国标风电功率预测系统功能规范送审参考模板
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。
风功率预测系统基础知识(精华版)
风功率预测系统一、风功率预测的目的和意义1. 通过风电功率预测系统的预测结果，电网调度部门可以合理安排发电计划，减少系统的旋转备用容量，提高电网运行的经济性。
2. 提前预测风电功率的波动，合理安排运行方式和应对措施，提高电网的安全性和可靠性。
3. 对风电进行有效调度和科学管理，提高电网接纳风电的能力。
4. 指导风电场的消缺和计划检修，提高风电场运行的经济性。
5.应相关政策要求。
二、设备要求提供的设备应满足《风电功率预测系统功能规范》中所提出的各项要求。
四、设备介绍可能涉及到的设备：以下出自北京中科伏瑞电气技术有限公司的FR3000F系统数据采集服务器：运行数据采集软件，与风电场侧风电综合通信管理终端通信采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果等数据。
数据库服务器：用于数据的处理、统计分析和存储，为保证数据可靠存储，配置了磁盘阵列。
应用工作站完成系统的建模、图形生成显示、报表制作打印等应用功能。
风电功率预测服务器：运行风电功率预测模块，根据建立的预测模型，基于采集的数值天气预报，采用物理和统计相结合的预测方法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测。
数据接口服务器：负责从气象局获得数值天气预报，为保证网络安全在网络边界处配置反向物理隔离设备。
同时向SCADA/EMS系统传送风电功率预测的结果。
测风塔：测风塔测量数据（实时气象数据）是用来进行超短期功率预测的。
测风塔有两种类型，一是实体测风塔，一是虚拟测风塔。
一个风塔造价占系统的的20~30%左右。
实体测风塔：变化频繁的自然条件和复杂的地形地貌给预测系统增加了困难，实体测风塔的安装台数应根据风场的实际地理条件等情况进行安装，以保障预测的准确性。
实体测风塔应安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据。
虚拟测风塔：是加装一些装置，直接采集风场风机上预测的风速、风向数据进行预测，它不需要在户外安装实体风塔，没有户外的维护工作。
电力系统中的风电功率预测模型
电力系统中的风电功率预测模型一、引言电力系统是现代社会的重要基础设施之一，风电作为可再生能源的重要组成部分，具有环保、可持续等特点。
然而，风能的不稳定性和变化性给电力系统的运行带来了一定的挑战。
因此，准确预测风电功率对电力系统的规划、运行和调度具有重要意义。
本文将介绍电力系统中的风电功率预测模型。
二、数据预处理在建立风电功率预测模型之前，首先需要对数据进行预处理。
由于风力的不稳定性，风速、风向和风能之间存在一定的关联关系。
因此，需要采集历史风速、风向和风能数据，并进行清洗、对齐和归一化处理，以便用于后续建模。
三、基于统计方法的预测模型基于统计方法的预测模型是最常见的风电功率预测方法之一。
其中，基于时间序列分析的模型是较为常用的方法之一。
该方法使用历史风电功率数据，并结合多种统计技术和算法，通过拟合历史数据的趋势和周期性，来预测未来一段时间内的风电功率。
常用的时间序列分析方法包括ARIMA模型、回归模型等。
四、基于人工智能的预测模型近年来，随着人工智能技术的迅速发展，基于人工智能的风电功率预测模型也得到了广泛的研究和应用。
其中，基于神经网络的模型是较为常见的方法之一。
该方法通过建立多层神经网络，将历史风电功率数据作为输入，通过网络的训练和学习，得到一个能够较为准确预测未来风电功率的模型。
此外，还可以利用支持向量机、遗传算法等人工智能技术进行风电功率预测。
五、模型评估与改进模型的评估是模型建立的一个重要环节，它可以评估模型的预测能力和准确性。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
在评估模型的基础上，可以对模型进行改进。
例如，可以引入外部因素（如天气状况、季节变化等）来改进预测模型的准确性，也可以通过提高数据质量和模型参数调整等方法来改进模型的性能。
六、模型应用与展望风电功率预测模型在电力系统中具有广泛的应用前景。
它可以为电力系统提供可靠的风电功率预测结果，为电力系统的运行和调度提供决策支持，同时也可以为电力市场的交易和电价的制定提供参考。
风电功率预测系统
2 设计依据 2.1 技术标准
要求风功率预测系统必须符合： 国家电网公司技术标准 Q/GDW215-2008 电力系统数据标记语言－E 语言规范； 国家电网调〔2010〕201 号 风电并网运行控制技术规定、 国家电网公司技术标准 Q/GDW432-2010《风电调度运行管理规范》、 国家电网公司技术标准.Q/GDW588-2011《风电功率预测功能规范》、 国家电网公司调〔2010〕201 号《风电并网运行控制技术规定》、 国家电网公司调水〔2010〕348 号《风电场调度运行信息交换规范（试行）》、 国家电力监管委员会 5 号令《电力二次系统安全防护规定》、 国家电力监管委员会电监安全〔2006〕34 号《电力二次系统安全防护总体方
系统高级应用模块可提供检修计划设置和检修计划展示、限电曲线和检修曲 线展示、理论发电量计算等功能，需要用户额外定制。定制功能不包含在软件基 本功能中，如有需要请与服务商联系。
13 北京东润环能科技股份有限公司版权所有
4.2数据接口 系统提供了多种通讯接口与相关系统通讯，可满足用风
塔
数据采集器
光电转换器
光纤
NWP服务器 光电转换器
3.5 数值天气预报 我方具备国内外 5 家气象源支撑：3 家欧美（西班牙、丹麦、美国）专业气
象服务商，2 家国家级覆盖全国范围的专业气象研究单位（国家气象局、中国科 学院大气物理研究所）。
我方提供的适用于新能源应用（风电、太阳能功率预测系统）的数值天气预 报，空间分辨率小于 5*5 公里，目前在超过 700 个电场已有成功案例。
风电功率预测问题
第一页答卷编号：论文题目：风电功率预测问题指导教师：参赛学校：报名序号：第二页答卷编号：风电功率预测问题摘 要风电功率预测有利于电力系统调度部门及时调整调度计划，从而有效地减轻风电对整个电网的影响，提高风电功率。
本文采用了自回归移动平均法、卡尔曼滤波预测算法和指数平滑法，对风电功率进行了实时预测，并对预测结果进行误差分析。
针对问题一，采用自回归移动平均法、卡尔曼滤波预测算法和指数平滑法分别建立了时间序列模型、卡尔曼滤波模型和指数平滑模型。
实时预测了A P 、B P 、C P 、D P 和4P 及58P 的风电功率，得到了实时预测误差以及均方根误差，并分析了三种方法的准确性。
使用自回归移动平均法能比较精确的预测风电功率。
针对问题二，得到了单台风电机组以及多机总功率的相对误差，分析了风电机组的汇聚对于预测结果误差的影响。
多风电机组的汇聚会改变风电功率波动的属性，从而对预测结果产生较大的影响。
针对问题三，分析了影响风电功率实时预测精度的因素，通过BP 网络神经方法构建了具有更高精度的预测方法，对误差进行分析说明了该方法的有效性。
最后，分析论证了阻碍预测精度的主要因素，如风速、风向、气温等。
并说明了预测精度不能无限提高。
关键词：风电功率预测 时间序列 指数平滑法 卡尔曼滤波法一、问题重述1.1问题背景随着我国经济的迅速发展，能源的消耗日益增加，同时常规能源的利用对我们的环境造成了严重的影响。
所以，发展可再生能源迫在眉睫。
风电是目前可再生能源中唯一可大规模开发利用的洁净能源。
能源问题，至关重要，举世瞩目。
它是工业的血液，生活的必需。
风能与其他能源相比，有其明显的优点：蕴量巨大、可以再生、分布广泛、没有污染。
风能和阳光一样，是取之不尽、用之不竭的再生能源；风力发电没有燃料问题，不会产生辐射或二氧化碳公害，也不会产生辐射或空气污染；而且从经济的角度讲，风力仪器比太阳能仪器要便宜九成多。
中国风能储量很大、分布面广，甚至比水能还要丰富。
风电场功率预测系统的实时性与稳定性分析
风电场功率预测系统的实时性与稳定性分析1. 引言风能作为一种可再生能源，具有广阔的应用前景。
然而，由于风能的随机性和不确定性，风电场的功率预测成为提高风电发电效率和管理风电场的重要工作。
本文将从实时性和稳定性两个方面对风电场功率预测系统进行分析。
2. 实时性分析2.1 数据采集与处理风电场功率预测系统的实时性首先取决于数据的采集和处理效率。
传感器网络的布置和数据采集设备的选择对准确获取风速、风向、温度等关键参数十分重要。
同时，数据传输与存储的速度也是影响实时性的关键因素。
为了保证系统的实时性，可以考虑采用分布式存储和高速网络传输技术，以实现数据的快速采集和传输。
2.2 模型建立与参数优化风电场功率预测系统通常采用机器学习和数据挖掘等方法建立功率预测模型。
模型的建立过程中需要考虑模型的准确度和计算效率。
对于实时性要求较高的系统，可以选择简化模型或优化算法，以提高模型的训练和预测速度。
此外，参数的选择和优化也对模型的实时性有着重要影响。
合理选择参数范围和优化方法，可以使模型快速收敛并提高预测准确度。
2.3 实时预测与输出实时预测是风电场功率预测系统的核心功能之一。
在实时预测过程中，需要实时获取最新的环境参数，并根据预测模型进行功率预测。
为了提高实时性，可以使用并行计算技术以及分布式系统架构。
此外，在输出结果时，可以考虑使用可视化技术，将预测结果以直观的图表或曲线的形式呈现，方便用户实时监测和分析风电场的运行情况。
3. 稳定性分析3.1 数据质量与稳定性风电场功率预测系统的稳定性首先取决于数据的质量和稳定性。
数据异常和噪声对模型的训练和预测结果产生较大影响。
因此，在数据采集和处理过程中，需要进行数据清洗和异常值检测等处理，以确保输入模型的数据质量和稳定性。
3.2 模型准确性与稳定性模型的准确性和稳定性是风电场功率预测系统的关键指标。
模型准确性指模型预测结果与实际观测结果的吻合程度，而模型稳定性则是指模型对输入数据的变动和不确定性的敏感程度。
风电场功率预测系统的设计原理与性能评估
风电场功率预测系统的设计原理与性能评估近年来，随着可再生能源行业的蓬勃发展，风能作为一种清洁、可持续的能源形式逐渐受到广泛关注。
然而，风能的不稳定性成为了风电场运营和管理的主要挑战之一。
在风能变化无常的情况下，电网需求不断变化，因此如何准确预测风电场的出力功率，成为了风电场运维管理的关键。
本文将介绍风电场功率预测系统的设计原理和性能评估。
风电场功率预测系统主要包括数据采集、特征提取、模型训练和预测四个关键步骤。
通过对这些步骤的设计和优化，能够提高风电场功率预测的准确性和稳定性。
首先，数据采集是风电场功率预测系统的基础。
系统需要采集风电场内各个风机的工作状态数据、天气数据、风速数据等相关信息。
这些数据将被用于分析和建立预测模型，并对风电场未来的出力功率进行预测。
对数据采集系统进行设计时，应考虑数据的实时性和准确性，确保采集到的数据能够真实地反映风能的变化情况。
其次，特征提取是风电场功率预测的关键步骤之一。
通过对采集到的数据进行分析和处理，提取出能够反映风能变化的关键特征。
这些特征可以包括风速、风向、气象条件等。
在特征提取过程中，应综合考虑多个变量之间的相互关系，并通过合适的算法和方法进行特征选择和降维，以减少数据维度和提高预测准确性。
模型训练是风电场功率预测系统的核心环节。
在模型训练过程中，可以采用各种机器学习方法，如回归分析、神经网络、支持向量机等。
这些方法能够利用历史数据和特征信息，建立出有效的预测模型。
在模型训练过程中，应使用合适的算法和技术，优化模型的参数和结构，以提高模型的预测精度和鲁棒性。
最后，预测是风电场功率预测系统的最终目标。
通过利用建立好的预测模型和实时采集到的数据，可以对未来一段时间内风电场的出力功率进行预测。
预测结果可以用于电网调度、风电场管理、风机功率优化等方面，提高风电场的利用效率和经济性。
除了设计原理，对于风电场功率预测系统的性能评估也是必不可少的。
性能评估可以通过比较预测结果与实际测量结果的差异来进行。
风电功率预测系统总体设计
风电功率预测系统总体设计风电功率预测系统Wind Power Prediction System“风电功率预测系统”是一款具有精确预测未来风力发电功率的软件，系统具有高精度数值天气预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。
国能日新的风电功率预测系统短期预测精度超过80%，超短期预测精度超过90%。
此处的超短期预测精度超过90%是指均方根误差<10%。
211RMSE ：∑=⎪⎪⎭⎫ ⎝⎛=N k pk mk Cap -P P N 计算方法为；1、建模方法功率预测模型（双模型：优化的物理模型+人工智能模型）人工智能模型：如果风电场处于限负荷运行状态，系统会主动自适应的捕捉电场风电机组的运行模式，从而给出结合了现实运行情况和未来风资源情况的功率预报。
2、总体设计本系统包括硬件终端设施及预测软件系统。
通过采集数值天气预报、风机监控数据、测风塔数据和升压站等数据，完成对风电场的短期功率预测和超短期功率预测工作，并向电网侧上传测风塔和功率预测数据。
风功率预测系统组织结构图网络部署图3、产品价值（1）满足新能源并网相关法律及行业制度。
风电场风电功率预测系统完全满足《风电场接入电网技术规定》和《风电并网技术标准》的要求：风电场应配置风电功率预测系统，系统具有0~72h短期风电功率预测以及15min~4h超短期风电功率预测功能。
风电场每15min自动向电网调度部门滚动上报未来15min~4h的风电场风电功率预测曲线，预测值的时间分辨率为15min，预测误差应不大于15%。
风电场每天按照电网调度部门规定的时间上报次日0~24小时风电场发电功率预测曲线，预测值的时间分辨率为15min，预测误差应不大于20%。
在实际安全中，国能日新提供的风电功率预测系统的性能指标高于以上标准。
（2）提高电网消纳风电能力对风力发电进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，减少风电限电，由此大大提高了电网消纳风电的能力，进而减少了由于限电给风电业主带来的经济损失，增加了风电场投资回报率。
- 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)。
如不慎侵犯了你的权益，请联系我们告知！ 风电功率预测系统功能规范 1 范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。
本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2 术语和定义 2.1风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预算未来一定时间的大气运动状态和天气现象的方法。 2.3风电功率预测 Wind power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测 ultra-short term Wind Power Forecasting 0h-4hd的风电输出功率预测，时间分辨率不小于15min。
3.数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据 风电场的历史功率数据应不少于1a，时间分辨率应不小于5min 3.2历史测风塔数据 a）测风塔位置应在风电场5km范围内； b）应至少包括10m、70m及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报如不慎侵犯了你的权益，请联系我们告知！ 历史数值天气预报数据应与历史功率数据相对应，时间分辨率应为15min，应包括至少三个不同层高的风速和风向以及气温、气压、湿度等参数。 3.4风电机组信息 风电机组信息应包括机组类型、单机容量、轮毂高度、叶轮直径、功率曲线、并网时间、位置（经、纬度）等。 3.5风电机组及风电场运行状态 风电机组及风电场运行状态数据应包括风电机组故障及人为停机记录、风电场开机容量和限电记录。 3.6地形地貌数据 3.6.1地形数据应为CAD文件，包括对风电场区域内10km范围地势变化的描述。 3.6.2地貌数据应通过实地勘测或卫星地图获取，包括对风电场区域内20km范围内粗糙度的描述。
4 数据采集及处理 风电功率预测系统实时运行需要的数据应包括数值天气预报数据、实时测风塔数据、实时输出功率数据、风电机组及风电场运行状态等。 4.1实时数据的采集 所有数据的采集均可自动完成，并可通过手动方式录入。 4.1.1数值天气预报数据应能定时自动获取。 4.1.2风电功率预测系统所用的实时气象数据应满足以下要求； a）测风塔位置应在风电场5km范围内且不受风电场尾流影响，宜在风电场主导风向的上风向； b）应至少包括10m、70m及以上高程的风速、风向、气温、气压等信息，时间分辨率不小于5min； c）风电场应通过电力调度数据网向电网调度机构风电功率预测系统传送风电场实时气象数据，时间间隔不大于5min。 4.1.3风电场实时功率数据的采集频率应小于5min，其中“ a）电网调度机构的风电功率预测系统的数据应曲子所在安全区的基础数据平台； b）风电场端风电功率预测系统的数据应取自风电场升压站计算机监控系统。 4.1.4风电机组状态数据的采集频率应小于15min，其中： a）电网调度机构的风电功率预测系统的数据应通过电力调度数据网由风电场端风电功率预测系统获取； b）风电场端风电功率预测系统的数据应取自风电场计算机监控系统。 4.2数据的处理 所有数据存入数据库前必须进行完整性及合理性检验，并对缺测和异常数据进行修正。 4.2.1完成性检验 a）数据数量应等于与其记录的数据数量； b）数据的时间顺序应符合预期的开始、结束时间、中间应连续。 4.2.2合理性检验 a）应对功率、数值天气预报、测风塔等数据进行越限检验，可手动设置限值范围； b）应对功率的变化率进行检验，可手动设置变化率限值； c）应对功率的均值及标准差进行检验；如不慎侵犯了你的权益，请联系我们告知！ d）应对测风塔不同层高数据进行相关性检验； e）应根据测风数据及功率数据的关系对数据进行相关性检验。 4.2.3不合理及缺测数据的处理 f）缺测功率数据应以前后相邻时刻的数据进行插补； g）大于装机容量的功率应以装机容量替代； h）小于零的功率应以零替代； i）其余不合理功率应以前一时刻功率替代； j）测风塔缺测及不合理数据以其余层高数据根据相关性院里进行修正；不具备修正条件的以前后相邻时刻的数据进行插补； k）数值天气预报缺测及不合理数据应以前后相邻时刻的数据进行插补； l）所有经过修成的数据应以特殊标示记录。 m）所有缺测和异常数据均可由人工补录或修正。 4.3数据的存储 a）应存储系统运行期间所有时刻的数值天气预报数据； b）应存储系统运行期间所有时刻的功率数据、测风塔数据、并将其转化为15min平均数据； c）应存储每次执行的短期风电功率预测的所有预测结果； d）应存储每15min滚动执行的超短期风电功率预测的所有预测结果； e）预测曲线经过人工修正后应存储修正前后的所有预测结果； f）所有数据应至少保存10a。
5风电功率预测 应根据风电场所处地理位置的气候特征和风电场历史数据情况，采用适当的预测方法构建特定的预测模型进行风电场的功率预测，根据预测时间尺度的不同和实际应用的具体需求，宜采用多种方法及建模。 5.1预测的空间要求 5.1.1预测的最小单位单个风电场。 5.1.2风电场端的风电功率预测系统能够预测本风电场的输出功率。 5.1.3电网调度端的风电功率预测系统应能够预测单个风电场、局部控制区域和整个调度管辖区域的风电输出功率、 5.2预测时间要求 5.2.1短期风电功率预测应至少能够预测风电场未来3天的风电输出功率，时间分辨率为15min。 5.2.2超短期风电功率预测能够预测未来0h-4h的风电输出功率，时间分辨率不小于15min。 5.3系统启动方式 5.3.1短期风电功率预测应能够设置每日预测的启动时间及次数。 5.3.2短期风电功率预测系统应支持自动启动预测和手动启动预测。 5.3.3超短期预测应每15min自动预测一次，自动滚动执行。 5.4其他要求 5.4.1应考虑处理受限、风电机组故障和机组检修等非正常停机对风电场发电能力的影响，支持限电和风电机组故障等特殊情况下的功率预测。 5.4.2应考虑风电场装机扩容对发电的影响，支持不断扩建中的风电场的功率预测。如不慎侵犯了你的权益，请联系我们告知！ 5.4.3对于风电功率预测系统预测得到的曲线，可人工修正，人工修正应设置严格的权限管理。 5.4.4能够对预测曲线进行误差估计，预测给定置信度的误差范围。
6统计分析 6.1数据统计 a）参与统计数据的时间范围可任意选定； b）历史功率数据统计应包括数据完成性统计、频率分布统计、变化率统计等； c）历史测风数据、数值天气预报数据统计应包括完整性统计、风速频率分布统计、风向频率分布统计等。 d）风电场运行参数统计应包括发电量、有限发电时间、最大处理及其发生时间、同时率、利用小时数及平均负荷率等参数的统计，并支持自动生成指定格式的报表。 6.2相关性校验 能对历史功率数据、测风数据和数值天气预报数据进行相关性校验，根据分析结果，给出数据的不确定性可能引入的误差。 6.3误差统计 能对任意时间区间的预测结果进行误差统计，误差指标应包括均方根误差、平均绝对误差率、相关性系数等，各指标的计算方法见附录A 6.4误差分析 能根据误差统计和相关性校验的结果，判定误差产生的原因。 6.5考核统计 能对调度管辖范围内的各风电场上报的预测曲线进行误差统计。
7界面要求 7.1展示界面 7.1.1应支持风电场（群）实时出力监测，以地图的形式显示各风电场的分布，地图页面应 显示风电场（群）的实时功率及预测功率，页面更新周期不应超过5爪10， 7.1.2应支持多个风电场出力的同步监视，可同时显示系统预测曲线、实际功率曲线及预测 误差带：电网调度机构的风电功率预测系统还应能够同时显示风电场上报预测曲线。实际功 率曲线需实时更新，更新周期不应超过
7.1.3应支持不同时刻预测结果的同步显示。 7.1.4应支持数值天气预报数据与测风塔数据、实际功率与预测功率的对比，提供图形、表 格等多种可视化手段。 7.1.5应支持时间序列图、风向玫瑰图、风廓线以及气温、气压、湿度变化曲线等气象图表， 对测风塔数据和数值天气预报数据进行展示。
7.2操作界面 7.2.1应支持预测曲线的人工修改。