確定性.WU等［11］考慮風(fēng)電場NWP信息間的相關(guān)特征，基于多位置NWP信息、不同風(fēng)電場NWP信息相關(guān)性構(gòu)建特征圖，并訓(xùn)練得到時(shí)空模型以開展風(fēng)電功率短期預(yù)測，獲得更好的預(yù)測精度.符楊等［12］考慮海上數(shù)值天氣預(yù)報(bào)信息的準(zhǔn)確性不高、爬坡事件頻發(fā)等因素，通過氣象相似性分類以及對(duì)未來時(shí)刻風(fēng)功率波動(dòng)范圍的預(yù)測分類，實(shí)現(xiàn)預(yù)測結(jié)果的NWP修正.戚創(chuàng)創(chuàng)等［13］考慮大氣穩(wěn)定度的同時(shí)，根據(jù)風(fēng)向與功率損失構(gòu)建出功率風(fēng)向模型，并在此基礎(chǔ)上提出基于編碼-解碼框架的海上風(fēng)電場功率預(yù)測方法，有效平抑預(yù)測功率波動(dòng)，提升了預(yù)測準(zhǔn)確度.

3.2" 優(yōu)化數(shù)據(jù)處理算法，提高數(shù)據(jù)可靠度

通常采用SCADA獲得的歷史運(yùn)行數(shù)據(jù)或者調(diào)度中心記錄的風(fēng)電出力數(shù)據(jù)進(jìn)行預(yù)測分析，需要進(jìn)行適當(dāng)?shù)臄?shù)據(jù)處理才能使用.數(shù)據(jù)的可靠性直接影響預(yù)測效果.因此，目前研究熱點(diǎn)在于如何保障數(shù)據(jù)的有效性和優(yōu)化數(shù)據(jù)質(zhì)量，減少數(shù)據(jù)挖掘的時(shí)間復(fù)雜度，提高數(shù)據(jù)可靠度.

在數(shù)據(jù)處理方面，國內(nèi)外諸多學(xué)者已開展了大量研究，包括采用優(yōu)化算法、視圖融合、模態(tài)分解等方法提高數(shù)據(jù)可靠度［14-15］.LI等［16］使用粒子群優(yōu)化算法（paper swarm optimization，PSO）對(duì)傳統(tǒng)卡爾曼濾波器進(jìn)行改進(jìn)，通過降低觀測噪聲和過程噪聲的影響，解決了傳統(tǒng)卡爾曼濾波器預(yù)測精度低的問題.張文等［17］提出了基于樸素貝葉斯和EM（expectation maximization，EM）算法的軟件工作量數(shù)據(jù)缺失處理方法.楊茂等［18］采用基于EMD（empirical mode decomposition，EMD）的優(yōu)化算法EEMD（ensemble empirical mode decomposition，EEMD），對(duì)風(fēng)電場功率進(jìn)行有效的分解，減輕了模態(tài)混疊現(xiàn)象.

3.3" 發(fā)揮單一模型優(yōu)勢，構(gòu)建組合模型

隨著對(duì)風(fēng)電場功率預(yù)測的準(zhǔn)確度要求越來越高，目前單一的預(yù)測方法已經(jīng)難以滿足高風(fēng)電場功率預(yù)測的準(zhǔn)確性的需求.BATES和GRANGERS于1969年提出組合預(yù)測方法，通過集中各單一算法的優(yōu)點(diǎn)，進(jìn)行適當(dāng)加權(quán)組合，建立新的預(yù)測模型，提高了算法預(yù)測精度和泛化能力.如今，綜合單一模型優(yōu)點(diǎn)，將多個(gè)模型按權(quán)重組合，獲得加權(quán)平均結(jié)果，能夠涵蓋更充分的信息，成為風(fēng)電場功率預(yù)測的重要發(fā)展趨勢之一.

國內(nèi)外學(xué)者對(duì)于神經(jīng)網(wǎng)絡(luò)結(jié)合其他模型組合預(yù)測方法的研究較多，將先進(jìn)的神經(jīng)網(wǎng)絡(luò)算法與模態(tài)分解等模型結(jié)合可有效提高預(yù)測精度［19-20］.YILDIZ等［21］基于變分模式分解（variational mode decomposition，VMD）將特征提取并轉(zhuǎn)換為圖像，并采用改進(jìn)的基于殘差的深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）對(duì)風(fēng)電場功率進(jìn)行預(yù)測，在超短期預(yù)測中具有良好的效果.SHAHID等［22］提出一種基于長短期記憶和遺傳算法的新的遺傳長短期記憶（genetic long short term memory，GLSTM）模型預(yù)測短期風(fēng)電場功率，將風(fēng)力預(yù)測的改善程度從6%提升到30%.LI等［23］將改進(jìn)的蜻蜓算法與支持向量機(jī)結(jié)合用于短期風(fēng)功率預(yù)測，利用風(fēng)電場實(shí)測數(shù)據(jù)與反向傳播神經(jīng)網(wǎng)絡(luò)和高斯過程回歸等其他模型進(jìn)行對(duì)比試驗(yàn)，具有更好的預(yù)測性能.WANG等［24］提出了基于多目標(biāo)蝙蝠算法優(yōu)化的4個(gè)人工神經(jīng)網(wǎng)絡(luò)組合模型，歷史風(fēng)速序列經(jīng)數(shù)據(jù)分解和降噪處理后輸入該模型進(jìn)行多步預(yù)報(bào)，獲得更優(yōu)結(jié)果.

4" 結(jié)" 論

近年來，隨著環(huán)境破壞和污染日趨嚴(yán)重、溫室效應(yīng)加劇，風(fēng)能作為一種新型綠色清潔能源，具有廣闊的發(fā)展前景和潛力.風(fēng)力發(fā)電功率的預(yù)測直接影響著并網(wǎng)運(yùn)行的穩(wěn)定性和競價(jià)上網(wǎng).

1） 相比于國外起步較早、發(fā)展較為成熟的風(fēng)電場功率預(yù)測系統(tǒng)，中國風(fēng)電場功率預(yù)測技術(shù)研究起步較晚，但發(fā)展迅速.從時(shí)間尺度上，風(fēng)電場功率預(yù)測可分為超短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測.從預(yù)測原理上，風(fēng)電場功率預(yù)測方法可分為物理方法、統(tǒng)計(jì)方法和學(xué)習(xí)方法.目前，企業(yè)普遍采用直接預(yù)測以及單點(diǎn)預(yù)測的方法預(yù)測風(fēng)電場功率，間接預(yù)測法及概率預(yù)測法相對(duì)使用較少.因此，需結(jié)合具體的預(yù)測目的和數(shù)據(jù)特點(diǎn)等因素，選擇較為合適的風(fēng)電場功率預(yù)測模型.

2） 文中對(duì)于風(fēng)電場功率預(yù)測評(píng)價(jià)指標(biāo)進(jìn)行了分類與介紹.對(duì)于單點(diǎn)預(yù)測，可采用標(biāo)準(zhǔn)絕對(duì)值平均誤差、標(biāo)準(zhǔn)平均相對(duì)誤差、標(biāo)準(zhǔn)均方根誤差評(píng)判預(yù)測效果.對(duì)于概率預(yù)測，可結(jié)合不同置信度下的可靠性、區(qū)間平均寬度綜合分析預(yù)測效果.對(duì)于預(yù)測曲線與實(shí)際曲線的擬合程度，可從峰度、偏度、相關(guān)系數(shù)等角度分析.在實(shí)際預(yù)測中，需結(jié)合預(yù)測模型特點(diǎn)以及預(yù)測要求采取適當(dāng)?shù)脑u(píng)價(jià)指標(biāo)分析預(yù)測效果.

3） 文中提出了當(dāng)前風(fēng)電場功率預(yù)測正朝著綜合考慮影響因素、優(yōu)化氣象信息、提高數(shù)據(jù)可靠度、構(gòu)建組合模型等方向發(fā)展，不斷提升預(yù)測精度，優(yōu)化電網(wǎng)調(diào)度，提高風(fēng)電入網(wǎng)的市場競爭力，使其在民生領(lǐng)域、經(jīng)濟(jì)領(lǐng)域發(fā)揮更大的作用，助力中國風(fēng)電事業(yè)和新能源事業(yè)的發(fā)展.

參考文獻(xiàn)（References）

［1］" 李松. 海洋牧場與海上風(fēng)電融合發(fā)展的適宜性評(píng)價(jià)： 以奉賢海上風(fēng)電場為例［J］. 水利水電技術(shù)（中英文）， 2023， 54（S2）： 426-430.

LI Song. Suitability evaluation of the combination of offshore wind energy with marine ranching： taking Fengxian offshore wind farm as an example［J］. Water resources and hydropower engineering， 2023， 54（S2）： 426-430.（in Chinese）

［2］" GUO P. Research of a new MPPT strategy based on gray wind speed prediction ［C］//2009 Second International Symposium on Knowledge Acquisition and Modeling， November 30 to December 1，2009， Wuhan， China.

［3］" LIU H， DUAN Z， LI Y， et al. A novel ensemble model of different mother wavelets for wind speed multi-step forecasting ［J］. Applied energy， 2018， 228： 1783-1800.

［4］" KAVASSERI R G， SEETHARAMAN K. Day-ahead wind speed forecasting using f-ARIMA models ［J］. Renewable energy， 2009， 34（5）： 1388-1393.

［5］" BESSA R J， MIRANDA V， BOTTERUD A， et al. Time-adaptive quantile-copula for wind power probabilistic forecasting ［J］. Renewable energy， 2012， 40（1）： 29-39.

［6］" GRASSI G， VECCHIO P. Wind energy prediction using a two-hidden layer neural network ［J］. Communications in nonlinear science and numerical simulation， 2010， 15（9）： 2262-2266.

［7］" 程啟明， 陳路， 程尹曼， 等. 基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測方法 ［J］. 電力自動(dòng)化設(shè)備， 2018， 38（5）： 27-35.

CHENG Qiming， CHEN Lu， CHENG Yinman， et al. Short-term wind power forecasting method based on EEMD and LS-SVM mode ［J］. Power automation equipment， 2018， 38（5）： 27-35.（in Chinese）

［8］" 曲宗希. 風(fēng)速組合預(yù)測策略中若干難點(diǎn)問題研究 ［D］. 蘭州：蘭州大學(xué)， 2019.

［9］" 姚琦， 柳玉， 白愷， 等. 風(fēng)電場功率預(yù)測水平的多指標(biāo)綜合評(píng)價(jià)方法研究 ［J］. 太陽能學(xué)報(bào)， 2019， 40（2）： 333-340.

YAO Qi， LIU Yu， BAI Kai， et al. Study of multi-index comprehensive evaluation method for wind farm power prediction level ［J］. Acta energiae solaris sinica， 2019， 40 （2）： 333-340. （in Chinese）

［10］" SCARABAGGIO P， GRAMMATICO S， CARLI R， et al. Distributed demand side management with stochastic wind power forecasting ［J］. IEEE transactions on control systems technology， 2022， 30（1）： 97-112.

［11］ "WU F， YANG M， SHI C. Short-term prediction of wind power considering the fusion of multiple spatial and temporal correlation features ［J］. Frontiers in energy research， 2022， 10：878160.

［12］" 符楊， 鄭紫宸， 時(shí)帥， 等. 考慮氣象相似性與數(shù)值天氣預(yù)報(bào)修正的海上風(fēng)功率預(yù)測 ［J］. 電網(wǎng)技術(shù)， 2019， 43（4）： 1253-1260.

FU Yang， ZHENG Zichen， SHI Shuai， et al. Offshore wind power forecasting considering meteorological similarity and NWP correction ［J］. Power system technology， 2019， 43（4）： 1253-1260. （in Chinese）

［13］" 戚創(chuàng)創(chuàng)， 王向文. 考慮風(fēng)向和大氣穩(wěn)定度的海上風(fēng)電功率短期預(yù)測 ［J］. 電網(wǎng)技術(shù)， 2021， 45（7）： 2773-2780.

QI Chuangchuang， WANG Xiangwen. Short-term predic-tion of offshore wind power considering wind direction and atmospheric stability ［J］. Power system technology， 2021， 45（7）： 2773-2780. （in Chinese）

［14］" 毛鶯池， 張建華， 陳豪. 一種多視圖深度融合的連續(xù)性缺失補(bǔ)全方法 ［J］. 西安電子科技大學(xué)學(xué)報(bào)， 2019， 46（2）： 61-68.

MAO Yingchi， ZHANG Jianhua， CHEN Hao. Ｓｕｃｃｅｓ-ｓｉｖｅ" ｍｉｓｓｉｎｇ ｃｏｍｐｌｅｔｉｏｎ" ｂａｓｅｄ" ｏｎ" ｄｅｅｐ" ｆｕｓｉｏｎ" ｆｒｏｍ" ｍｕｌｔｉｐｌｅ" ｖｉｅｗｓ ［J］. Journal of Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ， 2019， 46（2）： 61-68. （in Chinese）

［15］" 許夢田， 王洪哲， 趙成萍， 等. 基于短期風(fēng)功率預(yù)測的數(shù)據(jù)預(yù)處理算法研究 ［J］. 可再生能源， 2019， 37（1）： 119-125.

［15］" XU Mengtian， WANG Hongzhe， ZHAO Chengping， et al. Research on data preprocessing" policy based on short-term wind power prediction ［J］. Renewable energy， 2019， 37（1）： 119-125. （in Chinese）

［16］" LI D， YU X， LIU S L， et al. Wind power prediction based on PSO-Kalman ［J］. Energy reports， 2022， 8： 958-968.

［17］" 張文， 姜祎盼， 殷廣達(dá)， 等. 基于樸素貝葉斯和EM算法的軟件工作量缺失數(shù)據(jù)處理方法 ［J］. 系統(tǒng)工程理論與實(shí)踐， 2017， 37（11）： 2965-2974.

ZHANG Wen， JIANG Yipan， YIN Guangda， et al. Ｈａｎｄｌｉｎｇ"" ｍｉｓｓｉｎｇ"" ｖａｌｕｅｓ ｉｎ" ｓｏ ｆｔｗａｒ ｅ" ｅｆｆｏｒｔ ｄａｔａ ｂａｓｅｄ ｏｎ ｎａｉｖｅ Ｂａｙｅｓ ａｎｄ ＥＭ ａｌｇｏｒｉｔｈｍ［J］. System enginee-ring — theory and practice， 2017， 37（11）： 2965-2974. （in Chinese）

［18］" 楊茂， 陳郁林， 魏治成. 基于EEMD去噪和集對(duì)理論的風(fēng)功率實(shí)時(shí)預(yù)測研究 ［J］. 太陽能學(xué)報(bào)， 2018， 39（5）： 1440-1448.

YANG Mao， CHEN Yulin， WEI Zhicheng. Real-time prediction for wind power based on EEMD denoising and theory of SPA［J］. Journal of solar energy， 2018， 39（5）： 1440-1448. （in Chinese）

［19］" HONG Y Y， RIOFLORIDO C. A hybrid deep learning-based neural network for 24-h ahead wind power forecasting ［J］. Applied energy， 2019， 250： 530-539.

［20］" LIU H， MI X W， LI Y F. Smart deep learning based wind speed prediction model using wavelet packet decomposition， convolutional neural network and convolutional long short term memory network ［J］. Energy conversion and management， 2018， 166： 120-131.

［21］" YILDIZ C， ACIKGOZ H， KORKMAZ D， et al. An improved residual-based convolutional neural network for very short-term wind power forecasting ［J］. Energy conversion and management， 2021， 228： 113731.

［22］" SHAHID F， ZAMEER A， MUNEEB M. A novel genetic LSTM model for wind power forecast ［J］. Energy， 2021， 223： 120069.

［23］" LI L L， ZHAO X， TSENG M L， et al. Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm ［J］. Journal of cleaner production， 2020， 242：118447.

［24］" WANG J Z， HENG J N， XIAO L Y， et al. Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting ［J］. Energy， 2017， 125： 591-613.

（責(zé)任編輯" 朱漪云）