0  引言

    电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电给电力系统的调度运行带来巨大挑战。

    目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12 GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。

    1  风电功率预测发展现状

    1.1  风电功率预测技术的发展情况

    电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日00：00时起72 h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0～4 h的滚动预测，用于电力系统实时调度[4]。

    风电功率预测方法主要分为统计方法和物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电机组轮毂高度的风速、风向、气温、气压等信息。然后根据风电机组的功率曲线计算得到每台风电机组的预测功率，再考虑风电机组间尾流影响，最后对所有风电机组的预测功率求和得到风电场的预测功率。

    物理方法和统计方法各有优缺点。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场特性有准确的数学描述，这些方程求解困难，计算量大。统计方法不需要求解物理方程，计算速度快，但需要大量历史数据。混合方法有机结合了物理方法与统计方法的优点，可以有效提高预测精度和预测方法的适用性。

    为提高预测精度，国内外研究机构都在尝试各种新的预测方法，主要包括多种方法同时预测、其中多数值天气预报、纳入实时功率和实时测风数据等。多数值天气预报、多种预测方法的集合预报逐渐成为发展趋势。

    1.2  国内外预测系统的建设情况

    国外风电功率预测技术起步较早，20世纪80年代就开始了风电功率预测相关技术研究，如丹麦在1990年就开发了一套预测系统[7]。后来，Risø开发了Prediktor系统，丹麦技术大学开发了WPPT(Wind Power Prediction Tool)系统，现在Prediktor和WPPT已经整合为Zephry系统；德国奥尔登堡大学开发了Previento系统；德国太阳能研究所开发了风电功率管理系统(WPMS)；美国AWS Truewind公司开发了eWind风功率预测系统；西班牙、爱尔兰、法国等国家都开发了风电功率预测系统[8]。

    在国家电网公司国家电力调度通信中心的组织下，中国电科院和吉林省电力公司开展了风电功率预测系统的研究和开发，并于2008年投入运行。目前已经开发出了基于人工神经网络、支持向量机等统计方法的风电功率预测模型，以及基于线性化和计算流体力学的物理模型，同时正在开展多种统计方法联合应用研究机统计方法与物理方法混合预测模型的研究。目前，华北、东北、西北、上海、江苏、福建、辽宁、吉林、黑龙江、甘肃、宁夏、新疆等风电功率预测系统已经投入运行，取得了不错的运行效果。国内其他科研机构和高校也开展了深入研究，取得了大量成果[9-18]。

    1.3  风电功率预测误差

    目前，我国单个风电场日前预测均方根误差为10%～20%，区域短期预测均方根误差为10%～25%(见表1)，这与德国6%左右的预测误差还有一定的差距，与电网负荷预测水平相比差距更大。超短期预测进行了一些试点研究，提前4 h的预测均方根误差为10%～18%。

    1.4  风电功率预测的评价指标

    风电功率预测受到预测算法、天气、风电场运行状态等多种因素影响，不可避免存在预测误差。目前国内外风电功率预测结果评价主要采用误差指标，包括均方根误差、平均绝对误差、最大误差、相关性系数等[4]，均方根误差和平均绝对误差适用于预测系统的整体性能评价，可用于评价预测系统或预测模型的优劣，但不适用于发电计划安排和实时调度。另外，由于风电功率固有特性与负荷不同，风电功率预测评价指标与负荷预测相关指标有不同的含义，有关预测误差的评价需要进一步深化研究。

    表1  风电功率预测误差

    Tab.1  Wind power prediction errors

    1.5  风电功率预测的主体

    在国外，电网运营商和风电场都是风电功率预测的主体。风电场开展风电功率预测的目的主要是进行电力市场竞价和风电场运行维护。如丹麦、德国、西班牙、英国、爱尔兰等国有完善的电力市场体系。风电场作为并网电源，需要参与日前市场竞价，因此对风电功率预测的依赖性和需求度越来越大。电网运营商开展风电功率预测的目的主要是进行全网电力平衡，保障系统安全稳定运行。如丹麦和德国，大量小型风电场通过配电网分散接入电网，其功率预测主要由电网运营商负责。而后期大型海上风电场集中接入输电网，风电功率预测由风电场负责。风电场和电网运营商都开展预测逐渐成为发展趋势。比如在与我国较为相似的美国，风电场和电网运营商都开展了预测工作，并且风电场有义务向电网申报发电计划，如果预测误差超出一定范围，风电场要向电网运营商缴纳罚款。

    2  风电功率预测存在的问题

    2.1  风电功率预测基础数据不完善

    数值天气预报是风电功率预测的基础，由于我国风电功率预测的数值天气预报模式尚未建立，目前吉林等风电功率预测系统还需依赖国外的数值天气预报数据。另外，风电场基础资料不健全，历史数据不完备，风电场没有建立实时测风系统，风资源情况尚没有纳入调度监测。

    2.2  预测精度不满足电网调度运行的需要

    目前风电功率预测的误差较大，特别是负荷低谷时段和负荷高峰时段经常出现超大偏差，如果按风电预测曲线安排发电计划将面临较大的风险。

    2.3  预测的时间尺度不满足要求

    目前，电网发电计划安排还需要72 h及以上的预测，这就需要更长时间尺度的数值天气预报服务，并具有较高的预测精度。随着我国电力工业的快速发展，电力系统步入了大电网、大机组时代，而大机组起停费用较高，短周期的频繁起停将带来巨大的社会代价，因此风电并网容量的进一步增加客观上要求系统运行方式和发电计划安排必须向更长时间尺度延伸，这也对风电年度、月度等较长时间尺度的预测提出了更高的要求。

    2.4  风电场还没有建立风电功率预测系统

    从国外的经验来看，风电场要参与预测并按时向调度中心上报预测曲线。但目前我国风电场基本没有建立风电功率预测系统，没有开展有效的发电出力预测工作。

    3  风电功率预测的发展建议

    (1)加快风电场侧风电功率预测系统建设。风电场开展精细化预测并上报发电计划是其履行本身义务的具体体现。虽然我国没有电力市场，但风电场作为主力电源之一，必须按照国家相关法规和技术标准的有关要求，与火电、水电等电源一样上报发电计划并接受考核。风电场应尽快建立预测系统，不断完善更新基础资料，建立精细化风电功率预测，同时风电场将预测结果上报给电网调度机构。并且，风电场预测系统的建设应与风电场建设同步进行，从而保证所有的风电都在预测系统之内。风电场开展预测工作，一方面可以提高预测精度；另一方面有助于风电场合理安排运行计划，提高风能利用率。

    (2)尽快完善电网侧风电功率预测及考核系统的建设。我国“建设大基地、融入大电网”的风电发展模式与国外有较大的区别，风电对整个电力系统安全稳定运行影响日益加深。加快电网侧风电功率预测及考核系统的建设是电网履行支持新能源发展责任的重要体现。电网侧风电功率预测及考核系统应既要实现预测区域的全覆盖，又要实现对风电场上报结果的统计分析和考核，以促进预测水平的不断提升。

    (3)加快超短期风电功率预测功能建设。因为日前风电功率预测误差较大，所以必须开展0～4 h的超短期预测，对电网运行情况进行滚动调整。风电场和电网都应尽快实现超短期风电功率预测。

    (4)深化风电功率预测相关技术研究。数值天气预报是进行风电功率预测的基础数据。风电功率预测用数值天气预报有别于提供公众服务的常规数值天气预报，需要对0～100 m边界层风速进行优化，并开发出专门用于风电功率预测的数值天气预报应用系统。另外，应进一步深化风电功率预测统计方法和物理方法的研究和应用，开展集合预报方法的研究，加快超短期预测方法的研究和应用。

    (5)加强标准体系建设。为了保证风电功率预测系统建设工作的有序进展，国家相关部门应尽快制定风电功率预测系统建设及运行相关管理办法，制定相关国家标准和行业标准，对实时测风塔建设、预测系统功能、运行管理等方面进行规范。

    (6)开展跨行业合作。风电功率预测是我国风电发展中出现的一个新课题，需要气象行业和电力行业开展深度合作，发挥各自优势，共同推动预测技术水平的提高。相关部门应加强近地边界层的基础理论研究，开发适合风电功率预测用的数值大气预报模式，电力行业应加强风电功率预测系统的开发及应用研究。各方既有分工，又有合作，共同推动风电功率预测技术的持续进步。各单位、各部门应加强技术交流和培训，增进专业融合，不断提高专业技术水平。

    4  结语

    不断加强风电功率预测系统建设，提高预测精度是保障风电进一步快速发展的客观要求。今后应尽快建立电网侧和风电场侧预测系统，实现超短期预测功能，不断深化预测技术研究，提高预测精度，促进风电与电网的和谐发展。

    作者简介：范高锋(1977—)，男，河北栾城人，博士，从事电力系统分析和风电调度运行研究。E-mail：Fan-gaofeng@sgcc.com.cn

参考文献：

[1]张丽英，叶廷路，辛耀中，等.大规模风电接入电网的相关问题及措施[J].中国电机工程学报，2010，30(25)：1-9.

ZHANG Li-ying, YE Ting-lu, XIN Yao-zhoug, et al. Problems and measures of power grid accommodating large scale wind power [J]. Proceedings of the CSEE, 2010, 30(25): 1-9.

[2]风电并网运行报告[R].北京：国家电网公司，2009.

[3]迟永宁，刘燕华，王伟胜，等.风电接入对电力系统的影响[J].电网技术，2007，31(3)：77-81.

CHI Yong-ning, LIU Yan-hua, WANG Wei-sheng, et al. Study on impact of wind power integration on power system[J]. Power System Technology, 2007, 31 (3): 77-81.

[4]风电功率预测功能规范[S].北京：国家电网公司，2011.

[5]范高锋，王伟胜，刘纯，等.基于人工神经网络的风电功率预测[J].中国电机工程学报，2008，28(34)：118-123.

FAN Gao-feng, WANG Wei-sheng, LIU Chun, et al. Wind power prediction based on artificial neural network[J]. Proceedings of CSEE, 2008, 28 (34): 118-123.

[6]冯双磊，王伟胜，刘纯.风电场功率预测物理方法研究[J].中国电机工程学报，2010，30(2)：1-6.

FENG Shuang-lei, WANG Wei-sheng, LIU Chun, et al. Study on the physical approach to wind power prediction[J]. Proceedings of the CSEE, 2010, 30(2): 1-6.

[7]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering, 1985, 9(1): 1-8.

[8]ACKERMANN T. Wind power in power system[M]. Chichester, England :John Wiley & Sons, Ltd, 2005.

[9]王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短期风速预测[J].电网技术，2010，34(1)：179-184.

WANG Xiao-lan, WANG Ming-wei. Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine[J]. Power System Technology, 2010, 34(1): 179-184.

[10]王彩霞，鲁宗相，乔颖，等基于非参数回归模型的短期风电功率预测[J].电力系统自动化，2010，34(16)：78-82.

WANG Cai-xia, LU Zong-xiang, QIAO Ying, et al. Short-term wind power forecast based on non-parametric regression model[J]. Automation of Electric Power Systems, 2010, 34(16): 78-82.

[11]杨琦，张建华，王向峰，等.基于小波神经网络的风速及风力发电量预测[J].电网技术，2009，33(17)：44-48.

YANG Qi, ZHANG Jian-hua, WANG Xiang-feng, et al. Wind speed and generated wind power forecast based on wavelet-neural network[J]. Power System Technology, 2009, 33 (17): 44-48.

[12]井天军，阮睿，杨明皓.基于等效平均风速的风力发电功率预测[J].电力系统自动化，2009，33(24)：83-87.

JING Tian-jun, RUAN Rui, YANG Ming-hao. Wind power forecast based on equivalent average wind speed[J]. Automation of Electric Power Systems, 2009, 33 (24): 83-87.

[13]潘迪夫，刘辉，李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术，2008，32(7)：82-86.

PAN Di-fu, LIU Hui, LI Yan-fei. A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm[J]. Power System Technology, 2008, 32 (7): 82-86.

[14]王耀南，孙春顺，李欣然.用实测风速校正的短期风速仿真研究[J].中国电机工程学报，2008，28(11)：94-100.

WANG Yao-nan, SUN Chun-shun, LI Xin-ran. Short-term wind speed simulation corrected with field measured wind speed[J]. Proceedings of the CSEE, 2008, 28 (11): 94-100.

[15]孙春顺，王耀南，李欣然小时风速的向量自回归模型及应用[J].中国电机工程学报，2008，28(14)：112-117.

SUN Chun-shun, WANG Yao-nan, LI Xin-ran. A vector autoregression model of hourly wind speed and its application in hourly wind speed forecasting[J]. Proceedings of the CSEE, 2008, 28 (14): 112-117.

[16]蔡凯，谭伦农，李春林，等时间序列与神经网络法相结合的短期风速预测[J].电网技术，2008，32(8)：82-85.

CAI Kai, TAN Lun-nong, LI Chun-lin, et al. Short-term wind speed forecasting combing time series and neural network method[J]. Power System Technology, 2008, 32 (8): 82-85.

[17]吴兴华，周晖，黄梅.基于模式识别的风电场风速和发电功率预测[J].继电器，2008，36(1)：27-32.

WU Xing-hua, ZHOU Hui, HUANG Mei. Wind speed and generated power forecasting based on pattern recognition in wind farm[J]. Relay, 2008, 36(1): 27-32.

[18]韩爽.风电场功率短期预测方法研究[D].保定：华北电力大学，2008.

HAN Shuang. The research methods of wind power short-term prediction[D]. Baoding: North China Electric Power University, 2008.