試析風能發電預測技術研究的現狀與發展

丁湘躍

摘要：本文主要對過去幾年風能發電的預測技術進行了追蹤和概述，針對風能發電預測技術當中存在的不足和一些需要改進的地方進行了討論，希望對以后的相關研究提供一定的幫助，提高風能發電預測的準確性。

關鍵詞：風能發電 預測技術 人工智能技術 統計學

在解決能源危機的過程當中，對可再生能源的開發和利用是一種最主要的途徑，而利用可再生能源進行發電則是清潔和高效的能源利用方式。對于風能發電來講，隨著科技的不斷發展，到2020年的時候風能發電基本上能夠滿足全球電力的12%需求。可再生能源發電新的一種模式就是采用微電網，但是因為可再生資源具有能控性、間隙性以及不穩定性，這樣微電網在和傳統電網進行并網運行的時候就會存在很多的困難，而要很好的解決這些困難，那么關鍵的一步就需要對可再生資源的發電量進行比較準確的預測。

而最近幾年，隨著計算機技術的不斷發展，各個國家的學者就提出了很多基于人工智能技術和基于復雜統計學的發電預測模型，在建立這些預測模型的時候需要花費很多的時間，但是預測的效果要比傳統的預測技術要強很多。

1 風能發電預測技術研究現狀的分析

在對風能發電預測中可以發現，風能發電的時間序列數據呈現出一種混沌的現象，所以可以對風能的發電量進行一定的預測。在風能發電的預測中，主要為風速的預測、功率曲線的求解、數據輸出統計等，其中風速預測是主要的工作內容。

可是，在實際風速預測中存在一定的難度，主要表現為地理地形差異、空氣密度、大氣壓差異性、區域溫度差異等。根據風能發電預測的時間，一般把風能發電預測分為短期預測、中期預測和長期預測。短期預測時間為三到六小時的預測，這種方式將能及時的監控發電機的運行效果有利于制定電能儲備計劃；中期預測時間為六到七十二小時，主要是利于制定電能調度策略；長期預測時間為三到十天，將有利于制定能源的使用計劃，其中短期預測是最重要的預測形式。

在風能預測中，主要分為兩步，首先進行數據收集，其次是數據處理。收集的數據主要是大氣數據和風電場發電的歷史數據；數據處理就是對收集到的數據進行分析預測發電量。風能發電模型一般分為間接預測與直接預測。

1.1 對風能發電能進行間接預測的方法

利用風能進行發電，其實就是把風速產生的能量轉換為電能的一種發電方式。對風能發電量進行預測，就是對風的速度進行預測，利用發電機的功率曲線數據圖把風速的預測值轉換為電量的預測值。在實際工作中，有四種方法可以對風速進行預測，為物理預測法；基于統計學的預測法；基于人工智能技術的預測法；綜合預測法。

物理預測法，是一種傳統的風速預測方法，與我國的氣象預測差不多，針對數值天氣進行預測的一種物理方法。物理預測法主要是經過對天氣的某一時間的觀察資料進行數據分析，采用數值方法把大氣的熱力與動力進行求解，得出風速的預測值。綜合風速預測值與發電機組的功率曲線進行數據分析，就會推出發電量的預測值。針對三到十天的長期風速預測，物理預測法比較有效果，而對于三到六小時的短期風速預測，這種方法存在一定的缺陷。因為采用物理預測法進行風速預測的時候，容易對近地面的風速、風向預測產生系統誤差，造成發電量預測出現差異。特別是在對子網進行風速預測的時候，容易忽視地形帶形成的風帶。針對這種缺陷，提出了基于統計學的預測方法，提高了物理預測法對發電量預測的準確性。

基于統計學的預測方法是利用系統觀測的風速歷史信息（風速時間序列觀測數據），采用參數估計和曲線擬合的方法建立風速預測模型，同時根據風速預測值和風速實際值的差異，及時調整風速預測模型的參數。與其他預測方法相比，基于統計學的預測方法更容易建立預測模型，短期風速預測的準確性也高。

基于人工智能技術的預測法。人工智能的本質其實就對人的思維方式進行模擬，而采用人工智能技術建立起來的風能發電預測模型具有一定的學習能力，而且當歷史數據增加的時候，預測的精度也會相應的提高。

和統計預測模型相比較，構建人工智能預測模型要容易一些，所需的時間也更少，對于風速輸入和輸出之間的確定數學表達式人工智能預測模型也不需要，而是通過對預測模型進行訓練從而得到預測值。

綜合預測法。綜合預測法主要就是指通過對不同預測方案的預測值進行比較，從而就能夠得到一個最有準確性的統計預測模型。它基本的思想就是如果不同的預測方法在進行預測的過程當中所產生的預測值錯誤是沒有偏差的話，而且相互之間存在比較低的關聯度，那么單個預測方案的錯誤就會傾向于相互之間的彌補，這樣一個組合的預測出錯率和任何一個基本的預測相比都要低一些。

1.2 對風能發電能進行直接預測的方法

直接預測的思想主要就是將風能發電量的歷史信息作為預測模型的輸入，那么發電量的預測值就是預測模型的輸出。

在采用人工神經網絡對風能發電量進行預測的一個案例研究當中，MABEL等采用人工神經網絡建立起了一個具有三個輸入變量的發電量的預測模型，這個輸入變量是相對空氣的濕度、發電的時間以及風速。在一種新的短期風能發電預測技術當中，NEGNEVITSKY等在對風能發電量進行預測的時候就采用了自適應性模糊推理系統，使用的不同預測參數主要就是風向、風速以及風矢量等，同時對于這些參數各自的優點和缺點也明確的指出來了。在對風能發電進行預測的時候如果采用的是復數神經網絡的話，KITAJIMA等采用的復數坐標就是方向和風速，然后把這個復數坐標當成是復數神經網絡的輸入，而在對復數網絡的權重進行調節的時候，主要就是通過方向傳播算法來完成的，這樣建立起來風能發電預測模型就能夠有效地減小方差的誤差。另外因為復數神經網絡比較適合處理那些非線性數據以及比較復雜的數據，和一般的人工神經網絡建立的預測模型相比較，復數神經網絡建立起的預測模型預測的精度更高一些。

2 對風能發電預測技術研究的發展分析

在對風能發電進行預測的過程當中，如果采用間接預測模型預測出現錯誤的話，最主要的一個原因就是把風速的預測值直接通過風力發電機組制造商所提供的功率曲線轉換成了發電量的預測值，但是事實上風力發電機組制造商所提供的功率曲線都是在理想的條件下得到的數值，那么就不能夠在各種各樣的情況下對風速和發電量的情況進行比較準確的描述。為了能夠使得預測的精度能夠進一步的提高，應該要根據實際的情況，采用一些相關的技術比如統計的方法來得到風速和發電量之間比較準確的關系。所有對風能發電進行預測的模型，預測的準確度都需要依賴于原始輸入數據的準確性，那么在對這些氣象信息進行收集的時候，就可以通過部署遠程氣象傳感器來進行實時的收集，這樣原始輸入數據的準確性就能夠得到很好的保證，最終使風能發電的預測能夠更加的準確。

3 結束語

通過本文的簡單介紹，可以幫助那些新的研究人員跟蹤和了解風能發電預測技術現在的發展狀況，希望能夠對風能發電預測技術的研究工作更進一步，從而使得提出的風能發電預測方案能夠更加的準確。

參考文獻：

[1]陳垣毅.風能及光伏發電功率短期預測方法研究[D].浙江大學，2013.

[2]黃超輝.微電網的發電和負荷預測及其模糊控制研究[D].湖南大學，2012.

[3]楊志凌.風電場功率短期預測方法優化的研究[D].華北電力大學（北京），2011.

[4]仝紀龍.河西地區風速變化特征及風能預測方法研究[D].蘭州大學，2012.

[5]劉琳.新能源風電發展預測與評價模型研究[D].華北電力大學，2013.

[6]戴義平，夏俊榮，趙攀.風電功率預測技術及發展現狀[A].中國動力工程學會透平專業委員會.中國動力工程學會透平專業委員會

2011年學術研討會論文集[C].中國動力工程學會透平專業委員會，2011：15.