【摘要】风电场短期风速的预测对于大规模风电并网来讲有着非常重要的地位。文章对已有风俗预测方法进行了总结，并针对我国风电场短期风速预测的研究现状进行了分析，通过分析国外在风电场短期风速预测领域的情况，研究了适合我国风电场风速预测的方法，希望对我国产生积极的影响。

【关键词】风电场；电气风速预测；探讨

 

1前言

随着近些年来我国经济的快速发展，节能减排成为了我国追求的目标。风力发电是当前世界增长最快的可再生能源，很多的国家将发展风力发电作为改善能源结构、有效减少污染和保护环境的重要措施，被纳入到了国家的发展规划。当前来讲，国内外对风力发电研究的越来越深入和广泛，但是其中有关风电场风速预测及其风力发电功率预测的研究还不能够达到使人满意的效果。

假如对于风电场风速或者风力发电的功率预测很准确的话，那么就有利于调整调度计划，更好的减轻风电对于整个电网的不利作用，减少电力系统的成本，充分提高风电穿透功率极限等。我国的电力科学在这一方面进行了很多的研究工作，一般来讲，在风电穿透功率不超过9%的情况下，我国的电网是不会出现较大的问题。然而，当风电穿透功率超过一定值后，很可能对电能的质量和电力系统产生影响，甚至会危及发电方式。

2风力发电的现状

风力发电正在逐渐的向规模化和产业化发展，并网发电技术是十几年来发展速度最快的可再生的能源技术。我国的风力发电运行已经进入到了一个快速的发展阶段。因为并网风电场具有大容量、动态及其随机性的特点，特别是随机性给电力系统的经济调度带来了新的挑战，因此也引来了很多的不确定性因素。

一般来讲，传统的电力系统经济调度主要分为静态优化调度和动态优化调度。静态优化调度对于电力系统的某个时间断面求取目标最优，只考虑静态约束，没有考虑不同时间断面之间的内在联系；动态优化调度考虑了不同时间断面的耦合性，因此计算过程要比静态优化调度更加复杂，但是计算结果却是更加的符合实际的要求。因为风速随机变化，所以风电场的出力也随之发生变化，应用动态优化调度模型更加适合于含风电场的电力系统。但是采用随机规划理论中的机会约束规划模型将会更好的描述这种随机性带来的影响。

应用动态经济调度，需要每个优化时段的风电场出力数据。当前比较常用的方法是假设风速服从于Weibull分布，之后从概率分布当中抽样风速样本，从而转换为风电功率。这类方法虽然比较简单，但是并没有考虑风速数据的时序性，将其用于电力系统调度不是太好，并且在短时间内与实测的数据误差比较大。假如能够对风速和风电功率进行准确的预测，那么有利于系统的经济调度。

3短期风速预测的研究

因为风速受到温度、气压、海拔、地形等因素的影响，具有很强的随机性，成为了很难预测的参数。当前风速预测主要具有如下几种方法：

3.1持续预测法

这种方法是最为简单方便的一种方法，主要认为风速预测值就等于最近几个风速历史值滑动平均值。通常情况下，只是把最近一点的风速观测值作为下一点的观测值。此模型的预测误差比较大，并且预测结果不是很稳定。

3.2卡尔曼滤波法

一般来讲，把风速作为状态变量建状态空间的模型，利用卡尔曼滤波法很好的实现风速的预测，此种方法在假定噪声的统计特性已知的情况得出的，估计噪声的统计特性是此种方法的难点，这种方法非常适合在线风速预测。

3.3随机时间序列法

随机时间序列法主要是利用大量的历史数据来建立模型，经过模型的识别、估计和检验来确定能够描述所研究时间序列的数学模型，从而得出预测模型得到预测的目的。当前这种方法只是需要知道风电场的单一风速即可建立模型，并可以得到一个好的预测效果。

3.4人工神经网络法

人工神经网络一般旨在模仿人脑结构和功能，由处理元件利用某种拓扑结构进行大规模的连接，是一门涉及到生物、电子、计算机等多种领域的学科。人工神经网络具备并行处理、分布式存储及其容错性等特征，有自学习、自组织及其自适应能力，能够实现联想记忆、分类识别、非线性映射、优化计算等功能，对于复杂问题的求解是十分有效的，可用于短期风速的预测。

3.5模糊逻辑法

使用模糊逻辑及其预报人员的专业知识将数据及其语言形成模糊规则库，之后选用一个线性模型近非线性的动态变化的风速。但是一般来讲，单纯的模糊方法对于风速的预测效果并不是很好，这主要是因为模糊预测的学习能力比较薄弱，系统的辨识还没有形成一个完善的理论，在预测系统中选择模糊系统的结构还需要作进一步的研究。通常模糊预测法需要与其他的方法相互配合使用。

3.6空间相关特性

利用此方法应该考虑风电场及其与之相近的几个地点的多组风速数据，利用几个地点风速之间的空间相关性，从而进行风速预测，为了能够更好的获得所需的几组风速数据，需要在风电场及其周边地区设置远程测速站。风电场及其各个远程测速站测得的风速数据应该经过计算机处理，有效利用风电场与各个测速站处风速之间的空间相关性，对于风电场的风速进行预测。假如能够收集到风电场及其与之相近的多组风速数据，就可以利用此方法进行风速预测。此方法对于原始的数据收集量比较大，但是因为预测的过程当中考虑的因素很多，因此预测结果效果很好。当前，此方法还在逐渐的完善当中。

当前来讲，风电场的短期风速预测误差一般保持在35%左右，这不仅与预测的方法有关，同时还与预测的周期及其预测地点的风速特性相关。一般来讲，预测周期越短，那么预测地点的风速变化就缓和，其误差就越小。

4基于小波分解和最小二乘支持向量机的短期风速预测

4.1方法概述

小波分析法是一种窗口大小固定但是其形状能够改变，时间窗及其频率窗都能够改变的时域局部化分析方法，在低频部分有较高的频率分辨率及其较低的时间分辨率，在高频部分具有很高的时间分辨率和较低的频率分辨率，因此被誉为是数字显微镜。当前被广泛的应用于信号分析及其图像处理等方面，但是，使用小波分析对于非平稳时间序列分析与预测的并不是太多。事实上，非平稳性的时间序列跟我们经常分析的信号具有相同的特性，基本上都是由多个频率成立组成的，不同的频率成分存在着不同的非线性和波动性的规律。

4.2基于Mallat算法的LS-SVM的预测方法

主要针对均值具有趋向性的非平稳的非平稳时间的序列预测，除了模型的选择外，主要是怎样能够提取时间序列中的低频和高频成分，进而对其建模。从而避免对高频信息的过拟合。为了更好的解决这类非平稳时间序列的预测问题，需要考虑到二进正交小波分解对于非平稳性时间序列的适应性，本文主要提出了一种基于小波分析及其LS-SVM的短期风速预测方法，主要采用二进小波变换提取了原始序列的高频和低频信息，对高频和低频信息分别建模，在有效拟合低频信息的同时，应该避免对于高频信息的过拟合，从而更好的提高了非平稳时间序列的预测精度。对小波分解后的低频信息与高频信息主要分述如下：

低频信息。一般来讲，在非平稳时间序列分析当中主要是指趋势项，趋势项主要是代表非平稳时间序列分析当中的长期走势，当选择小波函数时，经过若干次的小波变换，原始的时间序列中的低频信息被分离，时间序列逐渐的趋向平滑，直接到达时间序列剩下的趋势项为止。

高频信息。在非平稳的时间序列的分析当中主要是指波动项，小波分析当中除了长期的趋势项后的其它层就是波动项，它主要包含周期项及其随机项。对于随机项的各层，在不同尺度上都是相互独立的，可以分别按照平稳时间序列进行处理，从而利用一些优秀的预测方法对于小波分解后的高频信息进行预测。

5小结

当前来讲，就世界范围上来说，风电场短期风速预测的研究成果还不是十分令人满意。很多的专家现在正在进一步的研究，从而能够获得更好的进展，获得更大的经济和社会的效益。本文主要是对目前国内外利用此领域的预测方法进行了介绍，希望能够为研究人员提供借鉴。此外，文中结合例子阐述了时间序列方法在短期风速预测的应用，具有一定的价值，但是我们仍然需要继续努力，以获得更好的预测效果。

 

【参考文献】

[1]彭怀午，刘方锐，杨晓峰.基于组合预测方法的风电场短期风速预测[J].太阳能学报，2011年4期.

[2]吕涛，唐巍，所丽.基于混沌相空间重构理论的风电场短期风速预测[J].电力系统保护与控制，2010年21期.

[3]冯双磊，王伟胜，刘纯，戴慧珠.基于物理原理的风电场短期风速预测研究[J].太阳能学报，2011年5期.