试析风能发电预测技术研究的现状与发展

丁湘跃

摘要：本文主要对过去几年风能发电的预测技术进行了追踪和概述，针对风能发电预测技术当中存在的不足和一些需要改进的地方进行了讨论，希望对以后的相关研究提供一定的帮助，提高风能发电预测的准确性。

关键词：风能发电 预测技术 人工智能技术 统计学

在解决能源危机的过程当中，对可再生能源的开发和利用是一种最主要的途径，而利用可再生能源进行发电则是清洁和高效的能源利用方式。对于风能发电来讲，随着科技的不断发展，到2020年的时候风能发电基本上能够满足全球电力的12%需求。可再生能源发电新的一种模式就是采用微电网，但是因为可再生资源具有能控性、间隙性以及不稳定性，这样微电网在和传统电网进行并网运行的时候就会存在很多的困难，而要很好的解决这些困难，那么关键的一步就需要对可再生资源的发电量进行比较准确的预测。

而最近几年，随着计算机技术的不断发展，各个国家的学者就提出了很多基于人工智能技术和基于复杂统计学的发电预测模型，在建立这些预测模型的时候需要花费很多的时间，但是预测的效果要比传统的预测技术要强很多。

1 风能发电预测技术研究现状的分析

在对风能发电预测中可以发现，风能发电的时间序列数据呈现出一种混沌的现象，所以可以对风能的发电量进行一定的预测。在风能发电的预测中，主要为风速的预测、功率曲线的求解、数据输出统计等，其中风速预测是主要的工作内容。

可是，在实际风速预测中存在一定的难度，主要表现为地理地形差异、空气密度、大气压差异性、区域温度差异等。根据风能发电预测的时间，一般把风能发电预测分为短期预测、中期预测和长期预测。短期预测时间为三到六小时的预测，这种方式将能及时的监控发电机的运行效果有利于制定电能储备计划；中期预测时间为六到七十二小时，主要是利于制定电能调度策略；长期预测时间为三到十天，将有利于制定能源的使用计划，其中短期预测是最重要的预测形式。

在风能预测中，主要分为两步，首先进行数据收集，其次是数据处理。收集的数据主要是大气数据和风电场发电的历史数据；数据处理就是对收集到的数据进行分析预测发电量。风能发电模型一般分为间接预测与直接预测。

1.1 对风能发电能进行间接预测的方法

利用风能进行发电，其实就是把风速产生的能量转换为电能的一种发电方式。对风能发电量进行预测，就是对风的速度进行预测，利用发电机的功率曲线数据图把风速的预测值转换为电量的预测值。在实际工作中，有四种方法可以对风速进行预测，为物理预测法；基于统计学的预测法；基于人工智能技术的预测法；综合预测法。

物理预测法，是一种传统的风速预测方法，与我国的气象预测差不多，针对数值天气进行预测的一种物理方法。物理预测法主要是经过对天气的某一时间的观察资料进行数据分析，采用数值方法把大气的热力与动力进行求解，得出风速的预测值。综合风速预测值与发电机组的功率曲线进行数据分析，就会推出发电量的预测值。针对三到十天的长期风速预测，物理预测法比较有效果，而对于三到六小时的短期风速预测，这种方法存在一定的缺陷。因为采用物理预测法进行风速预测的时候，容易对近地面的风速、风向预测产生系统误差，造成发电量预测出现差异。特别是在对子网进行风速预测的时候，容易忽视地形带形成的风带。针对这种缺陷，提出了基于统计学的预测方法，提高了物理预测法对发电量预测的准确性。

基于统计学的预测方法是利用系统观测的风速历史信息（风速时间序列观测数据），采用参数估计和曲线拟合的方法建立风速预测模型，同时根据风速预测值和风速实际值的差异，及时调整风速预测模型的参数。与其他预测方法相比，基于统计学的预测方法更容易建立预测模型，短期风速预测的准确性也高。

基于人工智能技术的预测法。人工智能的本质其实就对人的思维方式进行模拟，而采用人工智能技术建立起来的风能发电预测模型具有一定的学习能力，而且当历史数据增加的时候，预测的精度也会相应的提高。

和统计预测模型相比较，构建人工智能预测模型要容易一些，所需的时间也更少，对于风速输入和输出之间的确定数学表达式人工智能预测模型也不需要，而是通过对预测模型进行训练从而得到预测值。

综合预测法。综合预测法主要就是指通过对不同预测方案的预测值进行比较，从而就能够得到一个最有准确性的统计预测模型。它基本的思想就是如果不同的预测方法在进行预测的过程当中所产生的预测值错误是没有偏差的话，而且相互之间存在比较低的关联度，那么单个预测方案的错误就会倾向于相互之间的弥补，这样一个组合的预测出错率和任何一个基本的预测相比都要低一些。

1.2 对风能发电能进行直接预测的方法

直接预测的思想主要就是将风能发电量的历史信息作为预测模型的输入，那么发电量的预测值就是预测模型的输出。

在采用人工神经网络对风能发电量进行预测的一个案例研究当中，MABEL等采用人工神经网络建立起了一个具有三个输入变量的发电量的预测模型，这个输入变量是相对空气的湿度、发电的时间以及风速。在一种新的短期风能发电预测技术当中，NEGNEVITSKY等在对风能发电量进行预测的时候就采用了自适应性模糊推理系统，使用的不同预测参数主要就是风向、风速以及风矢量等，同时对于这些参数各自的优点和缺点也明确的指出来了。在对风能发电进行预测的时候如果采用的是复数神经网络的话，KITAJIMA等采用的复数坐标就是方向和风速，然后把这个复数坐标当成是复数神经网络的输入，而在对复数网络的权重进行调节的时候，主要就是通过方向传播算法来完成的，这样建立起来风能发电预测模型就能够有效地减小方差的误差。另外因为复数神经网络比较适合处理那些非线性数据以及比较复杂的数据，和一般的人工神经网络建立的预测模型相比较，复数神经网络建立起的预测模型预测的精度更高一些。

2 对风能发电预测技术研究的发展分析

在对风能发电进行预测的过程当中，如果采用间接预测模型预测出现错误的话，最主要的一个原因就是把风速的预测值直接通过风力发电机组制造商所提供的功率曲线转换成了发电量的预测值，但是事实上风力发电机组制造商所提供的功率曲线都是在理想的条件下得到的数值，那么就不能够在各种各样的情况下对风速和发电量的情况进行比较准确的描述。为了能够使得预测的精度能够进一步的提高，应该要根据实际的情况，采用一些相关的技术比如统计的方法来得到风速和发电量之间比较准确的关系。所有对风能发电进行预测的模型，预测的准确度都需要依赖于原始输入数据的准确性，那么在对这些气象信息进行收集的时候，就可以通过部署远程气象传感器来进行实时的收集，这样原始输入数据的准确性就能够得到很好的保证，最终使风能发电的预测能够更加的准确。

3 结束语

通过本文的简单介绍，可以帮助那些新的研究人员跟踪和了解风能发电预测技术现在的发展状况，希望能够对风能发电预测技术的研究工作更进一步，从而使得提出的风能发电预测方案能够更加的准确。

参考文献：

[1]陈垣毅.风能及光伏发电功率短期预测方法研究[D].浙江大学，2013.

[2]黄超辉.微电网的发电和负荷预测及其模糊控制研究[D].湖南大学，2012.

[3]杨志凌.风电场功率短期预测方法优化的研究[D].华北电力大学（北京），2011.

[4]仝纪龙.河西地区风速变化特征及风能预测方法研究[D].兰州大学，2012.

[5]刘琳.新能源风电发展预测与评价模型研究[D].华北电力大学，2013.

[6]戴义平，夏俊荣，赵攀.风电功率预测技术及发展现状[A].中国动力工程学会透平专业委员会.中国动力工程学会透平专业委员会

2011年学术研讨会论文集[C].中国动力工程学会透平专业委员会，2011：15.