基于风力发电的风功率预测综述
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年风电集群短期及超短期功率预测精度改进方法综述》范文
《风电集群短期及超短期功率预测精度改进方法综述》篇一一、引言随着全球能源结构的转型，风力发电作为清洁可再生能源的代表，在电力系统中扮演着越来越重要的角色。
然而，风电的间歇性和波动性给电力系统的稳定运行带来了挑战。
为了有效利用和管理风电资源，提高风电集群短期及超短期功率预测的精度成为了研究热点。
本文将针对这一领域，对现有功率预测精度改进方法进行综述。
二、风电功率预测的意义及挑战风电功率预测是指通过预测模型，根据风能资源的特性和环境因素，对未来一段时间内风电场的输出功率进行估计。
这种预测不仅有助于电力系统的调度和运行，还有助于优化电力设备的配置和维护，降低能源浪费。
然而，由于风能的随机性和不确定性，以及风电设备的复杂性，风电功率预测仍面临诸多挑战。
三、短期及超短期风电功率预测方法（一）短期风电功率预测短期风电功率预测通常以小时为单位，主要依赖于历史数据和气象信息。
常用的方法包括物理模型、统计模型和混合模型等。
物理模型基于风力发电的物理原理进行预测，统计模型则通过分析历史数据和气象因素的关系进行预测，而混合模型则结合了两种或多种方法的优点。
（二）超短期风电功率预测超短期风电功率预测的时间尺度通常在分钟级甚至秒级，对电力系统的实时调度具有重要意义。
该方法主要依赖于实时气象数据和风电设备的运行状态。
常用的方法包括基于机器学习的模型和基于物理特性的模型等。
四、功率预测精度改进方法（一）数据预处理方法为了提高预测精度，首先需要对原始数据进行预处理，包括数据清洗、去噪、特征提取等步骤。
这些方法可以有效地提高数据的准确性和可靠性，为后续的预测模型提供高质量的输入数据。
（二）优化算法和模型针对不同的预测方法和模型，通过优化算法参数、改进模型结构等方式，可以提高预测精度。
例如，在统计模型中，可以通过优化参数选择和模型训练来提高预测精度；在机器学习模型中，可以通过引入新的算法和优化现有算法来提高模型的泛化能力和预测能力。
《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可再生能源的快速发展，风电作为清洁、可再生的能源形式，越来越受到各国的重视。
风电功率预测作为风电并网和运行的关键技术之一，对于提高风电的利用率、减少弃风现象、优化电网调度等具有重要意义。
本文旨在综述风电功率预测的关键技术及其应用现状，以期为相关研究与应用提供参考。
二、风电功率预测的关键技术1. 数据采集与预处理技术数据采集与预处理是风电功率预测的基础。
通过对风电场的历史数据、气象数据、地形数据等进行采集和预处理，提取出对风电功率预测有用的信息。
此外，还需要对数据进行清洗和校正，以消除异常数据和噪声干扰。
2. 预测模型构建技术预测模型是风电功率预测的核心。
目前，常用的预测模型包括物理模型、统计模型和机器学习模型等。
物理模型基于气象学原理和风电场特性进行预测，统计模型则通过分析历史数据找出风电功率与气象因素之间的统计关系，而机器学习模型则通过学习大量数据找出风电功率的规律和趋势。
3. 预测算法优化技术针对不同的预测模型，需要采用相应的优化算法来提高预测精度。
常见的优化算法包括支持向量机、神经网络、集成学习等。
这些算法可以通过对历史数据进行学习和训练，找出风电功率的变化规律和趋势，从而提高预测精度。
三、风电功率预测的应用现状1. 风电并网与调度风电功率预测技术可以帮助电力系统调度中心准确掌握未来一段时间内的风电功率变化情况，从而合理安排电网调度，提高风电的利用率和电网的稳定性。
此外，还可以通过预测结果对风电场进行调度优化，减少弃风现象。
2. 风电场规划与设计风电功率预测技术可以为风电场的规划和设计提供重要依据。
通过对历史数据和气象数据的分析，可以找出风电场的最优布局和风电机组的配置方案，从而提高风电场的发电效率和经济效益。
3. 电力市场交易在电力市场交易中，风电功率预测技术可以帮助电力生产商和电力交易商准确掌握未来一段时间内的电力供需情况，从而制定合理的电力交易策略，提高电力市场的竞争力和效益。
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年多时空尺度的风力发电预测方法综述》范文
《多时空尺度的风力发电预测方法综述》篇一一、引言随着全球能源结构的转型，风力发电作为清洁可再生能源的代表，正逐渐成为能源领域的研究热点。
然而，风力发电的间歇性和不确定性给电力系统的稳定运行带来了挑战。
因此，对风力发电进行准确预测，尤其是在多时空尺度下的预测，对于提高电力系统运行效率和稳定性具有重要意义。
本文将对多时空尺度的风力发电预测方法进行综述，分析其研究现状、方法、挑战及未来发展趋势。
二、风力发电预测的研究现状风力发电预测经历了从单一尺度到多时空尺度的演变。
在单一尺度下，主要关注的是短期内的风速和功率预测。
随着研究的深入，学者们开始关注多时空尺度的预测，包括超短期、短期、中期和长期等多个时间尺度的预测。
此外，空间尺度的扩展也使得区域性乃至全球性的风力发电预测成为可能。
三、多时空尺度的风力发电预测方法（一）超短期预测超短期预测主要关注未来几分钟至几小时的风速和功率变化。
常用的方法包括基于物理模型的方法、基于统计学习的方法和基于机器学习的方法。
其中，机器学习方法在处理非线性、复杂的风速变化方面具有较大优势。
（二）短期预测短期预测主要关注未来数天的风速和功率变化。
在短期预测中，常用的方法包括时间序列分析、卡尔曼滤波等。
此外，结合气象预报信息，可以提高短期预测的准确性。
（三）中期和长期预测中期和长期预测主要关注季节性或年际尺度的风速和功率变化。
这些预测方法通常需要结合气候学、大气环流模型等知识，以及大量的历史数据进行分析。
（四）空间尺度扩展在空间尺度上，多时空尺度的风力发电预测需要考虑到地理位置、地形、气候等多种因素的影响。
因此，需要将地理信息系统（GIS）技术与风力发电预测方法相结合，实现区域性乃至全球性的风力发电预测。
四、挑战与未来发展尽管多时空尺度的风力发电预测方法取得了一定的研究成果，但仍面临诸多挑战。
首先，风速和功率的预测精度仍有待提高，特别是在极端天气条件下的预测。
其次，多时空尺度的预测需要处理大量的数据和信息，对计算能力和算法的要求较高。
风电功率预测技术综述与改进建议
风电功率预测技术综述与改进建议张文秀;武新芳;陆豪乾【摘要】With large scale wind power integrated into power system,in order to ensure the safe operation of power grid,it is necessary to predict the wind power generation.This paper introduces the prediction methods of wind power generation generally according to different classification criterion,then analyzes the wind power generation technologies based on historical and numerical weather respectively,and summarizes the main mod-els of wind power generation and its advantages and disadvantages,analyzes the predition evaluation index. Draws the conclusion that choosing the reasonable prediction model and optimizes its performance is the key to the wind power generation .After reviewing the status of the predition technologies at home and abroad,some existing problems in the current is pointed out,finally some advice about wind power generation research and development is proposed.%随着大规模风电接入电力系统，为了保证电网安全、稳定运行，需要对风电功率进行预测。
《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。
- 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)。
基于风力发电的风功率预测综述随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。
可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。
本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。
标签：风功率预测；预测方法；发展方向前言由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。
但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。
有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。
1风电场功率预测分类按照不同的分类标准，风电场功率预测方法分类方式不同。
1.1按预测时间尺度分类风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。
（1）长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。
这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。
（2）中期预测：以“天”为预测单位。
中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。
一般是利用数值天气预报系统的数据进行预测。
主要用于安排检修或调试。
（3）短期预测：以“小时”为预测单位。
一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。
一般是基于数值天气预报模型和历史数据进行预测。
1.2按预测模型对象分类按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。
按预测对象范围的不同，可分为对单台风机功率的预测、对整个风电场功率的预测和对一个较大区域（多个风电场）的预测。
1.3按预测模型原理分类按预测模型的原理不同，可分为物理方法、统计方法和学习方法。
1.3.1物理方法物理方法主要是通过数值天气预报系统提供的气象数据转化成当地风电场中各个风机的风速，然后利用厂家提供的风机功率曲线进行预测。
1.3.2统计方法统计方法是利用各种历史数据和实时数据，建立系统输入与输出间的函数关系，通过建立的函数关系实现风电场功率预测。
统计方法主要包括卡尔曼滤波法、自回归滑动平均法、时间序列法、灰色预测法等。
该方法短时间预测精度较高，随着时间增加，预测精度下降。
统计方法一般需要大量的历史数据进行建模，对初值较敏感，进行平稳序列预测精度较高，对不平稳风和阵风的预测精度较低。
1.3.3学习方法学习方法包括小波分析法、神经网络法和支持向量机法。
神经网络法的优点明显，它具有自组织、自学习和自适应的能力，对复杂的非线性映射能力具有很好的组织能力，广泛应用于各个行业中。
同样，风功率预测中利用神经网络法将NWP中和SCADA系统中与风功率有关的数据作为输入，将风功率作为输出就可以进行风电场输出功率的预测。
比较分析得知神经网络预测法较统计方法预测精度高，但该方法需要大量原始数据，训练速度较慢，存在过学习、维数灾难、局部极值和泛化能力较差等问题，如何应用人工神经网络法构造出适宜实际应用的风电功率预测模型还比较困难，输入数据和模型结构没有明确一句。
文献[2，3]采用支持向量机法进行风电功率预测，结果较为理想。
文献[4]应用最小二乘向量机法（LS-SVM）建立预测模型，并与时间序列法、神经网络法比较，发现LS-SVM 方法具有更高精度。
支持向量机法运算精度受所选核函数结构影响较大，对于风电功率预测，核函数选取的准确性和完善性还有待进一步研究。
目前学习方法被不断整合入预测软件的开发，有利于提升对阵风、非平稳风等突变类型的预测研究。
1.4组合预测方法组合预测方法是Bates 和Granger 在1969 年提出的一种预测方法[5]，基本思想是将不同的预测方法和模型通过加权组合起来，充分利用各模型提供的信息，综合处理数据，最终得到组合预测结果。
风电功率组合预测方法，就是将物理方法、统计方法、学习方法等模型适当组合起来，充分发挥各方法优势，减小预测误差[6]。
文献[6]分别利用BP 神经网络、径向基神经网络、支持向量机及三种方法的加权组合，对风电功率进行预测，结果表明应用组合预测模型，可以大大减少较大误差预测点，提高预测精度。
组合预测方法的一个关键问题是如何找到合适的加权平均系数，使各单一预测方法有效组合起来。
目前应用较多的方法有等权重平均法、最小方差法、无约束（约束）最小二乘法、Bayes 法等。
1.5区域预测方法区域风电功率预测是指将同一区域中的各风电场视为一整体进行风电功率预测。
其主要原理在于同一区域内各风电场的气象信息具有很大相关性，受气象条件影响的规律也基本一致。
在实际预测时可通过相应方法将预测区特征信息与历史区域风电功率特征信息进行关联分析，利用相似度高的样本来提高预测精度。
区域预测方法适用于电网层面上的关于节点的风电功率预测和整体调度，不计较单一风电场发电量，实际操作性较强，有利于减少局部因素的影响，提高预测精度。
当然为了获取区域单一风电场发电功率，需要进行场间的相关性分配，过程较为繁琐复杂。
2国内外研究现状国外很多国家对于风功率预测的研究已经有近20年了，目前有多套成熟的商用风功率预测软件。
1990年丹麦国家实验室的物理预测模型Prediktor是全球第一个风电功率预测软件，之后丹麦技术大学开发了WPPT 系统，两者目前整合为Zephry系统。
德国奥尔登堡大学开发了Previento系统，德国太阳能研究所拥有风电功率管理系统（WPMS）。
美国的AWS Truewind公司开发了eWind系统。
其余；其余还包括西班牙的Sipreolico、爱尔兰的Honeymoon系统。
这些风电预测系统都具有较为相似的预测框架，多是基于气象部门提供的数值天气预报数据，采用计算流体力学（CFD）或者中尺度气象模型（如MM5）进行物理降尺度，以此作为输入量，再采用综合的物理、统计和学习方法进行预测。
系统短时预测误差为10% ～15%，主要原因在于数值天气预报的误差和模型的系统误差。
早期风电功率预测系统多基于单一的物理方法、统计方法或学习方法，输入信号为数值天气预报数据，随着电力系统自动化技术和通信信息技术的发展，现在的预测系统多以数值天气预报和实时数据作为输入量，采用综合方法进行预测，提高了预测准确性。
我国风力发电技术起步较晚，对于风电场预测系统的研究也不如国外成熟。
2008年12月我国首个风电预测系统WPFS Ver1.0投入运行，由中国电力科学研究院研究开发而成。
该系统运用物理和学习方法使得预测误差低于20%。
另一套投入试运行的预测系统，由内蒙古电力集团开发，预测误差在22% 左右。
我国其他地区（如宁夏、甘肃等）也在积极探讨风电功率预测系統的开发。
3 风功率预测的研究发展方向风电功率预测是比非常复杂的非线性系统问题。
成熟的预测系统应该在以下两方面进行处理：首先，对系统模型的输入数据的真实有效性，如果出现数据丢失和失真，应该找个有效可行的方法对数据进行处理。
再好的模型，如何输入的数据偏差过大，那么预测的结果误差必然很大。
此外，模型选择的方法的适用性。
上述的各种预测方法很多都已经应用于实际。
如何对某一风电场或者是某一区域风电场建立适宜的预测模型也是不同的。
一种方法进行深入的优化处理往往也会取得比较好的预测精读。
具体来说，有以下改进方形：（1）提高输入数据的准确性，剔除奇异值，对误差较大的点进行平滑处理。
预测时，不能只利用风速历史数据，应考虑大气温度、湿度、空气密度以及地形等对风速，乃至风功率的影响。
（2）选择适宜的风功率预测方法，并且在采用风电功率预测方法时应综合利用各种方法，可扬长避短，提高预测精度，保持预测精度的稳定性，避免局部最小化等问题。
（3）提过数值天气预报系统的预测准确度，对恶劣天气出现的较大偏差加强应对处理能力。
改善数值天气预报系统的分辨率，减小气象信息数据误差。
提高风机厂家提供的风电功率曲线参数拟合准确性。
（4）在可能的区域里，采用区域预测方法来提高预测精精度。
4结束语随着我国风力发电的迅猛发展，风功率短期预测是提高风电穿透功率的重要途径之一。
同时，有效地风功率预测还可以更加合理的安排调度计划，改善电网调峰能力，提高系统运行的安全性和可靠性水平。
本文介绍了目前常用的风电功率预测方法，并简单论述了风电功率预测的发展方向。
参考文献：[1] 杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.[2] 戚双斌，王维庆，张新燕. 基于SVM 的风速风功率预测模型[J]. 可再生能源，2010，28（4）.[3] 戚双斌，王维庆，张新燕. 基于支持向量机的风速与风功率预测方法研究[J]华东电力，2009，37（9）.[4] 杜颖. 风电场风速及发电功率的概率预测研究[D].重庆：重庆大学，2008.[5] BATES J M，GRANGER C W J. The combination of forecasts.Operational ResearchQuarterly，1969，20（4）：451-468.[6] 张国强，张伯明. 基于组合模型预测的风电场风速及风电机功率预测[J]. 电力系统自动化，2009，33（18）.。