风电场风速预测研究综述
风电场的风速预测技术研究
风电场的风速预测技术研究第一章：引言风电是一种清洁能源，受到越来越多的关注和推崇。
然而，对于风电场来说，风资源的可变性是一个挑战。
因此，准确预测风速成为了风电场运营和管理的重要问题。
本文将对风电场的风速预测技术进行研究和探讨。
第二章：风速预测的重要性风速的准确预测对于风电场的运营和发电量的规划十分重要。
准确的风速预测可以帮助风电场实现最佳发电量和运营效率。
同时，风速预测还可以提前发现可能的风险，例如风暴、雷暴等极端天气，为风电场的安全管理提供参考。
第三章：风电场的风速预测方法3.1 气象学方法气象学方法是最常用的风速预测方法之一，主要基于气象观测数据和数学模型。
该方法可分为统计方法和物理方法两大类。
统计方法通过分析历史气象数据，建立统计模型来预测未来风速。
物理方法基于大气动力学和涡旋流理论等原理，以风场的环境因素为输入，通过数学模型计算并预测风速。
3.2 数学模型方法数学模型方法使用数学和统计工具，通过建立和优化各种数学模型来进行风速预测。
常见的数学模型包括神经网络模型、支持向量机模型和回归模型等。
这些模型通过分析历史气象数据和其他相关数据，挖掘其内在规律，并用于未来风速预测。
3.3 数据驱动方法数据驱动方法是近年来发展迅速的一种风速预测方法。
该方法主要基于机器学习和人工智能技术，通过大量的历史风速数据和其他相关数据，训练预测模型，并用于未来风速的预测。
常见的数据驱动方法包括基于统计的回归模型、支持向量回归模型和深度学习模型等。
第四章：风速预测模型的评估指标对于风速预测模型的评估，需要选择合适的评估指标来衡量模型的准确性和稳定性。
常见的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)和相关系数等。
这些指标可以帮助我们判断模型的拟合程度和预测效果，并选择最优的风速预测模型。
第五章：风速预测技术的应用5.1 发电量优化风速预测技术可以帮助风电场优化发电量和发电效益。
通过准确预测未来的风速，风电场可以调整风机的输出功率，实现最大化发电效益。
风电场中的风速预测研究
风电场中的风速预测研究随着环保意识的提高，可再生能源日益成为我们的重要选择，其中风能是一种无疑的选择。
风能在发电中非常重要，然而当风速变化无常时，这会给风电场带来很大的困难，导致风电场的发电效率下降，甚至无功离线。
因此，风速预测成为风电场运营中的重要问题。
本文旨在介绍风电场中的风速预测以及其研究。
一、风速预测的意义首先，我们需要了解风速预测的意义，以及为什么它是如此重要。
风速的变化对于风电场的发电能力具有重要的影响。
就如同电力系统需要负载预测一样，风电场需要风速预测来制定更好的运营计划。
当风速变化无常时，风力涡轮机的输出功率就会随之波动。
这种波动可以导致电力系统的破坏，甚至损失。
风速预测可以帮助管理者更好地计划维护和调度工作，从而提高风电场的发电能力和健康运行时间。
此外，预测还可以使发电量达到最大值，同时保障发电的可靠性。
二、风速预测的方法现在，我们来看一下风速预测的方法。
可供选择的风速预测方法有很多，其中我们可以通过气象学方法预测风速。
常见的气象学方法是基于大气物理参数的模型，例如，“微风-双参数”和“湍流-三参数”模型。
这些方法通常需要直接测量有关大气物理系统的参数。
此外，还可以使用人工智能进行风速预测，例如使用人工神经网络模型和遗传算法来进行风速预测。
这些模型可以对风速变化进行更好的预测，但是它们需要大量的数据进行学习，因此，合适的数据对于预测的准确性非常重要。
最后，还可以通过现场实时测量数据进行风速预测。
这种方法通常使用现场测量数据进行风速预测的统计分析，比如，使用转速仪器测量风机的由风力涡轮驱动的转速，从而推测出风速。
三、影响风速预测准确性的因素然而，随着风电场规模越来越大，风速预测的难度也随之增加。
因此，我们需要考虑影响预测准确性的因素。
首先，风场的特性对风速预测的准确性有显着影响。
例如，在平原区域，由于地形的平缓，风速的变化要比在山区中更加柔和，因此，预测就更加准确。
在山区中，则需要考虑风向的变化和地形的不规则性。
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
风电场风速和发电功率预测研究
风电场风速和发电功率预测研究风电场是利用风能进行发电的设施，风速是决定风能转化为发电功率的重要因素。
因此，风速和发电功率的预测研究对于风电场的运行和管理具有重要意义。
本文将重点介绍风速和发电功率预测的研究现状和方法，并探讨其在风电场运营中的应用。
目前，风速和发电功率预测已成为风电场运营管理中的重要环节。
它可以为风电场提供提前预测的风速和发电功率信息，以便做出相应的调度和控制决策。
常见的预测方法包括数学模型方法和机器学习方法。
数学模型方法是常用的风速和发电功率预测方法之一、这种方法基于对风场物理特性的理解，通过建立数学模型来预测风速和发电功率。
例如，常见的模型包括Weibull 分布模型和Rayleigh 分布模型。
这些模型通过统计分析历史数据来估计风速和发电功率的概率分布，然后根据当前的气象条件进行预测。
数学模型方法可以提供较为准确的预测结果，但其对气象条件的要求较高，而且对于非线性和非平稳的风场具有一定的局限性。
机器学习方法是近年来在风速和发电功率预测中得到广泛应用的一种方法。
这种方法利用大量历史数据来训练模型，然后根据当前的气象条件进行预测。
常见的机器学习方法包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）。
这些方法可以处理非线性和非平稳的风场数据，具有较高的灵活性和预测准确度。
然而，机器学习方法对于数据的质量和数量有一定要求，并且对于模型的选择和参数的调整需要一定的经验和技巧。
风速和发电功率的预测在风电场的运营中发挥着重要的作用。
首先，它可以为风电场提供准确的风速和发电功率的预测信息，帮助决策者合理安排发电计划和调度。
其次，预测结果可以用于风场的运维管理，比如维护和设备检修的安排，以减少因风速变化带来的不确定性对发电量的影响。
另外，风速和发电功率的预测还可以为电网的调度和电力市场的运行提供参考，帮助平衡电力供需，优化电网能源调度。
总之，风速和发电功率的预测研究对风电场的高效运营和管理具有重要意义。
基于空气动力学的风电场风速预测研究
基于空气动力学的风电场风速预测研究近年来，随着全球能源需求的增加以及环保意识的日益提高，绿色能源也受到了越来越多的关注和重视。
其中，风能作为一种无污染、可再生的能源形式，广泛应用于风电场中。
而在风电场的建设与运营过程中，风速的预测则显得尤为重要。
正确准确地预测风速，不仅可以提高风电场的发电效率，还可以促进风电场的可持续发展。
因此，本文基于空气动力学，探究了风电场风速预测的研究。
一、空气动力学基础知识空气动力学是关于空气流动规律的科学研究。
在风电场中，空气动力学理论被广泛应用于风机的设计、风电机组的风电特性研究以及风电场风速预测中。
对于一种流体（如空气）在各种情况下的运动规律，可以用宏观的“流体力学”和微观的“分子运动学”两种方法研究。
由于风电场中的流体为空气，因此主要应用流体力学原理进行研究。
流体力学研究的是流场，流场可用流速场和压力场来描述。
在风电场风速的预测中，主要研究空气流速的场分布，为了更加准确的预测风速，还需研究气温、气压、风向等气象条件对风速的影响。
二、风电场风速预测方法1.数值模拟方法数值模拟方法是风速预测中应用的主要方法，其主要核心原理是运用数值方法对空气流动进行模拟计算，来得到未来某个时间段内的风速分布情况。
数值模拟方法的基本流程如下：首先根据气象条件和模型空间分辨率，建立数学模型；然后运用约化方程、数值方法等来模拟流场；最终根据模拟计算结果，得出未来时间段内的风速分布情况。
2.统计回归方法统计回归方法是另一种常用的风速预测方法，其基础原理是建立一个可以反映气象条件、地形、植被等因素对风速影响的数学回归模型，用模型来预测未来的风速变化趋势。
统计回归方法需要收集大量历史气象数据和风速数据，并进行数据分析和处理，以确定回归模型的具体形式和各个参数。
然后通过不断的模型训练和调整，最终得出精度较高的风速预测方程。
三、影响风速预测精度的因素1.气象条件气象条件是影响风速预测精度的重要因素之一，主要包括气温、气压、相对湿度、降水量等。
风电场风速及风电功率预测方法研究综述
电力电子• Power Electronics214 •电子技术与软件工程 Electronic Technology & Software Engineering【关键词】风电场 风速 风电速率 预测随着当今社会的发展，传统化石燃料使用的弊端越来越显著。
相比这些会对环境以及生态造成严重危害的传统化石燃料的使用，当今新型的环保能源，如风能发电显得更加的环保、更值得的提倡，因此在当今的社会，风力发电已经受到了前所未有的重视。
在二十一世纪以来，我国的风力发电不断的发展，并在不久之前，我国的风电装机更是取得了一项世界瞩目的成绩。
风能是自然形成的能源，然而它也具有自己的物理属性，倘若我们能够熟练的掌握各种现象的判断，并准确的分析，那么未来的风力发电一定会更加顺利。
1 预测风电场的变化有何作用对风电场的准确判断以及正确的预测整个过程的输入以及放出电量的功率不仅仅能够帮助相关电力控制人员的后续判断进行有效的理论支持，更能在当今风力发电尚未成熟的今天掌握更多的核心知识，以便后面在更大、更高效的未来取得更好的发展空间。
由于采用并网风力发电的过程中会受到众多因素的影响，因此，恰到好处的控制好风力发电的功率在当今的风力发电阶段更能保证整个风力发电系统的正常、有序运行。
因此，只有更加科学准确的得到风力发电的相关功率参数，才能做到最大限度地保障整个机制的有效运行，增强整个系统的稳定性和可行性。
只有这样，我们才能够更好的给电网的后台提供更加有效、准确的数据，在源头切实可行的降低整体的风力发电成本，让其在运行过程中风电场风速及风电功率预测方法研究综述文/余平达到效力最大化。
在当前这个电力市场相对开放的环境之中，进行风力发电的同时，不仅要考虑到其在工作过程中可能会出现不稳定的情况之外，还应当提前对相关构造误差成本进行有效的预估，进而取得最大化的收益。
除此之外，在进行风电场输出的相关考察之前还要对当地的风力资源以及相应的收益比进行评估，这样才能为后面具体的发电过程提供最优秀的支持。
风电场的风速预测技术研究
风电场的风速预测技术研究随着世界能源需求的不断增长，可再生能源逐渐成为了人们追逐的宝藏，而风电场则是其中之一。
对于风电场运营商而言，精确的风速预测是提高风能利用率，确保电力稳定供应的一个非常重要的指标。
因此，风速预测技术的研究已经成为了风电场行业中的一个热点问题。
一、风速预测的意义风电场是一种利用风能转换成电力的发电设施，在这种设备中，风速和其方向是十分重要的因素。
若是能够准确预测未来的风速，便可以为风电场的经营管理提供更有效的策略，以达到更优秀的电力产量。
与传统的发电模式相比，风电场不受燃料成本的限制，无需煤炭、石油、核燃料等，只需要有风便可以得到电，因此，风能是一种不耗能的可再生能源。
但风场的风速是随机的，难以预测，如果风速预测准确度不高，那么公司的利润将会受到影响。
因此，从理论上来说，对于风电场运营商而言，风速预测的准确率越高，就能够使得他们的电力生成量更加高效，并且提高电力的可靠性和稳定性，从而帮助他们创造更多利润。
二、风速预测技术的分类1. 基于物理原理的风速预测技术物理学中的流体力学原理为风速预测提供了基础理论，利用这些原理，可以建立各种不同的数值模型。
这种技术通常是首选，但它也有一些局限性，如需要计算能力较强的计算机和专业的模型建造人员，且需要更多的时间来建立一个比较准确的风速预测模型。
2. 基于统计学的风速预测技术这种技术依据概率和统计学规律建立预测模型，它的依据是历史数据和现有的气象学知识。
统计分析可以为预测系统提供输入，姑且不谈其准确性，但它也需要实时更新数据，以免影响模型的灵敏度。
3. 基于机器学习的风速预测技术机器学习的风速预测技术是相对较新的预测技术，它不是在数学模型或人的干预下进行建模的，而是利用计算机分析大量历史数据，通过算法的学习和预处理，来实现风速预测。
三、风速预测技术的应用风速预测技术在风电场中的应用越来越普遍，因为它可以帮助运营商调整风电场的操作策略和维护计划，以最大限度地利用发电机和最大化电力输出。
风电场中的风力预测方法研究综述
风电场中的风力预测方法研究综述风电是一种利用风能发电的可再生能源形式，其在全球范围内得到了广泛应用和发展。
然而，由于风速的不稳定性和不确定性，风电场的发电效率和可靠性存在一定的挑战。
因此，对风力进行准确的预测极为重要，可以提高风电场的发电效率和稳定性。
本文将对风电场中的风力预测方法进行综述，包括统计方法、物理模型和机器学习方法等。
统计方法是最早被应用于风力预测的方法之一。
它基于历史风力数据的统计特性，通过分析和建模得到风力的概率分布函数。
常见的统计方法包括时间序列分析、回归分析和频谱分析等。
时间序列分析可以通过对历史数据的趋势和周期性进行分析，预测未来风力的变化。
回归分析可以通过建立风力与其它气象变量之间的关系模型，预测未来风力的数值。
频谱分析可以通过分析历史数据的频谱特性，预测未来风力的频率分布。
物理模型是基于对风力形成机理的理解和建模，通过计算和模拟得到风力的预测结果。
常见的物理模型包括数值天气预报模型和计算流体力学模型等。
数值天气预报模型是利用数值方法对大气动力学方程进行求解，模拟大气环流和风场的演变过程，预测未来风力的空间分布和时间变化。
计算流体力学模型是利用数值方法对流体的运动进行模拟，考虑风机布局、地形和其他因素对风场的影响，预测风机所在位置的风力。
机器学习方法是近年来得到广泛应用于风力预测的方法之一。
它基于大数据和机器学习算法，通过对历史风力数据的学习和训练，建立预测模型并预测未来风力。
常见的机器学习方法包括支持向量机、人工神经网络和随机森林等。
支持向量机是一种监督学习算法，可以通过寻找最优超平面将不同类别的风力样本分开，进行分类和预测。
人工神经网络是一种模拟生物神经网络的计算模型，通过训练学习输入和输出之间的映射关系，进行风力的预测。
随机森林是一种集成学习方法，通过构建多个决策树模型进行风力的预测，通过对多个模型的组合决策来提高预测的准确性。
综上所述，风电场中的风力预测方法包括统计方法、物理模型和机器学习方法等。
- 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)。
风电场风速预测研究综述
【摘要】随着经济的发展，对清洁能源的需求越来越迫切。
风能作为一种清洁、可再生能源具有很大的发展潜力。
由于风力发电的间歇性和时变性，随着风电并网，精确的风速的预测尤为重要。
本文就目前存在的风速的预测方法进行了归纳和总结，分析和比较了各类方法的特点，并进一步说明他它们的运用范围。
【关键词】风速预测；预测模型；综述
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。
风能作为一种清洁、可再生能源具有很大的发展潜力。
它作为一个解决能源生产和生活的需要方法，特别是对沿海岛屿，难以到达的偏远地区，地广人稀的草原，农村和边疆传统电源难以发展，具有重要的意义。
最近，不仅在发达国家，而且在中国这样的发展中国家也越来越关注风能资源的开发与利用。
风力发电最重要的因素之一是风速。
功率曲线特征与风速风力发电生产的链接。
风速是不可控的，不可调节的，导致间歇性风能。
这影响电能质量，危害电力系统稳定和电力调度。
出于这个原因，准确有效地预测出风电场的输出功率可帮助电力系统调度运行人员做出最有效决策。
目前，许多研究人员已经就风速预测问题进行了研究，并且提出了许多预测方法，大体可以分为3类：物理方法、时间序列方法和人工智能算法。
当然，这种分类方法并不绝对，现在已经很少存在只用单一的物理方法或者统计方法来进行风速预测的模型，在许多高效的预测方法中这几种模型都同时得到应用。
并且，近些年随着人工智能的不断发展，诸如人工神经网络（ANN）和模糊逻辑等方法都已广泛应用到风速预测的模型中。
本文论述的侧重点是风速预测的方法，按一下4类进行论述：物理模型、时间序列模型、智能算法以及新方法。
1.风速预测方法
1.1物理方法
数值天气预报（NWP）作为典型的物理模型，依据大气实际情况，如不同高度上的风向、风速、气压、湿度等气象要素值，在一定的初值和边界条件下.通过大型计算机做数值计算，求解描写天气演变过程的流体力学和热力学方程组，最后逐步计算出大气未来的气象要素分布状况，从而制作出天气预报。
研究发现，在超短期中NWP方法预测效果比较理想。
其次物理模型是预测风速的第一步，作为其他统计模型的辅助输入量。
1.2时间序列方法
时间序列模型，基于历史数据、模式识别、参数估计和模型校验来建立数学模型从而解决问题，其一般形式为：
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，可通过检验变跫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。
1.3人工智能算法
人工智能被认为是21世纪三大尖端技术之一，自20世纪70年代以来得到了迅速的发展[1]。
目前，在风速预测领域得到应用的人工智能技术主要包括人工神经网络（ANN）、模糊逻辑、支持向量机等。
ANN依据历史数据，通过训练过程学习、抽取和逼近隐含的输入输出之间的非线性关系。
它一般由数层网络构成，包括输入层、输出层以及一层或多层隐含层，每层均有一定数量的神经元，本层的神经元之间相互独立，相邻层的神经元可以相互连接。
不同的连接权值不同。
通过训练过程可以获取各个连接的权值和神经元的门槛值。
典型的三层误差反向传播网络（BP网络）见下图。
图1 三层BP神经网络
模糊逻辑模型也被用来进行风速预测。
它利用区间[0，1] 的值和长、中、短模糊变量来解释数值间的关系.应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则库，然后选用1个线性模型逼近非线性动态变化的风速。
单纯的模糊逻辑方法对于风速预测效果往往不佳.因为模糊学习能力较弱。
模糊系统的辨识还未形成完善的理论。
通常将模糊逻辑与其他方法结合进行组合预测。
支持向量机是由Vapnik等人在20实际90年代提出的一种新型机器学习算法，它建立在严密的统计学习理论基础上，基于结构风险最小化准则去的实际风险，有效地提高了算法的泛化能力，较好的解决了以往许多学习方法中小样本、非线性和高维数等实际难题，而且能够克服神经网络方法中的许多不足，如网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等，为风速预测提高了一种很好的预测方法，文献[2] 验证了基于SVM 的风速预测效果比时间序列法性能更好。
1.4风速预测的组合方法
由于各种预测方法在理论上均存在某些固有的局限性，为了优化预测流程和提高预测精度。
组合预测逐渐成为目前比较流行的研究思路。
例如：将支持向量机、模糊逻辑、神经网络结合使用的预测方法；基于相似性样本的多层前馈神经
网络风速预测方法；或是利用小波函数将原始波形进行不同尺度的分解，将分解得到的周期分量用时间序列进行预测，其余部分采用神经网络进行预测，最后将信号序列进行重构得到完整的风速预测结果的预测方法，这种方法在神经网络的学习过程中加入了微分进化算法，提高了其收敛速度，解决了局部最小化问题。
上述各种预测方法均须在获得一定数量的历史数据，当遇到某些无法获得历史风速序列数据或仅已知历史年份月平均风速和风速标准差情况时，无法利用上述方法对风速进行预测。
此时可利用基于灰色模型对未来年份中对应月的风速分布参数进行预测的方法。
该模型以用较少的历史数据获得较高的精度.而预测所得的参数既可以用来评估风电场的风能资源，又能根据概率分布的逆运算得到符合预测参数的风速序列。
2.预测模型评价
预测精度是预测模型评价的主要指标。
目前我国风电场风速预测的误差在25%-40%之间[3]，这不仅仅与预测的方法有关，也与风速预测地点有关。
因此难以笼统地判定哪种预测模型更好，应用在特定的条件下每种预测模型各有所长。
通过研究表明，每个模型都有自己的特点，并且试用于不同的环境。
其中，NWP模型适合于较大的区域、中长期的预测，有时也为了获得更高的精度将它作为其他模型的时间序列的输入量；ARMA模型作为经典的时间序列法，在短期中预测的精度较高；人工智能模型可以根据风电场的位置对预测模型进行滚动修改，预测精度较高，在短期风速预测中的精度优于传统的模型；组合预测的方法结合了各种模型的优点，根据风电场风速历史数据特点，建立适当的组合预测模型能够获得较高的预测精度。
然而没有哪个模型能适合于所有的场所，模型的选择应根据实际情况来定。
参考文献：
[1]蔡自兴；徐光佑.人工智能及其应用1996
[2]周培毅；张新燕.基于时间序列与支持向量机的风电场风速预测研究[期刊论文]-陕西电力2009（12）
[3] 杨秀媛；肖洋；陈树勇.风电场风速和电功率预测研究[期刊论文]-中国电机工程学报2005（11）。