风电场风速及风电功率预测方法研究综述
《2024年风电场风电功率预测方法研究》范文
《风电场风电功率预测方法研究》篇一一、引言随着社会经济的不断发展，对清洁可再生能源的需求也在逐渐增长。
风力发电作为重要的可再生能源之一，已成为当前各国研究的热点领域。
然而，由于风力资源的随机性和波动性，风电场的风电功率预测成为了一个重要的研究方向。
本文旨在研究风电场风电功率预测方法，为风电场的运行和管理提供科学依据。
二、风电场概述风电场是由多个风力发电机组组成的发电系统，其发电量受风速、风向、温度、气压等多种因素影响。
因此，要实现风电场的风电功率预测，必须深入研究这些因素与风电功率之间的关系，以及建立合适的预测模型。
三、风电功率预测方法（一）传统预测方法传统的风电功率预测方法主要包括物理方法和统计方法。
物理方法主要是通过建立风电机组和大气环境的物理模型，对风电功率进行预测。
统计方法则是通过收集历史数据，建立风速、风向、温度等与风电功率之间的统计关系模型，进行预测。
然而，由于风力资源的复杂性和不确定性，这两种方法的预测精度都存在一定的局限性。
（二）现代预测方法随着人工智能技术的发展，越来越多的研究者开始将人工智能算法应用于风电功率预测。
其中，基于机器学习的预测方法成为研究热点。
该方法通过学习历史数据中的规律和模式，建立更加精确的预测模型。
常见的机器学习算法包括神经网络、支持向量机、随机森林等。
此外，还有一些新兴的预测方法，如深度学习、数据挖掘等也在风电功率预测中得到了广泛应用。
四、风电功率预测模型（一）基于物理模型的预测物理模型主要是通过分析大气环境、风电机组的运行状态等因素，建立风电机组的发电模型。
通过对模型的参数进行调整和优化，实现对风电功率的预测。
该方法需要考虑多种因素的综合影响，因此模型较为复杂。
（二）基于统计模型的预测统计模型主要是通过收集历史数据，建立风速、风向、温度等与风电功率之间的统计关系模型。
该方法简单易行，但需要大量的历史数据支持。
常见的统计模型包括线性回归模型、非线性回归模型、时间序列分析等。
风电功率预测技术综述
风电功率预测技术综述摘要：风电是一种可再生能源，具有环境友好和经济可行性的特点。
然而，由于风力发电机的输出功率受到风速的影响，风电系统的功率预测对于实现风电站的有效运行和规划至关重要。
本文将综述当前常用的风电功率预测技术，包括统计模型、人工智能模型和混合模型，并探讨其优缺点及应用前景。
一、引言随着对可再生能源的需求不断增长，风力发电成为了一种重要的能源选择。
然而，由于风速的不稳定性和不可预测性，风力发电的发电功率产生了很大的波动性，这使得风电系统的管理和调度变得复杂。
为了更好地管理风电系统，准确地预测风电的功率变化是至关重要的。
二、风电功率预测的意义风电功率预测可以帮助风电站进行经济调度，合理制定运行策略，降低能源成本。
同时，预测风电功率可以提前调整传输和配电设备，减少能源浪费和环境污染。
在风电规划方面，准确的功率预测也可以帮助选址、布局和容量规划，提高风电站的经济效益和可靠性。
三、风电功率预测技术的分类目前，风电功率预测技术主要可分为统计模型、人工智能模型和混合模型三大类。
1. 统计模型：统计模型是最常用和最古老的功率预测方法之一。
常见的统计模型包括回归分析、时间序列分析和概率分布拟合等。
这些模型可以基于历史风速和功率数据分析风电功率与风速之间的关系，进而预测未来的功率输出。
统计模型的优点是简单易用、计算速度快；缺点是对历史数据要求较高，并且无法考虑其他影响因素。
2. 人工智能模型：人工智能模型包括人工神经网络、遗传算法、模糊逻辑等。
这些模型可以通过学习历史数据自动适应风电功率与风速的非线性关系。
人工智能模型的优点是可以处理复杂的非线性问题，并能够考虑多个影响因素；缺点是对训练数据的依赖性较强，模型的可解释性相对较弱。
3. 混合模型：混合模型是统计模型和人工智能模型的结合体。
该方法通过结合各种模型的优势，提高了预测的准确性和稳定性。
混合模型的优点是可以综合考虑多种影响因素，并对不同模型进行加权融合；缺点是模型的建立和参数调优过程较为繁琐。
《2024年风电场风电功率预测方法研究》范文
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的关注日益增长，风电作为清洁、可持续的能源来源，在能源结构中的比重逐渐增加。
然而，风力资源的间歇性和不确定性给电网的稳定运行带来了挑战。
因此，准确预测风电场的风电功率成为了一个重要的研究方向。
本文旨在研究风电场风电功率预测方法，以提高风电功率预测的准确性和可靠性。
二、风电功率预测的重要性风电功率预测对于电力系统的稳定运行具有重要意义。
首先，准确的预测可以帮助电力调度部门合理安排发电和输电计划，减少因风电功率波动引起的电网压力。
其次，风电功率预测有助于提高风电的并网能力，促进风电的规模化发展。
最后，通过风电功率预测，可以提前发现潜在的运行风险，为电力系统的安全运行提供保障。
三、风电功率预测方法目前，风电功率预测方法主要包括物理方法、统计方法和组合方法。
1. 物理方法：基于大气物理和气象学原理，通过数值天气预报（NWP）模型获取风力资源的相关参数，进而预测风电场的输出功率。
该方法考虑了风速、风向、温度等自然因素对风电机组的影响，预测精度较高。
然而，其计算复杂度高，对数据要求较高。
2. 统计方法：利用历史数据和统计模型进行风电功率预测。
该方法通过分析历史数据中的风速、风向、温度等与风电功率之间的关系，建立统计模型，然后利用模型对未来风电功率进行预测。
统计方法计算简单，但对历史数据的依赖性较强，对于复杂多变的风电场环境适应性较差。
3. 组合方法：结合物理方法和统计方法的优点，通过将两者进行融合，提高预测精度。
组合方法可以充分利用物理方法和统计方法的优势，既考虑了风电机组的物理特性，又利用了历史数据的统计规律。
四、本文研究内容本文针对风电场风电功率预测方法进行研究，主要内容包括：1. 收集某风电场的历史数据，包括风速、风向、温度等气象数据以及风电场的输出功率数据。
2. 分析历史数据中的风速、风向、温度等与风电功率之间的关系，建立统计模型。
3. 利用数值天气预报模型获取未来风速、风向、温度等参数，结合统计模型对未来风电功率进行预测。
风电功率预测技术综述
风电功率预测技术综述风电功率预测技术综述一、引言随着全球能源需求的增长和对可再生能源的关注度上升，风电作为一种清洁、可持续的能源形式受到了广泛关注。
然而，由于风能的不稳定性和不可控性，风电发电的波动性给电网的稳定运行和电力市场的管理带来了一定的挑战。
因此，准确预测风电功率成为提高风电系统经济性和可靠性的关键技术之一。
本文将综述风电功率预测技术的研究现状和发展趋势。
二、风电功率预测的重要性风电功率预测对电力系统的安全运行和规划具有重要意义。
准确的风电功率预测可以帮助电力系统运营商做出合理调度决策，优化电力资源的配置，降低电网的运行成本。
同时，风电功率预测也对电力市场的管理和规划起到了积极的促进作用，有利于高效利用风能资源，提高市场竞争力。
三、风电功率预测的方法与模型风电功率预测方法主要可以归纳为统计学方法、数学模型方法和人工智能方法。
1. 统计学方法统计学方法是基于历史数据的统计分析，通过时间序列分析、自回归移动平均模型(ARIMA)和指数平滑等方法进行风电功率预测。
这些方法简单易行，但在解释非线性关系和处理时间序列中的噪声方面存在一定的限制。
2. 数学模型方法数学模型方法采用物理学原理和数学方程来描述风电场的发电过程。
基于气象学和风力学模型，如Weibull分布模型、韦伯分布模型和功率曲线模型等，可以实现相对较准确的预测。
3. 人工智能方法人工智能方法包括神经网络、遗传算法、模糊理论等，通过对大量的历史数据进行学习和挖掘，建立预测模型。
这些方法可以处理非线性、非稳态、多变量等问题，具有较高的预测准确度和自适应能力。
四、风电功率预测的挑战与发展趋势尽管已经取得了一定的研究成果，但风电功率预测仍面临一些挑战。
首先，风能的不确定性和波动性导致预测误差较大，限制了预测的准确度。
其次，风电场的复杂多变性增加了预测模型的复杂性和难度。
此外，缺乏高质量的历史数据和标准化的评价指标也限制了预测模型的发展。
为了克服这些挑战，风电功率预测技术将会朝着以下方向进行发展：1. 集成多源数据：利用气象数据、风电场历史数据、机器学习算法等多种数据信息，提高预测精度和稳定性。
《2024年风电功率预测关键技术及应用综述》范文
《风电功率预测关键技术及应用综述》篇一一、引言随着全球能源结构的转型和环境保护意识的提升，可再生能源的开发与利用日益受到重视。
其中，风电作为清洁、可再生的能源形式，已经成为全球能源发展的重要方向。
然而，由于风能的随机性、间歇性和不可预测性，风电功率的准确预测成为风电并网运行和调度管理的重要问题。
本文旨在综述风电功率预测的关键技术及其应用，以期为相关研究提供参考。
二、风电功率预测关键技术（一）数据驱动型预测技术数据驱动型预测技术主要依靠历史数据和统计方法进行预测。
其中，时间序列分析、机器学习和人工智能等方法被广泛应用于风电功率预测。
时间序列分析通过分析历史风电功率数据，建立时间序列模型进行预测。
机器学习和人工智能则通过训练大量的样本数据，学习风能的时空分布规律和风速、风向等气象因素对风电功率的影响，从而提高预测精度。
（二）物理驱动型预测技术物理驱动型预测技术基于风能产生的物理过程和气象学原理进行预测。
该技术利用气象学模型、大气数值预报模型等工具，对风速、风向等气象因素进行预测，进而推算出风电功率。
物理驱动型预测技术的优点在于考虑了风能的物理特性，能够提供更准确的长期预测。
（三）组合预测技术组合预测技术将数据驱动型预测技术和物理驱动型预测技术的优点相结合，通过组合不同的预测方法和模型，提高预测精度。
该技术可以充分利用历史数据和气象信息，同时考虑风能的随机性和可预测性，从而实现对风电功率的准确预测。
三、风电功率预测的应用（一）电网调度与管理风电功率预测在电网调度与管理中具有重要作用。
通过准确预测风电功率，可以合理安排电网调度计划，平衡电力供需，减少电网运行风险。
同时，风电功率预测还可以为电网运行优化提供支持，提高电网运行效率和可靠性。
（二）风电机组控制与维护风电功率预测对于风电机组的控制和维护具有重要意义。
通过预测风电功率，可以实现对风电机组的优化控制，提高风能利用率和发电效率。
同时，还可以根据预测结果合理安排风电机组的维护计划，延长设备使用寿命，降低运维成本。
《2024年风电场风电功率预测方法研究》范文
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的日益重视和清洁能源需求的增加，风电作为一种绿色、可再生的能源，正逐渐成为能源结构中的重要组成部分。
然而，由于风能的间歇性和不确定性，风电场的风电功率预测成为了提高风电利用率和并网安全的关键问题。
本文旨在探讨风电场风电功率预测的方法及其应用。
二、风电功率预测的意义与重要性1. 优化电网调度：通过准确的预测风电功率，电力公司可以更有效地调度其他电源，减少备用容量的浪费，实现电力系统的优化运行。
2. 提高风电利用率：准确的预测有助于提高风电场的运行效率，减少因风力波动导致的弃风现象，从而最大化利用风能资源。
3. 降低运维成本：预测有助于提前发现并处理潜在的设备问题，降低因设备故障带来的损失。
三、风电功率预测的主要方法1. 物理模型法：基于风速、风向、大气压力等物理因素构建数学模型进行预测。
该方法考虑了风能的物理特性，但受限于气象数据的准确性和实时性。
2. 统计学习法：利用历史数据和统计方法进行预测。
包括时间序列分析、机器学习算法等。
该方法对历史数据要求较高，但在数据处理和模式识别方面有显著优势。
3. 混合预测法：结合物理模型法和统计学习法的优点，同时考虑风能的物理特性和历史数据信息，以提高预测的准确度。
四、具体应用方法及实例分析1. 时间序列分析法：该方法利用历史风电功率数据建立时间序列模型，通过分析时间序列的规律性来预测未来的风电功率。
例如，基于ARIMA模型的短期风电功率预测。
2. 机器学习算法：利用神经网络、支持向量机等机器学习算法进行预测。
如深度学习模型在风电功率预测中的应用，通过对大量历史数据进行训练，建立复杂的非线性关系模型，提高预测精度。
3. 混合模型应用：结合物理模型法和统计学习法的混合模型在风电功率预测中的应用。
例如，结合风速物理模型和神经网络算法的混合模型，既能考虑风能的物理特性，又能充分利用历史数据的规律性。
五、挑战与未来展望尽管现有的风电功率预测方法取得了一定的成果，但仍面临一些挑战：1. 数据质量问题：气象数据的准确性和实时性对预测结果有重要影响。
风电场风速及风电功率预测方法研究综述
ａ ｃ ｒｔ ｕ ｒｃ ｌｗｅ ｔｅ ｒｄｃｉｎ （ ｃ ｕａｅ ｎ ｍｅ ａ ａｈ ｒｐｅ ｉｔ ｉ ｏ ＮＷ Ｐ） ｈ ｈ ｓｃｌ ．ｔｅ ｐ ｙｉａ
ｍｅｈ ｓｓ ｌ ｏ ｕ ｅ ｎ ｔ ｅ ｓ ｏ ｒ ｐ ｅ ｉｔ ｎ ａ ｓｍｏ ｅ ｔ ｏ ｉ ｅｄ ｍ ｓ ｄ ｉ ｈ ｈ ｒ ｔ ｍ ｒ ｄｃ ｉ ， ｓｉ ｄ ｌ ｄ ｔ ｅ ｏ ｔ ｉ ｏ ｌ ａｅ ｎ ｅ ｌ ｉ ａ ｇ ｕ ｎ ｉ ｅ ｆ ｃ ｌｕ ａｉ ｎ ． ｓ ｃ ｍｐ ｉ ｔｄ ａ ｄ ｄ ａ ｓ ｗ ｔ ｌｒ ｅ ｑ ａ ｔ ｉｓ ｏ ａｃ ｌ ｔ ｓ ｃ ｈ ｔ ｏ ｈ ｄ ｌ ｏ ｈ ｔ ｔ ｉ ｌ Ｔ ｅ ｍｏ ｅ ｆ ｔ ｅ ｓａｉｔ ａ ｍｅｈ ｄ ｉ ｉ ｌ ｎ ｅ ｕ ｒ ｓ ａ ｓ ｃ ｔｏ ｓ ｓｍｐ ｅ ａ ｄ ｒ ｑ ｉ ｅ ｓ ｌ ｍｏ ｎ ｆ ｄ ｔ．Ｉ ｃ ｎ ｅ ａ ｐ ｉｄ ｉ ｈ ｓ ｓ ｕ ｔ ｎ ｍａ ａ ｕ ｔ ｏ ａａ ｔ ａ ｂ ｐ ｌ ｎ ｔ ｏ ｅ ｉ ａ ｉ ｓ ｌ ｅ ｔ ｏ ｗ ｅ ｅ ｄ ｔ ｃ ｕ ｓｔ ｎ ｉ ｄ伍 ｃ ｌ Ｔ ｅ ＡＩｍｅｈ ｄ ｉ ｕｔ ｂ ｉ ｈ ｒ ａ ａ ｑ ｉｉ ｏ ｓ ｉ ｕ ｔ ｈ ｔ ｏ ｓｓ ｉ ｋ ｎ ａ ｉ ． ａ
Ｃｔ ｅａｎ Ｅｎｅｒ ｙ ｑ
第 ２卷 第 １ ７ 期
２１年 １ ０ １ 月
电网与清洁能源
Ｐ ｗｅ ｙ ｔｍ ｎ ｅ ｎ Ｅｎ ｒ ｙ ｏ ｒ ｓｅ ａ ｄ Ｃｌａ ｅ ｇ Ｓ
Ｖｏ ．７ Ｎｏ １ １ ２ ．
Ｊ ｎ ２ １ ａ．０１
文章编号 ：６４ ３ １ （０ １０ — ０ ０ ０ １７ — ８ ４ ２ １ ）１０ ６ — ７
中图分类号 ：Ｍ １ Ｔ ６４
风速及风功率预测方法研究综述
本 低 且规 模效 益 显 著 等 优 点 ， 已经 受 到 广 泛 重 视 且 发 展 迅 速 … 。 目前 国 内外 对 风 力 发 电 各 种 课 题 的 研 究 越来 越 深入 ， 但 是 对 风 速 和 功 率 预 测 的研 究 还
没有 达 到令 人满 意 的程度 Ｊ 。
预测 的第 一 步 ， 是其他模 型的辅助输 入量来使用 。
２ ０ １ ５年 ５月 第 １ ８卷 第 ５期
２ ０ １ ５，Ｖｏ ｌ ，１ ８，Ｎｏ ． ５
贵 州电力技术
ＧＵＩ ＺＨＯＵ ＥＬＥＣＴＲＩ Ｃ ＰＯＷ ＥＲ ＴＥＣＨＮＯＬＯＧＹ
电 网 科 技
Ｐ ｏ ｗ ｅ ｒ Ｇ ｒ ｉ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
风 速 及 风 功 率 预 测 方 法 研 究 综 述
持续 法 是 风 速 预测 中最 简 单 的方 法 ， 即把 最 近
一
选 择合 适 的输入 变 量对 于构 建 一个 高效 的风 速 预测 模 型是 十分 重要 的。不 同类 型 的模 型需 要不 同 的输 入 变量 。 对 于 物 理模 型 ， 它 主要 通 过 物 理 参考 量 来 对 风
风速本 身也 是 时间序 列 ， 因此越 来越 多 的学 者采
用时 间序 列法 。时间序列预测 法 的基本思 想是 ： 首先
假设所分 析 的时 间序列是 由某 个 随机过程 产生 的 ， 然 后用 时间序列 的原 始数 据 建立 一个 描 述该 过 程 的模 型， 并进行 参数估计 ， 此后运用 所建 立 的模 型 ， 在 已知 时 间序列 在过去 和现在 的观测值 的情况下 ， 求得 时 间 序列未来 的预 测值 。在 使用 时间序 列 法进 行 风速 预
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
———————————————————基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。
第27卷第1期2011年1月电网与清洁能源Power System and Clean EnergyVol.27No.1Jan.2011文章编号：1674-3814（2011）01-0060-07中图分类号：TM614文献标志码：A风电场风速及风电功率预测方法研究综述洪翠，林维明，温步瀛（福州大学电气工程与自动化学院，福建福州350108）Overview on Prediction Methods of Wind Speed and Wind PowerHONG Cui,LIN Wei-ming,WEN Bu-ying（College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ）ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method,statisticalmethod,learningmethodandthecomprehensive one combining all the other methods.Based onaccurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents abrief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods;learning methods;combinatorial prediction摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。
现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。
基于数字天气预报（NWP-numerical weather prediction ）的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少，较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。
本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。
关键词：风电预测；统计方法；学习方法；综合预测随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。
2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。
风力发电是风能的主要利用方式之一。
2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。
中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。
近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。
除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。
随着规模越来越大、数量越来越多的风力发电功率注入电网，风能具有的随机性对电力系统的影响越来越不可忽视。
1风电预测的意义准确有效地预测出风电场的输出功率不但可帮助电力系统调度运行人员做出最有效决策，还可为电力市场条件下并网风电功率趸售提供相关依据。
并网风电场的输出功率受风能随机性影响很大，保证电力系统安全可靠运行成为制约风电功率注入水平的因素之一，有效的预测将在提高风电注入功率水平等方面发挥出重要作用[5-6]。
只有较为准确地预测出并网风电机组的功率输出，才能有效提高电力系统运行可靠性[7]，为电网运行调度提供可靠依据，有效地降低风力发电成本，减轻风力发电可能对电网造成的不良影响，提高风电穿透功率极限[8]。
开放电力市场条件下，风电趸售除需考虑风力发电的不确定性之外[9]，预测误差的相关成本也是考虑因素之一，研究表明该项成本可以达风电场发电收益的10%[10]。
另外，风电场输出预测还可为评估风能资源与风电价值，诊断风电机组性能，最大限度利用风电机组、减少风电备用机组等提供依据[11]。
2风速及风电功率的预测方法基于风速预测结果利用风速与风力机组出力的关系式计算可获得风电功率的预测值，利用已有的风电功率数据建模计算分析亦可获得风电功率的预测值，因此在研究各种预测方法时，可将风速与风电功率预测综合考虑。
长期的风电功率预测涉及国家政策、法规及能源资源远景规划等方面问题，不确定性较强。
灰色理论可以一定地处理这些不确定性的影响，可进行灰色建模，预测风电系统的装机容量以及出力的大小[12]。
更多的风电功率预测研究是集中在中、短期预测[13]。
或是基于物理模型根据数字天气预报（NWP）获得预测结果，或基于已有风速与风电功率数据利用统计方法获得预测结果[14]，还可引入人工智能技术以基于学习的方法进行预测[29]。
此外，若已有风电功率数据显现出高度拟合的特性，短期预测时还可采用持续法以当前数据作为下一个时刻的预测值。
2.1基于数字天气预报（NWP）的预测基于NWP的风电功率预测方法已较成熟，这是人们比较认可用于较长时间风电功率预测的一种较为准确方法。
该预测法较适用于风能资源评估时使用。
为了优化地使用NWP数据，可采用结合模糊逻辑的神经网络模型，利用支持向量机进行预测[15]。
不过，基于NWP的预测数学模型复杂，需运行在超级计算机上，其应用有一定的局限性，有时短期预测的有效性还不如持续型预测模型[16]。
可利用改进的NWP数据进行短期风电功率预测，通过从邻近风机获得的测量数据提高本风力机预测水平，进一步提高预测质量[17]。
2.2以时间序列法为代表的统计预测1）经典时间序列法。
风电场气象记录数据一般包括各个时间点或是时间段（10分钟或1小时）内的风速大小、方向以及温度和气压等数据[18]，记录于风电场SCADA系统中。
这些数据，均具有按照时间排序以及取值离散的特性。
时间序列法是风电预测的一种常用方法[19]，采用时间序列法预测风电场短期风速的误差可小于10%[20-21]。
利用时间序列建模方法中最为成熟的一种当属自回归滑动平均（ARMA）模型。
不过，ARMA模型虽然能够描述线性的动态过程，但它仅适用于零均值的平稳随机序列。
风速或者风电功率的时间序列具有非平稳随机序列的特点，因此，建立风速或风电功率预测的ARMA模型时首先需进行数据时间序列增加趋势性及周期性的非平稳化处理。
模型建立之后，可通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定通常采用最小二乘法[22]。
2）一些改进的时间序列法。
采用传统时间序列法预测风速或风电场功率时，可能遇到超前一步预测有延时或某些预测点精度不能满足要求的问题，此时可借助卡尔曼滤波法及滚动时间序列来改进原有预测模型[23-24]。
以时间序列法预测为基础加以改进的风速或风电场输出功率预测方法还包括：引入经验模式分解（Empirical Mode Decomposition），对时间序列信号进行平稳化处理的风电场短期风速预测[25]；采用局域波分解方法，将随机性很强的非平稳的风速信号分解成有限个数的较平稳信号，在分解基础上运用时间序列分析方法对各个局域波分量进行建模预测的风电场风速预测等[26]。
考虑到风速或者是风电场输出功率时间序列本身所具有的混沌性及混沌时间序列的短期可预测性，也可采用混沌的方法预测风电场的短期风速或者是风电输出功率[27-28]。
第27卷第1期电网与清洁能源612.3以神经网络法为主的学习预测1）神经网络预测方法。
用经典的数学统计方法预测风速及风电功率具有速度快、预测模型一般较简单的特点。
但由于电力系统及风速均为复杂的非线性动态过程，当所使用模型不能准确地描述出风速或风电场功率的实际变化情况时，用该类方法势必一定程度地影响到预测结果的精度。
人工智能方法一般无需研究对象的精确数学模型，可有效弥补传统方法单纯依靠数学求解的不足。
风速及风电功率预测中使用较多的人工智能方法是神经网络模型[29]。
可将风速、风向、气温、气压、湿度等影响风电场输出功率的因素作为输入，建立图1所示BP 型神经网络模型预测风电功率[30]。