风电功率预测文献综述
《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。
《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。
基于风力发电的风功率预测综述
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。
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)。
风电功率预测方法的研究摘要由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。
进行风电功率预测并且不断提高预测精确度变得越来越重要。
通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。
根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。
关键词：风电功率预测；电力系统；风力发电；预测方法；引言随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。
风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。
根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。
其中，中国风电新增装机容量达30500MW，占市场份额48.4%。
全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。
目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。
当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。
根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。
本文主要研究不同的风电功率短期预测方法的优缺点。
通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。
课题国内外现状国外对于风电功率预测的研究起步早，始于80年代，随着其研究的不断深入，其预测技术越来越完善、预测精度不断提升。
目前发达国家像美国、德国、西班牙、丹麦等风电功率预测技术较为成熟。
丹麦国家研发的典型的风电功率预测系统有Prediktor、WPPT、Zephyr。
其中Prediktor系统是全球第一个风电功率预测软件、其采用物理预测模型，其能够根据高空的数值天气预报的风速得到某一地面的风速；WPPT系统使用自回归统计算法，功率被认为是一个随时间变化的非线性随机过程；而Zephyr则是将上述两种预测模型结合起来，其集中了两种预测模型的优点。
美国研发的eWind系统组合了多个统计模型像多元线性回归、支持向量回归、人工神经网络等集合生成预测结果。
该系统基于高分辨率的数值天气预报模型，具有先进的统计预测技术，目前为CAISO、ERCOT、NYISO 等电网运营商提供预报服务。
德国研发的Previento系统通过对气象部门提供的数值天气预报结果进行空间细化，结合风电场当地具体的地形、海拔高度等条件，根据其风电机组相应的功率曲线把预测的风速转化为预测的输出功率。
其他典型的风电功率预测系统还有西班牙的AWS Trewind系统、法国的AWPPS系统、欧盟的ANEMOS项目。
国外发达国家较为成熟的风电功率预测技术是其更高的风电功率普及率的保障。
这些发达国家往往有很好的数值天气预报系统为风电功率预测提供支持，但从全球范围上看数值天气预报技术不够完善普及。
现发达国家研究的重点在于通过人工智能算法研发出更精确的预测模型、寻找更好的将统计模型与组合模型结合起来的方式方法以及开发相应的技术与工具对预测结果的不确定性进行评估。
我国在风电功率预测技术方面的研究起步较晚，很多研究只停留在理论方面而实际应用方面的工作相对滞后。
但目前很多风电功率预测预报系统已被国内的一些科研机构和高校开发出来。
例如湖北气象中心的WPPS系统、中国气象局公共服务中心的WINPOP系统、中国电科院的WPFS系统、华北电力大学的SWPPS系统等。
WPPS系统使用C#做为开发语言，其具有根据实际风电场情况采用合适的算法模型的优点，目前已投入湖北省的九宫山风电场和新疆的乌兰达布森风电场使用。
WINPOP系统采用C/S结构，以全球天气分析服务系统为基础进行开发，运用了SVM、人工神经网络、自适应最小二乘法等多种算法进行风电功率预报。
WPFS采用B/S结构，使用Java语言进行开发，其能够对单独风电场或者特定区域的集群预测。
该系统不仅可以设置每日预测的时间和次数，还能够对风机故障与限电等特殊情况进行功率预测。
总体来说，我国风电功率预测方面的研究取得了一定的成果，一些学者也提出了不同于传统方法的新型研究方法和技术[22]。
但是在中国，并没有针对这个方面的数值天气预报，这将严重的制约我国在风电功率预测方面的进一步发展。
目前在预测的精确度方面有待提升，根据其预测结果安排发电计划有相当大的风险。
预测时长尺度还不能满足要求。
预测方法概述风电功率预测方法从时间上可划分为超短期预测、短期预测、中长期预测三类。
超短期预测预测时长为未来几个小时内，用于风电的实时调度；短期预测预测时长为未来三天内，主要用于机组组合和备用安排；中长期预测时长为未来三天至一周及一周以上，用于风资源评测和检修安排等。
从预测模型上可以划分为物理方法、统计方法、及组合模型方法三类。
物理模型主要是根据气象部门提供的数值天气预报结果来模拟风电场范围内天气，并将预测到的风电场内风向、风速、大气压、空气密度等天气数据结合风机周围物理信息与风电机组轮毂高度等信息建立物理预测模型，最后利用风电机组功率曲线得到预测功率。
物理法预测风电功率时，往往要考虑尾流效应的影响。
从空间角度来看，风速序列表现出无规律、大幅度的波动；从时间角度来看，风速包含的趋势分量取决于大气分量的持续性而随机分量取决于大气运动情况，因此难以建立普适性的物理模型进行分析和预测，给预测结果带来了无法避免的误差。
由于物理方法是建立在数值天气预报之上，因而预测结果往往取决于数值天气预报结果的准确性。
统计方法是通过一种或多种数学工具建立历史数据、天气预报数据、预测数据之间的函数关系，其本质是挖掘出蕴含在大量数据下的规律，并根据规律来进行预测。
风电功率预测中常用的统计算法有时间序列算法和机械学习算法。
时间序列算法主要有：自回归模型、滑动回归模型、自回归滑动平均模型。
其主要建立输入与输出之间线性的映射关系，并要求时间序列为平稳时间序列，对于非平稳时间序列要进行处理得到平稳、正态、零均值的时间序列。
机械学习算法主要有：遗传算法、人工神经网络、模糊逻辑、支持向量机等。
其理论上可以对任意非线性关系进行无限逼近。
组合模型预测方法是在多种预测方法的基础上，通过综合利用各种方法预测结果来得出最终的预测结果。
组合预测模型由于集合了各种单个预测方法的优点，通常其最终预测结果要好于其单个预测方法。
从建模对象来分可分为基于风速和基于风电功率两种预测方法。
基于风速预测方法先预测出风电场附近的风速，再根据风机的功率曲线计算出预测的输出风电功率。
由于基于风速预测模型受到风速测量塔安装的限制，因此在有多个风电机组的风电场内不能得到所有风机处的准确风能信息，并且风速和风电功率并非线性关系，当风速预测值存在微小的误差都可能产生较大的功率值误差。
常用的短期风电预测方法时间序列法通过分析与挖掘现有的数据来建立相应的的数学模型，建模过程包括对处理历史数据、模型识别、确定参数、校验模型适用性等。
该方法建模容易，结构较为简单，但是其需要大量的历史数据，非线性关系无法拟合，预测时间越长，预测精度越低。
人工神经网络法[18-20]是模拟人脑神经过程，其能够对历史数据进行学习从而实现对复杂问题的处理，目前已被大量应用于短期风电功率预测当中。
其模型建立的过程包括对预处理数据、确定其网络模型、选择网络参数、数据训练、网络测试。
该方法对于数据的质量要求不高，不需要建立先验模型，但是其需要长时间的训练过程和大量的训练数据，难以确定网络结构和参数等问题。
支持向量机（SVM）是在统计学习理论基础之上提出来的，其对于非线性、小样本方面当中的预测具有较好的效果。
其建模过程有样本数据的预处理、选择合适的核函数、确定相关、数据的训练、执行预测。
该方法能够在小样本数据中获得较好的预测效果，没有过学习和易陷入局部最小等缺点，对新鲜样本的学习适应能力很强，但其对于大量数据的处理能力不强，要确定最适合的核函数和最优参数往往需要其他理论。
模糊逻辑是在充分利用专家经验的基础上，结合现有的历史数据，得出相应的模糊逻辑推理规则。
应用该方法进行预测由于发挥了专家经验的优势，能够对风电输出功率预测当中的模糊现象进行处理。
但其更多的受到主观经验的影响，学习能力弱，当有较多的规则时，就要耗费很多的从处理时间。
由于大气运动过程具有混沌特性，其运动过程短期内系统发散较小，因此在短期内根据混沌理论进行风电功率预测是可行的。
该方法符合大气运动的自然特性，但是初始条件的微小变化都将引起预测精度大幅度下降，并且只能用于短期内的风电功率预测。
分析各种预测方法的优缺点，通过对不同的预测方法的取长补短综合得出最终的预测结果就是组合模型方法。
根据相关研究成果其预测结果通常优于单一预测方法的结果。
总结对于我国来说，中国风能资源丰富，但是相对的我国风能资源分布地区广，情况复杂，各地区建立的风电场情况各有不同，风电场周围情况，风电场运营历史数据等资料的建立不同的风电场有不同的情况，因而在不同情况下对风电场功率预测方法的选择也要根据实际情况来考虑，要根据不同的风电功率预测方法的优缺点结合具体风电场的实际情况来选择适合的风电功率预测技术。
参考文献[1] 2015年全球风电装机容量，中国贡献最大.铁甲工程机械网,2016-03-14.[2]2015年中国风电行业发展现状及竞争格局分析.中国产业信息网行业频道,2016-01-18.[3] 陈正洪, 许杨, 许沛华, 等.风电功率预测预报技术原理及其业务系统. 北京: 气象出版社, 2013.[4] 王瑞雪,刘博. 浅谈我国风电产业发展现状及前景[J]. 城市建设理论研究.2015,14(1).[5] 孟静.风电功率预测[J]. 武汉理工大学.2012,4(21-22).[6]宁美凤.风速及风电功率短期预测方法研究[D]. 郑州市中原区科学大道100号:郑州大学.2012-5.[7]2015风电产业发展情况.国家能源局网站.2016-02-02.[8]段学伟,王瑞琪,王昭鑫,郎澄宇,孙树敏,赵鹏.郑伟. 风速及风电功率预测研究综述[J].山东电力技术,2015,210(42):26-31.[9]钱晓东,刘维奇.基于时间序列分析的风电功率预测模型.[J].电力学报,2015,29(4).[10] 徐敏，袁建洲，刘四新，郭含. 基于支持向量机的短期风电功率预测[J].南昌大学学报,2012,34(2).[11] 邱潇钰，张化祥.概论核方法及核参数的选择.信息技术与信息化，2007,6:62-65.[12] 武小梅,白银明,文福拴等.基于RBF神经元网络的风电功率短期预测[J].电力系统保护与控制,2011,39(15):80-83.[13] 杨桂兴.对风电功率预测系统中预测精度的讨论[J].电网与清洁能源,2011,1(1)[14] 徐曼,乔颖,鲁宗相. 短期风电功率预测误差综合评价方法[J].电力系统自动化,2011,35(12):20-26.[15]孟岩峰，胡书举，邓雅，许洪华.风电功率预测误差分析及预测误差评价方法.[J].电力建设,2013,[16] 风电场功率预测预报管理暂行办法[S].北京：国家能源局，2011[17] 风电功率预测功能规范[S].北京：国家电网公司，2011[18]杨世成.基于人工神经网络的风电功率预测[D].北京市昌平区北农路2号：华北电力大学.2011-3.[19] 杨志凌,曾宇,刘永前等.基于粒子群神经网络的风电功率预测算法[C].//2010年全国高性能计算学术年会(HPC china2010)论文集.2010:586-592.[20] 刘永前,朴金姬,韩爽等.风电场输出功率预测中两种神经网络算法的研究[J].现代力,2011,28(2):49-52.[21] Zhengtang Liang , Jun Liang, Chengfu Wang, Xiaoming Dong, Xiaofeng Miao, Short-term wind power combined forecasting based on error forecast correction [J]. Energy Conversion and Management 2016(119) 215–226.[22] Haijian Shao , Xing Deng . Short-term wind power forecasting using model structure selection and data fusion techniques [J]. Electrical Power and Energy Systems 2016(83)79-86.。