风力发电功率预测
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。
风力发电功率预测讲解
数值天气预报预测
优 点：
较为成熟准确的风电中长期预测方法 ，国内外风 电场预测系统多基于物理方法。不需要风电场的历史 数据，风电场投产就可以进行预测。
缺 点：
要求对大气的物理特性及风电场特性有准确的数 学描述。模型复杂、计算量大，较少用于短期预测。 常结合神经网络、支持向量机等来提高预测精度。
预测方法介绍
预测方法介绍
三、组合预测：
由于预测方法各有优势，多种预测方法组合 使用成为发展趋势。
1、预测模型融合组合 a、卡尔曼滤波法对数据进行预处理，再采用 NWP法进行风电预测. b、将神经网络的局部寻优与遗传宏观搜索相融 合。 c、粒子群优化的神经网络法、小波改进的神经 网络法等。 2、预测模型加权组合 a、 BP神经网络、径向基神经网络、支持向量 机进行风电功率加权组合预 测等。
实例分析 ——灰色神经网络预测
数据二结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
90 实际功率
80
GM预 测 值
BP神 经 网 络 预 测 值
70
GM-BP预 测 值
60
功 率 -KW
50
40
30
20
10
0
0
2
4
6
8
10
12
14
16
2013年 8月 6日 （ 2:00-5:45） -t/15min
时间序列法
优 点：
不必深究信号序列的产生背景，序列本身所具有 的时序性和自相关性已经为建模提供了足够的信息， 只需要有限的样本序列，就可以建立起相当高精度的 预测模型。
缺 点：
但其存在低阶模型预测精度低、高阶模型参数估 计难度大的不足。
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。
风力发电系统中的风速预测与功率优化控制
风力发电系统中的风速预测与功率优化控制随着环境保护和可再生能源的重要性日益凸显，风力发电作为一种清洁而可持续的能源形式，受到了广泛关注。
然而，风力发电系统的效率和稳定性仍然是一个挑战。
在实际应用中，风速的预测和功率的优化控制是提高风力发电系统性能的关键因素。
风速是风力发电系统中至关重要的参数，它直接影响风力机的转速和功率输出。
准确预测风速可以帮助优化风力发电系统的运行策略，提高发电效率和可靠性。
目前，针对风速预测的方法主要包括基于物理模型和统计模型两种。
基于物理模型的风速预测方法利用大气流体力学原理建立数学模型来描述风的运动规律，然后将实时气象数据输入模型中进行计算。
这种方法需要准确的气象数据，以及对大气细节的深入了解，因此适用范围相对有限。
统计模型则是通过对历史气象数据进行分析和建模来推测未来一段时间的风速。
常用的方法包括时间序列分析、人工神经网络和回归分析等。
这些方法不需要对大气现象进行深入研究，但对历史数据的准确性和完整性要求较高。
除了风速预测，功率优化控制也是提高风力发电系统性能的关键。
风力发电机组在不同的风速条件下具有不同的功率-转速特性，通过调整叶片角度和转子转速，可以实现最大化功率输出和最小化损失。
而功率优化控制算法的设计则需要综合考虑风速预测、机械结构和发电机组等因素。
传统的功率优化控制方法主要是基于PID控制器或模糊控制器等经典控制理论，这些方法在一定程度上能够提高风力发电机组的性能，但仍存在局限性。
近年来，人工智能算法如遗传算法、粒子群优化算法和模糊推理等被应用到功率优化控制中，并取得了良好的效果。
人工智能算法能够通过对大量数据进行训练和学习，自动寻找最优解，实现对风力发电系统的智能优化控制。
风力发电系统中的风速预测与功率优化控制的研究旨在提高风电发电的可靠性、稳定性和经济效益。
准确的风速预测可以帮助预测发电量，合理安排发电计划和稳定电网负荷。
功率优化控制则能够最大化风力机组的发电效率，延长设备的使用寿命。
电力系统中的风电功率预测算法及性能分析
电力系统中的风电功率预测算法及性能分析随着可再生能源的快速发展，风能作为一种清洁、可持续的能源形式越来越受到关注和应用。
然而，由于风能的不稳定性和不可控性，风电预测成为实现可靠电力系统运行的关键技术之一。
本文将探讨电力系统中的风电功率预测算法，并进行性能分析。
一、风电功率预测算法1. 天气预测模型天气状况对风力发电的影响非常显著。
天气预测模型通过分析气象数据、风速、风向、温度等参数，预测未来一段时间内的风力状况。
根据预测结果，可以对未来风电功率进行估计。
2. 基于统计学的方法统计学方法通过对历史风速数据进行分析，建立概率模型来预测未来的风速和风电功率。
这些方法通常采用回归分析、时间序列分析等技术，其中常见的算法有ARIMA、GARCH等。
3. 人工智能算法人工智能算法，特别是机器学习方法，在风电功率预测中得到广泛应用。
这些算法通过对大量历史数据的学习和训练，建立模型来预测未来风电功率。
常用的机器学习算法包括支持向量机（SVM）、神经网络、随机森林等。
二、风电功率预测算法性能分析1. 精度评估预测模型的精度是评估算法性能的重要指标。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
通过与实际风电功率数据进行比较，可以评估预测算法的精度。
2. 实时性分析风电功率预测需要在实时性要求下进行，因此实时性分析也是一个重要的指标。
实时性分析要考虑算法的计算速度和处理能力，以确保预测模型可以在规定的时间内完成预测任务。
3. 鲁棒性测试风力发电场的环境和运行条件存在一定的不确定性，因此预测模型的鲁棒性也是需要考虑的因素。
通过引入不同的干扰和扰动，可以测试算法在不同条件下的预测能力。
4. 长期性能评估风力发电的长期性能评估是衡量风电功率预测算法可靠性的重要标准。
通过对预测结果的长期跟踪和分析，可以评估算法在实际运行中的稳定性和准确性。
根据以上算法和性能分析，可以看出不同的风电功率预测算法在精度、实时性、鲁棒性和长期性能等方面存在差异。
风电功率预测系统功能规范
风电功率预测系统功能规范一、引言风电功率预测系统是利用机器学习和气象数据等信息，对未来一段时间内的风能发电的功率进行预测的系统。
该系统可以帮助风电场经营者提前做好调度和运维安排，以提高风电发电效率和稳定性。
本文将介绍风电功率预测系统的功能规范，包括系统的输入、输出、算法和用户接口等。
二、系统输入1.气象数据：系统需要接收与风能发电相关的气象数据，包括风速、风向、温度、湿度等信息。
2.风力发电场数据：系统需要接收风力发电场的基本信息，包括风机类型、容量、数量等。
3.历史数据：系统需要接收风力发电场的历史功率数据，以用于训练模型和进行模型验证。
4.调度参数：系统需要接收运营人员设定的调度参数，包括预测时间段、预测精度等。
三、系统输出1.功率预测结果：系统将输出未来一段时间内风力发电的功率预测结果，以时间序列的形式呈现。
2.不确定性指标：系统将输出与功率预测结果相关的不确定性指标，包括置信区间、误差范围等。
四、系统算法1.数据清洗：对接收到的气象数据和风力发电场数据进行清洗和预处理，去除异常值和噪声。
2.特征提取：从经过清洗的数据中提取与风能发电相关的特征，包括风速、风向等。
3.模型训练：利用历史数据和提取的特征，训练风能发电功率的预测模型，可以采用机器学习算法，如支持向量机、随机森林等。
4.模型验证：对训练好的模型进行验证，使用部分历史数据进行模型测试，并评估模型的准确性和稳定性。
5.预测结果生成：利用训练好的模型和实时的气象数据，生成未来一段时间内的风能发电功率预测结果。
6.不确定性估计：根据模型的预测误差和历史数据的统计特征，估计预测结果的不确定性指标。
五、用户接口1.登录和注册：系统提供用户登录和注册功能，以确保数据安全和系统权限管理。
2.数据导入：用户可以将气象数据、风力发电场数据和历史数据导入系统。
3.参数设定：用户可以设定系统运行的参数，如预测时间段、预测精度等。
4.结果展示：系统将以图表等形式展示功率预测结果和不确定性指标，方便用户直观了解。
寒潮天气对风电运行和功率预测的影响分析
寒潮天气对风电运行和功率预测的影响分析寒潮天气对风电运行和功率预测的影响分析一、引言风能作为一种可再生能源，具有巨大的潜力和重要性。
然而，在寒冷的冬季，寒潮天气的到来对风电场的运行和功率预测产生了一定的影响。
本文旨在分析寒潮天气对风电运行和功率预测的影响，并提出相应的应对措施。
二、寒潮天气对风电运行的影响1. 起风速的变化寒潮天气往往伴随着强烈的冷空气活动，导致风速的突然变化。
而风速是风能转化为电能的重要因素，因此，寒潮天气带来的起风速的变化会直接影响到风电场的运行。
当风速突然增大时，可能会引起风机的过载运行，进而导致设备损坏和停机维修；而风速突然下降则会导致风机停止运转，不能发电。
2. 冰冻现象的影响在寒冷的冬季，风电场的叶片、塔筒等部件容易出现冰冻现象。
冰冻会增加风机的风阻力，降低风机的发电能力。
同时，冰冻还可能导致叶片不平衡，进一步影响风机的运行。
解决这一问题需要加热或喷洒防冻剂等措施，以确保风机正常运行。
3. 温度的影响寒潮天气带来的低温会对风机的发电效率产生影响。
通常情况下，风机的发电效率会随着温度的下降而降低。
这是由于低温会导致风机的机械摩擦增大，同时影响风机的内部热效应。
因此，在寒冷的冬季，风机需要加热来提高发电效率。
三、寒潮天气对风电功率预测的影响1. 气象因素的变化寒潮天气的到来会导致气象因素的突变，从而对风力发电的功率预测产生一定的影响。
由于风速的突然变化，传统的功率预测模型可能无法准确预测风电场的发电能力。
因此，需要对模型进行改进，加入更加精确的气象数据，以提高功率预测的准确性。
2. 数据采集困难寒潮天气下，风电场的数据采集会受到很大挑战。
冰冻和降雪会导致传感器的故障或数据中断，使得数据采集变得困难。
而没有准确的数据支持，功率预测的准确性将受到一定的影响。
3. 能源供应的不稳定性寒潮天气下的风电场由于受到各种因素的影响，其能源供应的稳定性可能会受到影响。
这可能导致电网的负荷不平衡，进一步影响到电力系统的运行。
- 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)。
实例分析 ——灰色神经网络预测
数据来源：甘肃桥湾某风场
数据一：2013年8月1日 18:00-21:15 间隔15min 前10个点作样本数据，预测未来4个点。
数据二：2013年8月6日 2:00-5:45 间隔15min 前12个点作样本数据，预测未来4个点。
分别用灰色理论、BP神经网络、灰色神经网络进行预 测。
结束
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
1994 2003
西班牙可再生能源
LocalPred 模型用于复杂地形风电场的预测，采用
中心（CENER）与
CFD 算法，使用 MM5 中尺度气象模式作为数值天
西班牙能源、环境 西 和技术研究中心 班 （CIEMAT）联合 牙 开发
LocalPredRegioPred
气预报生产模式。MM5 可以预测未来 72 小时所有 相关气象要素，空间分辨率为 1km2。 RegioPred 在 LocalPred 模型单个风电场预测的 基础上，预测区域的功率输出。
国内外发展现状
国 开发商 家
模型名称 特点
投运时间
ISET 德 国
WPMS
德国OldenBurg大学 Previento
在线监测、日前风电功率预测和超短期预测 （15 分钟-8 小时）三部分，根据数值天气预报， 使用神经网络计算输出功率
使用物理模型，在较大的区域内给出2天的预测结 果
2001 2002
背景及意义
三、 按时间分类：
超短期预测 （0h~3h） 应用于风电机组自身的控制。
短期预测
（0h~48或72h） 应用于电网合理调度，保 证供电质量，为风电场参与竞价上网 提供保证。
中长期预测 （以天、周或月为单位）主要用于检修安排 或调试等。目前，中长期预测还存在比较 大的困难。
预测方法介绍
风机功率曲线
统计方法预测
优 点：
该类方法需要一定量的历史数据对初始数据 的 质量要求比较高，经过经验模式分解，局域波分解后 可得到平稳数据列，此类情况预测比较准确。
缺 点：
需要大量历史数据，对于阵风、突变风等非平稳 情况的预测精度较差，且随时间增加而越来越差。
目前主要还通过卡尔曼滤波法和时间序列相结合 滚动时间序列法以及混沌理论等不断改进和提高模型 的精确性和适用性。
预测方法介绍
三、组合预测：
由于预测方法各有优势，多种预测方法组合 使用成为发展趋势。
1、预测模型融合组合 a、卡尔曼滤波法对数据进行预处理，再采用 NWP法进行风电预测. b、将神经网络的局部寻优与遗传宏观搜索相融 合。 c、粒子群优化的神经网络法、小波改进的神经 网络法等。 2、预测模型加权组合 a、 BP神经网络、径向基神经网络、支持向量 机进行风电功率加权组合预 测等。
时间序列法
优 点：
不必深究信号序列的产生背景，序列本身所具有 的时序性和自相关性已经为建模提供了足够的信息， 只需要有限的样本序列，就可以建立起相当高精度的 预测模型。
缺 点：
但其存在低阶模型预测精度低、高阶模型参数估 计难度大的不足。
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、滚 动时间序列或引入经验模式分解来改进原有预测模型。
实例分析 ——灰色神经网络预测
数据一结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
145
实际功率
140
GM预 测 值
135
BP神 经 网 络 预 测 值 GM-BP预 测 值
130
125
功 率 -KW
120
115
110
105
100
95 0
2
4
6
8
10
12
14
2013年 8月 1日 （ 18:00-21:15） -t/15min
数值天气预报预测
优 点：
较为成熟准确的风电中长期预测方法 ，国内外风 电场预测系统多基于物理方法。不需要风电场的历史 数据，风电场投产就可以进行预测。
缺 点：
要求对大气的物理特性及风电场特性有准确的数 学描述。模型复杂、计算量大，较少用于短期预测。 常结合神经网络、支持向量机等来提高预测精度。
预测方法介绍
Risø 实验室
Prediktor 使用物理模型，考虑了尾流等的影响
1994
丹 丹麦科技大学 麦
丹麦科技大学联合 Risø 实验室
WPPT Zephry
利用自适应最小平方根法和指数遗忘算法相结合给 出0.5-36h的预测
集合了上边两个模型，可以提供0-4h和36-48h的预 测,加入了HIRLAM等气象模型，长期预测精度提高
预测方法介绍
三、智能方法预测：
能够更加准确地拟合非线性关系，提高预测精 度这是改善风电预测的研究热点之一 。目前已经用 于风电功率预测的学习方法有RBF神经网络、递归 多感知神经网络、BP神经网络、遗传算法、自适应 模糊神经网络、粒子群优化算法、支持向量机、小 波分析法等。
其中尤以神经网络及其改进方法取得了较好的 预测效果。
三、统计方法预测：
统计方法不考虑风速变化的物理过程而是根
据历史统计数据找出天气状况与风电场发电功率间 的关系 然后根据实测数据和数值天气预测数据对 风电场未来的发电功率进行预测。
目前我国采用的统计方法有使用统计方法修
正风电场尾流效应对预测结果的影响，从而改进 多层前馈神经网络模型的预测精度；根据数值 气象预报的风速和风向数据，采用粒子群优化的 前向神经网络模型进行短期风电功率预测
预测方法介绍
二、基于数值天气预报（NWP）的预测：
数值天气预报（Numerical Weather Prediction，
NWP）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方程组，预测未来一 定时段的大气运动状态和天气现象的方法。
先预测风 1、按预测物理量分类： 速
直接预测输出功率
预测输出功率
风 电
持续预测方法
功 2、按数学模型分类： ARMA预测方法
率
卡尔曼滤波方法
预 测
ቤተ መጻሕፍቲ ባይዱ
智能方法，如神经网络
时间序列法
3、按输入数据分类：
物理方法
采用数值天气预报数据 统计方法
综合方法
预测方法介绍
一、时间序列法
该类方法通过寻找各历史数据在时序上的相关性来对 风电功率进行预测。
风电功率预测
报告人： 班 级： 学 号：
风电功率预测
背景及意义
预测方法介绍
国内外发展现状
实例分析 ——灰色神经网络预测
总结
背景及意义
一、背 景：
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。
但是，由于风能的随机波动性、不可控性等，其大 规模并入电网，将给电力系统的生产和运行带来极大 的挑战。
2012年10月，甘肃成为中国第一个覆盖全省的风电功率超短期预测 的省份，甘肃省电力公司研发的实时监测与超短期风电功率预测系
统通过实时采集测风塔监测的风能数据、风电基地所有风机运行数据， 采用多套数值天气预报数据源，实现对风电预测。
2013年5月2日，国电科环所属北京华电天仁电力控制技术有 限公司基于云平台的远程集中式风电功率预测系统正式投入运行。
因此，将风力发电功率从未知变成已知，对电力 系统的运行有着重大的意义。
背景及意义
二、意 义：
服务于电力系统 ： 有利于运行调度人员合理安排应对措施、调整和优
化常规电源的发电计划，改善电网调峰能力，提高电网 的安全性和稳定性。
服务于风电场： 可以合理安排风电场的检修计划，减少弃风，提高
风电场的盈利、减少运行成本，提高风力发电在电力市 场中的竞争力。
常见的时序模型有： 自回归模型（Auto Regressive，AR）
滑动平均模型（moving average，MA）
自回归滑动平均模型（AutoRegressive Moving Average，ARMA）
差分自回归滑动平均模型（Auto Regressive Integrated Moving Average，ARIMA）等。
2001
西班牙卡洛斯三世 大学
siperó lico 统计模型
2002
美 国 AWS Truewind
eWind
包括一组高精度的三维大气物理数学模型、适应性
统计模型、风电场输出模型和预测分发系统
1998
国内外发展现状
国内： 2008年11月，我国首套具有自主知识产权的风电功率预测系统
WPFS由中国电力科学研究院研发完成，各风电场的全年预测均方
根误差为 16-19%，全省每月的平均误差在 11-13%之间。
2010年华北电力大学与龙源风力发电有限责任公司合作开发
了风电场发电功率预测系统，该系统整体技术达到国际先进水平，其中 超短期预测算法与技术处于国际领先水平。
2011年由中国节能环保集团公司(简称中国节能)和中国气象 局共同研发的风电功率预测预报系统正式落户中节能张北满井风电场，
实例分析 ——灰色神经网络预测
数据二结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
90 实际功率