多時空尺度的風力發電預測方法綜述

姜兆宇 賈慶山 管曉宏

隨著全球能源危機和環境危機愈發嚴重,風能等可再生能源的利用變得愈發重要.自上世紀末以來,全世界風力發電的裝機容量在迅速增長,中國的風力發電裝機容量也與日俱增,呈現迅猛發展的態勢.據中國可再生能源協會發布的《2016年中國風電裝機容量簡報》[1],中國2016年風電新增裝機容量2337萬千瓦,同比增長16.08%.利用好這些風電并使其為電網用電需求服務將對節能減排產生重要影響.然而,由于日照、地形、氣壓等不確定環境因素的影響,風速和風力發電功率具有較大的不確定性.為增加風電上網量,在保證供需實時平衡的條件下,不僅需要增加調峰機組,導致發電成本上升,而且要承擔風電電壓不穩定給并網輸電帶來的風險[2].預測風力發電,可以幫助及時調整調度計劃,找到最優的機組組合方案,減少調峰發電機組容量,為風電機組維修保養的時間提供參考[3-4].因此,提高風力發電預測精度將會降低風能利用成本并提升風力發電接入效率.

現有研究已經從不同的角度總結了風力發電的預測方法,包括對風速和風電功率(風電)的預測.在預測尺度上,部分研究考慮了時間和空間尺度.在時間尺度方面,Colak等[3]2012年綜述基于數據挖掘的風電預測方法時考慮到時間尺度.Ata[5]綜述了人工神經網絡在風力發電系統中的應用,并在總結風電預測時,根據對象種類和時間尺度對預測方法分類.Okumus等[6]綜述了短至10分鐘、長至72小時的不同時間尺度的風速和風電預測方法,并提出了一個基于神經網絡的混合預測方法.在空間尺度方面,彭小圣等[7]從單個風電場和集群風電場總結了短期和超短期風電功率預測技術.葉林等[8]綜述了基于空間相關性的風電功率預測方法,并將單臺風電機的風電預測和風電場的風電預測相聯系,將單個風電場的風電預測和集群風電場的風電預測相聯系.Jiang等[9]綜述了不同空間和時間尺度下的風速和風電的預測方法,并對比這些方法的預測精度.

在預測方法上,通常考慮單一方法和組合方法.對于單一方法,Kusiak等[10]、Foley等[11]和Jung等[12]都從物理和統計方法兩個角度綜述了風電預測方法.另外,Ata[5]綜述了人工神經網絡方法在風電預測中的應用;Colak等[3]綜述了基于數據挖掘的風電預測方法;Wang等[13]從模型輸入輸出個數、迭代步數、模型選擇等角度,綜述了現有的風電預測方法;Carta等[14]綜述了測量–關聯–預測(Measure-correlation-prediction,MCP)[15]方法,介紹這類方法的思想、目標和決定因素,并從風速、風向以及參考測量點數量等方面,總結了運用測量–關聯的預測方法.組合方法可回避單一方法的某些局限性.Xiao等[16]和Tascikaraoglu等[17]從數據預處理、參數選擇和優化、誤差處理的角度,綜述了預測風速與風電的組合方法.其中,Xiao等[16]分析了組合方法應用的技術,包括分解原始信號、選擇子方法權重、預測殘差等,并提出了兩種方法組合理論.Kusiak等[10]也綜述了預測風力發電量的組合方法.

其他方面,Zhang等[18]和Yan等[19]綜述了風電不確定性的預測方法.Zhang等[18]從不確定性的定義、不確定性預測的評價標準、模型的參數估計方法等角度綜述了風電預測方法.Yan等[19]從輸入數據、預測模型原理、不確定性表達方式和預測時間尺度等角度綜述了風電不確定性的預測方法,并分析了不確定性的來源.Gallego-Castillo等[20]介紹了爬坡預測(Ramp forecasting)[21]的定義、爬坡對應的基本氣象過程,并從坡度和爬坡分布概率的角度,分別綜述了風電的爬坡預測方法.Jung等[12]分析了三種風力發電預測需求(區域預測,概率預測和離岸預測),并根據每一種需求,綜述了現有風速和風電預測方法,總結了影響風力發電預測精度的因素和提高預測精度的典型技術手段.

許多與電網相關的操作,包括機組組合、計劃與調度、負載均衡和負載跟隨,都執行在不同的空間和時間尺度上.所以,與這些操作相關的風力發電預測也需要關注不同的空間和時間尺度.

本文結構如下:首先,前三節按照空間尺度,將研究成果分為針對單臺風力發電機、單一風電場和風電場群等三類;其次,由于不同風力發電預測任務可利用的數據不盡相同,在根據空間尺度分類后,將研究成果根據是否使用氣象信息分為兩類;接著,在每個子節中按照時間尺度將研究成果再分為不超過24h的短期預測和超過24h的長期預測兩類[3-4];最后,在每個時間尺度上,根據風力發電預測存在的挑戰,總結已有的研究成果.本文還總結了相同時間尺度不同空間尺度、不同時間尺度相同空間尺度上預測方法的關聯和差異,希望可以幫助研究人員在面臨不同的風電預測任務時,找到合適的預測方法.

1 單臺風力發電機的發電預測

風力發電機是指可以將風的動能轉化為電能的設備.一般認為,當風速處于截止風速與額定風速之間時,單臺風機的發電功率大致與風速的三次方成正比[22].因此,本文將風速預測方法納入風力發電預測研究之中.

單臺風力發電機的預測主要有如下挑戰:1)單臺風力發電機的空間規模小,局地因素比較復雜,因而風電的波動較大[23].2)風電變化規律受局地因素影響而復雜[23],缺乏合適的描述模型,難以為研究人員建立預測模型提供借鑒.因此研究人員需要不斷嘗試,針對不同地理環境和氣候環境,找到影響風電的因素和規律,建立合適的風力發電預測系統.

1.1 基于風力信息的風力發電預測

風力信息包括風速數據和風力發電功率數據,本節提到的風力發電預測方法僅基于這些信息進行預測.在針對單臺風力發電機的風電預測模型中,一般不考慮其他風力發電機的影響和風向變化帶來的發電不確定性.

風電具有隨機性和間歇性的特點.據相關數據分析,單點的風速、風向的統計規律會隨著時間尺度的不同而不同[24].下面分別從短期預測和長期預測,介紹基于風力信息的預測方法.

1.1.1 短期預測

當預測尺度不超過24h,風速的方差和擾動的強度會隨著時間尺度的增加而增大[24].這說明風力變化過程在短期具有慣性,而在時間尺度增加后慣性逐漸消失.同時,風速的間歇性主要發生在預測時間尺度較短的時段[24].這種慣性和間歇性會由于風力發電機所處的地理位置、環境、預測時間和季節的不同而變化,也會由于噪聲的影響而難以探測.因此,短期預測主要考慮如何從數據中挖掘這些性質特征.一般來說,需要分析歷史數據中存在的風力變化模式特征,并用當前序列匹配其中的某種特征,得到預測值.所挖掘的特征也可以用于總結預測值與真實值的誤差變化模式,從而幫助修正預測值.其框架如圖1所示.

圖1 單臺風機短期風速風電預測方法框架Fig.1 Framework of short-term wind power forecasting methods for a single turbine

短期預測的模型通常包括自回歸模型、馬爾科夫鏈模型和卡爾曼濾波等.這些模型都可以實現多步的預測.在自回歸模型方面,文獻[25]提出用線性自回歸方法預測未來10步以內的風速,時間間隔為5s,并提出將原始數據用低通濾波器濾波后,再計算線性自回歸系數,消除噪聲的影響.文獻[26]運用風電預測值與歷史風速和風力發電功率的線性回歸,并利用相鄰2天風電相關性較強的特點,得到了針對單臺風力發電機12h以內的預測結果.文獻[27]運用了泰勒–克里格方法預測風電時間序列,首先利用風電預測值與歷史觀測值的相關性隨時間的流逝而減弱的特點,修正樣本序列與待估序列的歐氏距離,接著將時間序列的估計轉化為空間未知樣本的估計,以便利用泰勒–克里格方法.在馬爾科夫鏈模型方面,文獻[28]假設風速的短期變化過程是平穩的,具有馬爾科夫性.通過離散化歷史狀態和計算狀態的轉移概率,再根據馬爾科夫性預測未來狀態,最后根據每個狀態區間的經驗風速分布,估計風速的預測值.在卡爾曼濾波方面,由于卡爾曼濾波可以被看作最優自回歸數據處理算法,而且不需要平穩性假設,因此在分析風速、風電的自相關性方面十分有效.早在1985年,文獻[29]就用卡爾曼濾波做短期的風力發電預測.卡爾曼濾波也是通過迭代預測多步風速或風電的代表性方法.

1.1.2 長期預測

當預測尺度超過24h,預測階段的風力與觀測到的風力相關性變小,風力的慣性基本消失.因此主要考慮如何從風力信息挖掘風速或風電的長期變化趨勢.一般可用變形的自回歸滑動平均方法預測長期風電.文獻[30]運用指數平滑方法,認為觀測值的權重隨時間流逝以負指數速度降低.并通過估計預測誤差,修正指數平滑方法的預測結果,預測20h后的風速.文獻[31]應用分數自回歸積分滑動平均(Autoregressive integrated moving average model,ARIMA)模型,將差分參數設成分數,使模型能夠揭示風速的長期相關性,從而預測1～2天以后的風速.神經網絡也可以分析風速時間序列.文獻[32]探究了風能動態系統中相空間重構所需的輸入數據維數和時間間隔.通過分析輸入數據的主成分,找到合適的輸入維數和時間間隔參數,并利用神經網絡探索輸入數據和風電預測值之間的關系,使模型能夠預測長期風電.由于較短時間尺度的觀測數據體現的規律很難在較長的時間尺度內保持不變,一般通過平滑數據提高觀測數據的時間尺度,以便找到長期變化趨勢來預測風電.

1.2 綜合風力與其他氣象信息的風力發電預測

本節中的其他氣象信息包括大氣溫度、大氣壓力、濕度、風電場周圍地理信息等氣象環境的實測信息,也包括根據這些實測信息和動態方程得到的數值天氣預報(Numerical weather prediction,NWP)信息.這些氣象信息將與風力信息一起,作為本節提到的風電預測方法的輸入.下面從短期和長期預測兩方面介紹綜合風力信息和其他氣象信息的風力發電預測方法.

1.2.1 短期預測

在包含氣象信息的短期預測方法中,基于數值天氣預報的方法很早就被使用,因為這是非常直觀的一類風力發電預測方法.風是太陽輻射加熱空氣的結果.雖然風的變化較為復雜,但大氣及其附屬物的運動仍然遵循許多物理定律,包括牛頓第二定律、動量守恒定律、熱力學第一定律、氣體實驗定律等[33].這些規律都有數學表達式相對應,成為構建數值天氣預報方程組的基本物理規律.從1904年至今,人們發展了數值天氣預報模式,逐漸提高計算精度,提高邊界條件和初始條件的質量,獲得了較精確的天氣預報結果[34].其中,風速的預測結果幫助研究人員實現風力發電預測.

利用數值天氣預報預測風力發電的步驟如圖2所示.1)利用數值天氣預報的中尺度模擬,得到高空大氣中的風速預測數據;2)對地形和地面粗糙度建模,估計當地的風速廓線函數,并結合數值天氣預報結果,得到風力發電機輪轂高度的風速值.再利用風力發電機組的風速–功率轉化曲線(理論曲線或實際擬合曲線),得到風力發電機組的發電功率預測值[35].此外,可以根據數值預報結果和實測風速風電數據,通過計算協方差并利用最小二乘法,擬合二者之間的關系來預測風速風電.文獻[36]擬合了數值天氣預報的風速結果與測量風速的關系,并根據上述關系,修正風速的預測結果,進而通過依賴于風向的風速–功率曲線得到風電功率的預測值.

圖2 利用數值天氣預報預測單臺風機短期風電步驟Fig.2 Procedure of short-term wind power forecasting methods for a single turbine using numerical weather prediction

1.2.2 長期預測

數值天氣預報作為天氣模擬系統,利用了嚴格的物理規律,只要邊界條件和初始條件足夠精確,就能精確預測較長時間范圍內氣象變量的變化情況.因此,在長期預測的要求下,利用數值天氣預報的方法依然有效.但數值天氣預報預測的風速畢竟不能代表風機輪轂處的實際風速,因此需要根據實際風機的環境,經過修正后才能使用.而且風力發電機的風速–功率曲線也不會完全與理想曲線吻合,需要根據實際場景分析.文獻[37]利用模型輸出統計,根據已有的數值天氣預報模式(Eta)預測的風速數據、3h前風速觀測數據、6h前風速觀測數據和當前觀測到的風速數據,做了針對數值天氣預報輸出風速結果的線性校正公式,進而得到校正后的風速預測值.由于風速–功率曲線的不確定性,文獻[38]用人工神經網絡等工具擬合風速–功率曲線與相關氣象因素的關系,以便在不同的氣候環境中更精準地將風速估計值轉化為風電估計值.

1.3 單臺風力發電機的發電預測方法小結

單臺風力發電機通常存在于兩種情形:1)風力發電機單獨存在,服務區域較小,服務對象較少;2)風力發電機為評估地區風資源而存在.由于第2種情形下的風電預測會在區域風電場群的風電預測中考慮,本節所述文獻主要針對第1種情形.由于單臺風力發電機本身功率有限,無論是否接入電網,都對電網的影響比較小,因此已有工作對此涉及較少.

表1對比了針對單臺風力發電機的不同風電預測方法的輸入數據、適用范圍和預測誤差.從預測誤差上看,由于國際上對風速及風電的預測誤差沒有統一的評價標準(中國國標的評價標準包括:全天預測結果均方根誤差、日平均預測計劃曲線準確率、日平均預測計劃曲線合格率[39]),且使用的數據不盡相同,預測誤差之間沒有可比較性.從方法上看,一般來說,若只用風力信息做輸入,會分析并利用預測尺度上的風速風電自相關性.若利用數值天氣預報,則重點考慮如何將預報結果轉化為風機輪轂處的風速,并在不同氣象環境條件下如何得到精確的風速–功率轉化曲線.

表1 單臺風力發電機的部分發電預測方法對比Table 1 Comparison among part of wind power forecasting methods for a single turbine

2 風電場的風力發電預測

風電場通常包含若干臺風力發電機.由于地形限制和尾流效應,風電機組往往呈現高低錯落,依地勢風口而延展的排列.由于風向具有很強的隨機性,原本依據主風向排列的風機并不能時刻達到與風力相匹配的發電功率.因此,風力場的發電預測不能只考慮單臺風機的發電特性,更要考慮各個風機輸出風電的關系以及整個風電場的風電特性.

在針對風電場的發電預測時,主要有兩方面的困難.1)風電場的風電變化過程依然是非線性且非平穩的.除了風力變化過程非線性且非平穩外,風力發電機的風速–功率曲線也是非線性且截斷的,風電場的風機相互影響也導致整體風電輸出具有一定的隨機性和非平穩性.2)預測模型的參量類型選取和參數計算依然比較復雜.被認為揭示風力非平穩性和隨機性的洛倫茲方程組[40],雖然給出了這種隨機性對應某種奇異吸引子的理論,但用何種已知變量、如何建立近似真實奇異吸引子的模型仍值得探索.對運用已有知識、處理細節及優化參數等問題解決得好壞,也將影響風電場風電預測精度的高低.

2.1 基于風力信息的風電場風力發電預測

本節中的風力信息與第1.1節中的定義相同,只考慮風電場的風電數據和某些測量點的風速數據.風電場的風力發電預測是對風電的整體性估計.假設風電場內N臺風力發電機的發電功率是獨立同分布的(雖然有研究表明這樣的假設不總是成立[41]),那么根據中心極限定理,平均發電功率的方差是單臺風力發電機發電功率方差的1/N.因此,風電場發電功率的隨機性和非平穩性與單臺風力發電機相比變弱.針對風電場的風電預測是風電預測的主要方向.下面從短期和長期預測兩方面介紹風力發電預測的難點,并針對這些難點,介紹相應的研究成果.

2.1.1 短期預測

與上一節相同,短期預測一般預測未來0～24h的風電,一般為風電機組的控制、載荷跟隨等服務,也可以為經濟的負載分配、調節策略提供服務[3-4].由于預測時間尺度較短,影響風電場短期預測精度的因素一般包含風電過程的間歇性、非平穩性,以及數據間隔和重構步長的選取.

與單臺風力發電機的風電預測不同,風電場風電過程的間歇性是由于風電場整體風力存在間歇性變化產生的,而不是受局部地區地形環境因素影響產生的[23].風電的間歇性通常表現為風電過程曲線出現上升或下降坡.文獻[42]利用貝葉斯推斷預測帶有間歇性的風電場發電情況.首先根據知識和經驗,從數據中挖掘風力變化的平穩性特征.接著通過數據聚類,計算風力爬坡現象發生的概率.最后利用這些特點,用貝葉斯推斷預測風速和風電.文獻[43]利用支持向量機預測風速爬坡,改進基于馬爾科夫鏈和轉移概率的風電變化過程描述模型.

風電場的風力情況也具有一定慣性,在預測尺度較短時,由于整體效應,這種慣性會穩定一段時間.因此,馬爾科夫鏈[44-45]、自回歸(積分)滑動平均模型[46-47]均可以幫助實現風電的點預測或概率置信區間預測.如果預測時間尺度有所增加,風力變化過程的平穩性將有所減弱,此時基于狀態轉移和線性回歸的方法可能不再適用,取而代之的是深入尋找數據中隱含的高維特征的預測方法,包括神經網絡回歸、支持向量回歸、回歸樹等軟計算方法[48-56].這些方法將過去一段時間的風速、風電或風速風電的某種平均當作輸入變量,把所預測的單步、多步風速或風電當成輸出變量,通過低代價和較為魯棒的黑箱模型,模擬這種動態變化關系.有研究人員通過模擬的人工神經網絡來模擬風速動態過程,以克服傳統網絡難以獲得最優結構和陷入局部最優的限制[57].也有研究人員利用貝葉斯推斷為神經網絡參數提供后驗知識,幫助簡化網絡結構和學習過程[58],還有研究人員將不同方法的預測結果進行貝葉斯組合[59],或根據預測時間尺度選擇不同的方法,再將預測結果組合[60];或設計不同優化目標的神經網絡,并生成最優權重系數來組合不同神經網絡的預測結果[61]等.

在基于風力信息的預測方法中,數據間隔和重構步長的選取直接影響風力變化過程的預測效果.文獻[62-64]研究了歷史數據的長度對自回歸滑動平均模型、神經網絡、支持向量回歸等模型預測精度的影響.一些研究者希望通過合適的分解構造不同尺度的序列,并根據序列的尺度分別建立預測模型,以提高整體序列的可預測性.文獻[63,65-72]討論了小波分解和經驗模態分解在風速風電預測中的應用.文獻[73]在綜合利用經驗模態分解和神經網絡預測風速時,著重強調數據預處理的重要性.圖3綜合展示了基于風力信息的風電場短期風電預測方法框架.首先,根據預測目標時間尺度和風電變化特征,對原始觀測序列進行數據重采樣或預處理.然后,利用信號特征分析方法,提取風電變化過程的可預測特征,尤其是短期風電變化過程的間歇性特征.再將特征序列輸入到經過參數優化后的預測器中,并把各個特征的預測結果相結合,得到所需的風電預測結果.

圖3 基于風力信息風電場短期風電預測方法框架Fig.3 Framework of short-term wind power forecasting methods for a wind farm with wind information

2.1.2 長期預測

長期風力發電預測一般預測未來24h以上的風電,一般為能源交易策略、協調最優的機組組合方案提供參考,并為目前電力市場的安全運行提供服務[3-4].由于時間尺度比短期預測大大增加,預測區間風速或風電的不穩定性也將增加[24].因此,選取合適的數據和模型,尋找不穩定風速或風電變化過程中的規律,消除非平穩性對預測的影響,是長期預測的關鍵.

為了減少非平穩性逐漸增大給風電預測帶來的困難,一種做法就是對輸入數據濾波,提高信噪比.然后將處理后的數據作為自回歸滑動平均、軟計算等方法的輸入,得到風速或風電的長期預測結果[22,74-82].這種做法通常需要提高輸入數據的時間間隔,通過尋找風電長期變化趨勢來彌補預測方法只針對單一特征的不足.但數據的波動性也會隨著時間間隔的增加而增大,為長期風電趨勢的預測增加困難[24].

如果風電的長期非平穩性較強,一般可以利用信號分解方法將非平穩序列分解成平穩成分和隨機成分.此時難以預測的隨機成分占總體幅值比例較小,容易預測的平穩成分占總體幅值比例較大.接下來針對每一組成分,通過相空間重構分析和回歸分析,訓練針對當前成分的預測器.最后根據這些預測器得到的各個成分的預測值,并利用信號分解時所用的參數進行重構,得到長期風速或風電的預測結果,如圖4所示.文獻[83]先利用小波變換分解觀測數據,然后用模糊自適應諧振網絡預測風電,再用支持向量回歸預測模糊自適應諧振網絡產生的偏差,最后利用預測偏差修正預測結果.文獻[84-85]用經驗模態分解和機器學習相結合的方法預測風速.文獻[86]結合信號分解和相空間重構的思想,針對分解后的每一列原始數據,設計預測方法及輸入結構,再預測風速.當然,這些方法也會對原始數據進行逐時或逐日均值濾波,以便找到風的長期動態變化趨勢.

圖4 利用信號分解預測風電場風速風電方法框圖Fig.4 Framework of wind power forecasting methods for a wind farm using signal decomposition

長期預測更加注重提取原始數據的特征,以降低非平穩性對預測的干擾.主成分分析是尋找高維特征的一個常用方法.通過對歸一化的連續時間序列樣本組成的延時矩陣進行主成分分析,得到主成分特征向量,并以此為輸入數據,利用軟計算或k近鄰分析等方法預測各主成分,最后利用逆映射和反歸一化,得到風速或風電的預測結果[87-88].對于風能動態過程的不同主成分數據,可以選擇不同的預測模型[89].文獻[90]利用主成分分析方法,篩選對同一時刻的多維輸入數據的主成分,使狀態空間減小,改善了預測算法的輸入結構.文獻[91]利用基于快速評價的方法來判斷輸入變量對預測結果的影響大小,保留影響大的輸入變量,簡化了輸入數據結構.自回歸分析也可以提取數據變化的特征.文獻[77]根據利用自回歸分析,確定輸入向量的結構,再利用非線性擬合或濾波方法預測風速或風電.

然而,利用上述方法預測長期的風速或風電存在一些明顯不足.1)時間序列在前向迭代預測或在跨越長時間尺度前向預測的過程中,其預測誤差不斷累積并向前傳播,長期預測的效果變差[92];2)由于模型結構單一,隨著預測時間尺度的增加,迭代結果將逐漸收斂到平均值或某一固定的頻率,失去預測能力;3)由于風電與觀測風速在一定范圍內呈近似三次函數的關系,將風速轉化為風電的過程會放大風電預測誤差;4)如果通過提取輸入數據特征獲得知識的方法建立模型,會存在特征提取片面,高維核函數選取不恰當的情況.這些問題可以通過數據融合和方法綜合的方式來解決.

數據融合指綜合利用不同時間尺度上的預測結果,既包含長期的趨勢預測,又包含精細時間尺度的預測.文獻[93]利用神經網絡識別未來一年的天氣模式,然后再用神經網絡預測細節變化.文獻[94-95]區分季節變化趨勢和日變化趨勢,在季節變化趨勢的基礎上調整日變化趨勢的預測模型參數,并優化其參數,再考慮風速變化過程中的爬坡現象,實現長期預測.文獻[96]利用譜分析得到日周期、月周期和季節周期的模式特征,從而通過去趨勢化對原始風速分解,并利用卡爾曼濾波預測殘差部分.組合兩部分的預測結果實現長期風速預測.

方法綜合指綜合利用不同預測方法或選用不同參數的同一預測方法.雖然分解原始數據或提取原始數據的主成分可以獲得風能動態過程的變化特征,但由于不能保證特征被完整提取,針對某種特征的單一預測方法很難取得最優預測效果.如果用結構或參數不同的方法,預測同一特征成分,就可以通過選擇或組合不同方法的預測結果,跳出單一方法容易陷入的局部最優和過擬合情況.圖5展示了利用方法綜合思想的風電預測框架.1)針對歷史觀測數據,采用兩種不同的預測方法或參數不同的方法預測,得到若干種預測器;2)根據真實結果,擬合不同預測器的組合預測權重;3)將當前所需預測的序列輸入到上述不同預測器中,并將預測結果用上述權重組合,得到風速或風電的預測值.文獻[97-98]采用融合高斯過程和融合神經網絡的方法預測同一特征,以實現風速或風電的長期預測.不同的是,文獻[97]提取了短期非平穩變化特征和季節變化特征;文獻[98]根據風力發電機的地理位置,提取了相似的風電變化過程特征.也可以用兩種不同的方法,分別預測兩種不同特征,并綜合兩種特征,得到超越只針對單一特征的預測結果.文獻[99]將自回歸積分滑動平均模型和人工神經網絡相結合.其中自回歸模型用于預測平穩成分;人工神經網絡用于擬合殘差,預測非平穩成分.文獻[92]用高斯過程預測5h以內的短期風電,再用神經網絡預測5h以上、48h以內的中長期風電.文獻[100]用神經網絡組合了基于神經網絡的風電預測結果.

圖5 利用方法綜合思想預測風電場風速風電框架Fig.5 Framework of wind power forecasting methods for a wind farm with synthesized thought

2.2 綜合風力與其他氣象信息的風電場風力發電預測

本節中的其他氣象信息與第1.2節基本一致.由于可利用的數據種類增多,預測方法的思路也將改變.本節側重從天氣變化的角度,根據物理對象和物理過程,解釋使用某種預測方法的原因.下面同樣從短期和長期預測兩方面介紹風力發電預測方法的難點,并針對這些難點,介紹相應的研究成果.

2.2.1 短期預測

當預測未來24h以內的發電量時,天氣一般不會有突發性的劇烈變化,除非遇到導致強風降雨的鋒面.由于鋒面預測一般屬于長期預測,本節主要考慮無鋒面情形下風力變化過程的短期預測.

風的變化過程與洛倫茲方程組有自然的聯系.一些研究認為預測精度無法提高與測量數據的偏差有關,因而在傳統的預測方法中加入一種洛倫茲擾動,并以一定比例的擾動項修正預測結果,以減小預測誤差.這類方法屬于利用經驗模式分析誤差序列的變化趨勢.文獻[101]通過數據擬合計算洛倫茲擾動與小波神經網絡預測結果偏差的相關性系數,并以此模擬預測偏差的變化情況,修正預測結果,實現基于迭代的短期風速預測.

由于增加了氣溫、濕度、氣壓以及數值天氣預報結果等氣象信息,找到與風電變化過程更相關因素的可能性也變大.對數據驅動的預測方法來說,提高輸入數據的維度,更有利于尋找風能動態系統的變化規律.文獻[102]利用遺傳編程和符號回歸,分析各個天氣變量與風電場風電輸出功率的關系.文獻[103]針對三維風速和氣溫組成的四元組,運用自適應濾波預測單步風速.有研究運用前節提到的特征分析方法,通過譜聚類或k近鄰,從歷史數據中找到相似的風力變化過程,并根據不同的過程設計不同的預測模型,實現風速或風電的預測.文獻[104]針對風速和溫度的觀測數據,運用譜聚類和回聲狀態網絡,分別訓練不同類型的數據,實現風速的預測.文獻[105]在利用距離測度分析了相似的天氣模式后,運用幾種不同的軟計算方法,建立不同天氣時風速的預測模型,然后根據當前的天氣模式,選擇合適的模型預測風速.文獻[106]利用k近鄰學習風速、風向、氣壓、氣溫及其歷史數據組成的多維向量代表的多種風速變化模式,并根據當前向量匹配最接近的模式,實現風速預測.文獻[41]通過圖學習方法獲得風力發電機的發電模式,根據不同季節和風力爬坡現象獲得狀態轉移矩陣,從而預測出數小時內的風電功率.圖6總結了利用豐富氣象數據預測風電場風電的方法框架.1)將不同類型的數據用相同的重采樣間隔做預處理,組成了基于歷史數據的高維輸入向量;2)利用相關性分析、主成分分析、經驗模式分析和譜分析等方法分析向量及其延時矩陣具有的高維回歸特征,從而確定預測器的參數;3)將當前序列經過特征分析后,輸入到訓練的預測器中,得到風速或風電的預測結果.

基于氣象學定律的數值天氣預報可以幫助提供與真實風速更準確、更相關的風速預測數據.由于數值天氣預報一般每1～3h更新一次,且預報網格尺度與風電場相當,所以可用于預測未來24h風電場的風速或風電.這里對數值天氣預報的運用,既可以與單臺風力發電機的數值天氣預報預測方法類似,即先得到降尺度到風機輪轂處高度的風速,再將風速轉化為風電;也可以有所不同,即直接根據預報的風速和氣象信息,找到與風電預測值之間的映射關系.如果利用風速–功率轉化曲線,則會發現由于風電場的風力發電機數量多、效率各異,整體的風速–功率轉化曲線的隨機性比單臺風力發電機更大.文獻[107]提出了兩個利用數值天氣預報預測風電的方法.其中一個將數值天氣預報預測的風速,根據不同的風速–功率曲線轉化為風電,再與自回歸方法預測的結果組合,得到最終的風電預測結果.另一個則將數值天氣預報的結果與歷史觀測數據一起作為輸入,選擇不同預測方法以適應不同的時間尺度,再將各尺度預測結果組合,得到了高分辨率的風電預測結果.文獻[108]利用神經網絡,將數值天氣預報提供的風速及其他氣象變量一起作為輸入預測風電,并評價不同天氣變量對風電預測結果的影響.

圖6 利用豐富氣象數據預測風電場短期風電方法框架Fig.6 Framework of short-term wind power forecasting methods for a wind farm with abundant meteorological information

2.2.2 長期預測

當預測未來24h以上的發電量時,數值天氣預報更加有用,因為所用的氣象學微分方程與只利用風力信息的預測模型相比,系統誤差更小.然而,數值天氣預報預測的風速通常不能直接使用,需要修正.文獻[109-110]采用受限的高斯過程、高斯過程及組合協方差函數,修正數值天氣預報提供的風速結果.文獻[111]將數值天氣預報提供的高空風速與地面測量得到的真實風速用人工神經網絡擬合,得到二者之間的關系.文獻[38]利用基于地理信息的風速分布模型,將數值天氣預報預測的風速轉化為地面各個點的風速.文獻[112]研究不同季節的天氣模式對數值天氣預報預測結果的影響,以便可以根據季節,利用天氣變化過程輔助風力發電預測.文獻[113]根據數值天氣預報系統提供的預測結果,利用非參數自適應重采樣方法,預測風電的概率置信區間.

研究風電場的風速–功率曲線特征也是利用氣象信息預測風力發電的關鍵.風速–功率曲線除了根據風機參數或風電場的實際測量值擬合得到外,也可以利用神經網絡等非線性函數將風速及環境參數組成的向量映射為風電[38,114].與單臺風力發電機不同,風電場的風速–功率曲線受風向影響較大.由于風電場的多臺風力發電機根據地勢按一定的規律排列,前排風力發電機用葉片切割風,產生了包含復雜旋渦的尾流,嚴重影響尾流后方風力發電機的發電效率.雖然風電場在最初設計時,充分考慮了在主風向上避開前排風機的尾流對后排風機的影響,但當風向發生改變時,風機主機受感應而轉向,尾流的影響仍不可避免.因此,將數值天氣預報提供的風速轉化為風電時,需要根據不同的風向擬合不同的風速–功率轉化曲線,以實現較精確的風電預測.這被稱作模型輸出統計.文獻[37,115]利用模型輸出統計,消除利用數值天氣預報預測風電的系統誤差.文獻[109]利用受限的高斯分布,擬合出不同風速風向對應的風電功率分布,減小風速–功率的轉化誤差.圖7總結了利用數值天氣預報預測風電場風電的方法框架,與處理單臺風力發電機的發電預測問題主要有兩方面不同.1)在風速轉化為風電方面,需要利用模型輸出統計來分別得到不同風速風向和其他氣象條件下的風電轉化關系,而不僅僅是單一的關系或者單一種類的轉化關系;2)在對風機輪轂處風速修正方面,不僅可以利用風速風向信息進行誤差擬合,也可以且需要根據其他氣象條件進行高維統計擬合.這樣可以更充分地利用已有信息,使得風速或風電的預測結果更可靠.

圖7 利用數值天氣預報預測風電場長期風電方法框架Fig.7 Framework of long-term wind power forecasting methods for a wind farm using numerical weather prediction

基于氣象數據和數值天氣預報的長期預測也需考慮如何提取數據中隱藏的可預測特征.文獻[116]結合數值天氣預報提供的風速數據與歷史觀測數據,用最大似然方法估計模型的參數,建立針對某一時間尺度的自動調諧時變模型,動態預測風力發電.文獻[117]利用風力變化過程的相似性,通過k近鄰搜索尋找相似過程的結果,并將多個預測結果加權得到風速預測值.文獻[118]通過聚類分析,找出風速與氣溫、氣壓、濕度等天氣因素的關聯性,利用混沌時間序列預測1個月內的風速,并用相似天氣模式下天氣變量的聚類值和風速的聚類值,修正風速的預測結果.文獻[119]利用不同的軟計算方法分別預測風速,獲得隱含在數據中的特征.然后融合這些方法的預測結果,得到目標點的風速預測值.文獻[120-123]基于數值天氣預報研究自適應風電預測方法.通過運用資源分配型網絡,預測方法利用的新數據多于舊數據,從而可以快速適應風電場結構的變化.不同的是,文獻[120,122]根據風速幅度將輸入分成三種類型,而文獻[121]根據向量的相似度對輸入分類,文獻[123]根據天氣模式對輸入分類.

雖然數值天氣預報可以提供多種氣象變量的預測結果,但并非每一種氣象變量對即時風電的擬合或未來風電的預測都有作用,有些變量與預測結果的相關性并不大.因此,一些研究挑選輸入變量的種類,壓縮輸入數據集.文獻[124]通過相關性分析和冗余分析,精簡了輸入數據維度.文獻[108]分析了不同天氣變量對風電預測結果的影響.需要強調的是,輸入變量的相關性分析和冗余分析對預測效果有重要影響.文獻[32]指出,特定的模型下,不同的輸入維度(包括僅考慮風力信息方法中的相關歷史步數和輸入維度)對應不同的吸引子.引入無關變量和冗余變量會導致預測的變化過程對應的吸引子和真實過程對應的吸引子有系統性偏差;而過少的變量則會導致輸入不能完全反映吸引子的特征,也會導致風電預測模型產生系統性偏差.

一些成熟的商業軟件也涉及風電長期預測,這些軟件通常集成多種方法以滿足不同天氣模式和地理位置風電場的風電預測需求[125-127].這樣的集成有局限性,因為一般來說,風電預測算法需要根據風電場的實際環境和測量數據進行差別化設計[118].

2.3 風電場的風力發電預測方法小結

目前,絕大多數的風力發電預測工作是針對風電場風力發電機組完成的.與單臺風力發電機相比,風電場的區域范圍較大,整體發電變化過程具有對地形環境的平均效應,沒有單臺風機那樣復雜.雖然無需過多考慮氣候環境的細節因素,但風的慣性、間歇性、非平穩性、周期性、多尺度等特點依然存在并影響風電場風電預測方法的研究進展.表2和表3分別對比了只利用風力信息、綜合利用風力信息及其他氣象信息的風電場風電預測方法.

只用風力信息做輸入時,數據和模型的選擇非常重要.由于風力變化過程非常復雜,且具有混沌效應,很難完全復現.一般只能根據已有數據和方法,盡可能找到接近真實風力變化的過程.數據方面,主要考慮數據的種類和尺度.合適的數據種類會使得輸入與預測值的相關性增加,有利于對影響風力變化因素的逼近;合適的數據尺度會降低數據序列的波動性,有利于發現數據中包含的風力變化特征.模型方面,主要考慮如何發現數據中存在的特征和如何針對特征找到相應的預測方法.除了逐一嘗試外,自回歸積分滑動平均、主成分分析等方法都可以主動發現風速風電序列隱藏的特征,為相空間重構提供了參數參考.如果已經發現風的慣性、間歇性、非平穩性、周期性、多尺度等針對性特點,則需要根據不同特征選擇合適的模型,或組合適合不同特征的模型.結合選取的數據和模型,便有機會模擬風力風電的動態變化過程,實現優質的風電預測.

表2 只利用風力信息的風電場的部分發電預測方法對比Table 2 Comparison among part of wind power forecasting methods merely using wind information for a wind farm

表3 利用風力信息及其他氣象信息的風電場的部分發電預測方法對比Table 3 Comparison among part of wind power forecasting methods using wind information and meteorological information for a wind farm

如果利用其他氣象信息,數據的豐富度會大大提高,找到與風電變化過程更相關數據的可能性也變大.基于氣象學定律的數值天氣預報可以幫助提供更準確、更相關、尺度更大周期更長的風速預測數據.在此基礎上,只需考慮如何將預測數據轉化為風機輪轂高度的風速,以及如何將輪轂高度的風速轉化為風電,便可以得到更精確的風電預測結果.

3 區域風電場群的風力發電預測

區域風電場群通常指地理空間范圍內一定規模風電場的集合.這些風電場往往在相近或相關聯的地理位置上,所發出的風電通常整體打包并網傳輸.風電場群中各風電場的發電量因區域天氣變化過程的連續性而產生相關性.

對于大范圍的風電場群風電預測而言,如果將風電場群視作風電場個體的組合,則需要針對每個風電場設計獨立的風電預測方法,再將預測結果相加,即疊加法.這類方法的核心是精確預測每一個風電場的發電情況,其方法在第2節已經敘述.本節主要考慮將風電場群視作整體的發電預測方法.

3.1 基于風力信息的區域風電場群風力發電預測

風電場群的風電變化過程也具有隨機性和間歇性.與風電場不同的是,風電場群風電的間歇性和隨機性一般由區域太陽輻射水平和溫差決定,具有對區域的平均效應.有數據顯示,區域風電場群風電變化過程的波動性比單個風電場小[128].因此,可以將風電場群視作整體,用整體平均參數預測風力發電.由于風電場群中各風電場的發電量具有相關性,總體風電變化過程也與各風電場相關,可以通過相關性研究提高風電場群的發電預測水平.下面從短期預測和長期預測兩方面介紹基于風力信息的預測方法.

3.1.1 短期預測

風電場群短期預測的尺度為0～24h,為區域性的能源管理、交易和調度服務,并為負載平衡、調節提供參考.此時將風電場群視作整體,其部分風電預測方法與風電場類似.在風速預測方面,文獻[129]分析主序列的相關性和殘余序列依季節變化的自相關性,獲取風速的變化特征,消除噪聲影響.繼而通過極限學習機預測特征成分,得到針對大范圍區域的平均風速預測結果.在風電預測方面,文獻[130-133]利用小波變換提取非平穩風電序列的特征,再用神經網絡預測特征子序列,最后用小波逆變換得到風電預測值.其中,文獻[131-133]使用基于粒子群優化的自適應模糊神經網絡預測特征子序列以替代多層感知器.文獻[134]用貝葉斯框架訓練神經網絡以控制網絡的復雜性和預測結果的不確定性,文獻[135]利用時間自適應的核密度估計風電的概率置信區間,并以均值代表風電的預測結果.

3.1.2 長期預測

風電場群長期預測的尺度為24h以上,為風電機組最優的修理保養時間、機組組合方案和不同類型能源分配方案提供參考.對此,已有成果較為匱乏,研究者大多使用基于神經網絡的預測方法[136-137],用長期區域內觀測的風速平均值作為輸入預測風力發電,以區別于短期預測.文獻[138]根據不同地理位置和海拔上的平均風速,利用人工神經網絡,擬合出一張區域范圍內不同位置各個月份的平均風速分布圖.

當建設新的風電場時,需要通過長期預測評估區域的長期風力資源.這種評估往往需要預測未來數年乃至數十年的風力資源,因而需要時間范圍大致相當的歷史觀測數據作為參考.然而,由于產業的實際需要,一般針對評估區域的風速測量期不超過1年,而1年內的數據很難反映該區域風力資源的長期變化情況.可利用的數據有周圍已經建成的氣象測量點(包括氣象站、飛機場、衛星、探空氣球、浮標等)的觀測數據,以及針對評估區域的短期觀測數據.于是,一種基于測量–關聯的預測方法受到重視[15].

圖8 測量—關聯—預測方法示意圖Fig.8 Schematic diagram of measure-correlation-prediction methods

測量–關聯–預測的意思是,利用其他參考點的測量數據,根據與目標地點測量數據的相關性,預測目標地在未能測量的時間范圍內相應變量的數值[14].測量–關聯–預測的思路主要包含兩種:1)利用參考點和目標點之間短期可利用的測量數據,建立二者間的相關性,并以此關系,根據參考點的長期數據,預測目標點的長期風速或風電;2)利用參考點短期和長期觀測數據,估計其推演關系,并將此關系用于目標點,預測目標點的長期風速或風電,如圖8所示.兩種思路各有缺點,第1種思路沒有考慮目標點的長期預測值與短期觀測值之間的關系;而第2種思路直接假設目標點和參考點的風速風電與參考點的演化關系相同,而這種假設不具有普適性[14].目前,第1種思路應用范圍較廣.文獻[139-140]均采用第1種測量–關聯–預測的思路,估計目標點的長期風速變化.文獻[139]還嘗試將用于仿真風速的韋伯分布代替統計回歸模型,并比較與統計回歸方法的優劣.文獻[141]嘗試分配可移動測量設備1年內在不同目標點的測量時間,以實現同時估計多點風速.在此基礎上,根據估計的歷史風速數據和測量得到的風速數據,就可以利用已有的預測方法預測風速的變化趨勢,從而得到未來風力資源的變化情況.

3.2 綜合風力與其他氣象信息的區域風電場群風力發電預測

本節中的其他氣象信息與第1.2節基本一致.由于區域風電場群的風電過程具有比單臺風力發電機和風電場尺度更好的平穩性,且可利用的數據種類增多,相同的預測方法可能會有更好的預測效果.當利用數值天氣預報時,既可以將風電場群看作風電場的總和,分別預測各個風電場的發電功率并累加;也可以充分利用風電場群的整體性,擬合出適合風電場群的風速–功率轉化曲線.下面從短期和長期預測兩方面介紹風力發電預測方法的難點,并針對這些難點,介紹相應的研究成果.

3.2.1 短期預測

如果從整體角度考慮,則可以忽略地形的影響,利用單一特征模式預測并進行誤差修正.這類思路包括整體高維擬合方法和子區域升尺度方法.預測方法包括:1)利用人工神經網絡擬合各種天氣變量和風速預測值的關系[142];2)利用局部與整體風力變化模式的相似性,升尺度預測區域整體風力發電[143];3)利用數值天氣預報的輸出值[144],組合輸出值[145]預測區域范圍內的平均風速并用最優的卡爾曼濾波[146]或次優的粒子濾波[35]修正風速預測結果,繼而根據風速–功率曲線或統計風速–功率轉化特征[147]預測目標區域的風電功率.

3.2.2 長期預測

由于擁有數值天氣預報結果,對于考慮空間相關性的測量–關聯–預測方法來說,可以獲得更多天氣變量的參考值.文獻[148-149]利用數值天氣預報提供的數據,根據測量–關聯–預測方法,得到目標點的風速,繼而利用風速–功率轉化曲線和扭曲的高斯過程預測風電.針對新數據的重點利用可以幫助尋找風電的時變特征,以實現自適應風電預測.

根據豐富的氣象數據,在長期平均濾波的幫助下,人工神經網絡等數據擬合方法可以用來預測未來1年至幾年的區域風速[150]和風電[151].在數值天氣預報結果和多角度觀測數據的幫助下,測量–關聯–預測方法可以更好地展示目標風速或風電與某些天氣變量的相關性[152].如果目標區域與參考點的相關性不明顯,可以利用多主成分的最小二乘法等數據特征提取方法尋找相關性,并以此預測目標區域的風力資源變化趨勢[153].

3.3 區域風電場群的風力發電預測方法小結

目前,由于建模難度較大、數據相對缺失,針對區域風電場群的風力發電預測研究較少,但其對我國風力資源的合理運用和電網的安全運營有重要意義[7].風電場群具有對風電場的平均效應,其風電變化過程的波動性比風電場更小,平穩性比風電場更好.在選取合適尺度的數據后,針對風電場的預測方法可以直接用于風電場群的發電預測.真實測量數據可以輔助修正基于風電場疊加、模式外推和統計升尺度的預測方法,從而將針對風電場的發電預測方法應用到風電場群的發電預測中.由于風能評估和風電場選址的需要,基于測量–關聯–預測的風速或風電估計方法有了較大的發展,并根據環境因素、輸入數據和相關方法的不同而產生了較多成果.由于數值天氣預報的空間尺度與區域風電場群的空間尺度相匹配,數值天氣預報結果被廣泛用于區域風電場群的風力發電預測中.表4對比了風電場群的風電預測方法.

4 多時空尺度方法分析

風電的預測,本質上是尋找目標地風電變化過程的規律,并用數學方法近似描述這種規律,以實現對風電變化過程的推演.因此,需要根據不同的空間和時間尺度,選擇合適的數據和方法分析風電變化過程的特點,并針對這些特點選擇合適的數學模型來描述.

4.1 不同空間尺度的預測方法分析

不同空間尺度具有不同的空間特征,主要包括地理和氣候特征.對于單臺風力發電機的空間尺度來說,風力發電機的風速和風電變化特征受其所處的特定地理位置或地理環境影響較大,這使得同一風電場中不同風力發電機的風力細節變化規律不完全相同甚至大不相同,包括間歇性規律和波動性規律.由于波動性和間歇性是影響風力預測模型建立的重要因素,針對風電機尺度的預測模型與針對風電場尺度的預測模型理應不完全相同[128].針對風電機尺度的預測模型應多考慮局地的間歇性變化規律[27],利用風電機周圍的環境測量數據生成并驗證預測模型[38];針對風電場尺度的預測模型應多考慮風電場的平穩性變化規律[83]和風速–功率轉化的統計規律[37],利用多點測量數據或總體平均數據生成并驗證預測模型[124].但在實際工作中,由于針對單臺風力發電機尺度的研究較少,一些研究并沒有區別其方法與風電場尺度中相同預測方法的差異.

相對于區域風電場群的空間尺度來說,風電場的尺度屬于局地尺度.由于局部地形和相對位置的差異,組成區域風電場群的各個風電場的發電變化規律可以相同也可以截然不同.有數據顯示區域風電場群風電變化過程的波動性比單個風電場小[128],這使得風電場群被視作整體時,其風電預測更加容易,預測方法也可以直接套用風電場的預測方法.由于這類數據一般在歐美的研究中有所體現,上述規律并不一定適用于中國.目前針對風電場群風電預測的方法主要包括疊加法、模式外推法和統計升尺度法[7].測量–關聯–預測彌補了風電預測時數據缺失的不足,成為評估風電場群風資源普遍使用的模式.

表4 風電場群的部分發電預測方法對比Table 4 Comparison among part of wind power forecasting methods for wind farm group

4.2 不同時間尺度的預測方法分析

不同時間尺度的數據擁有截然不同的規律和統計特征.根據數據分析,風速的間歇性通常發生在較短時間尺度上;風速的方差和能量波動性隨著時間尺度增加,先增大后減小;風速的概率密度分布不隨時間尺度而改變;風向的一致性變化發生在較長的時間尺度上,風向的突變發生在較短時間尺度上[24].

由此可見,在短期預測中,風速風電的慣性和間歇性是主要特點.慣性一般可用自回歸滑動平均、卡爾曼濾波等方法描述,而預測方法可以通過自相關分析,選擇合適的數據尺度和重構步長[62].間歇性規律一般可用馬爾科夫鏈、貝葉斯推斷等方法來尋找,并根據幅度大小疊加到風電預測過程中[44].當預測尺度逐漸增大后,風速風電的波動性增加,非平穩性提高,此時滑動平均的預測效果變差,需要使用對非線性描述能力較強的神經網絡來預測風電[76].一些研究希望通過主成分分析、小波分解、經驗模態分解等方法來尋找相關變量或可預測序列[85],以提高輸入數據在選定模型下的可預測性[154].在長期預測中,如果數據時間尺度較大,風速風電的波動性減弱,可以利用滑動平均和卡爾曼濾波直接預測長期趨勢[112].如果數據時間尺度較小,則利用數據融合[93]或方法綜合[97],同時描述風電的長期變化趨勢和短期變化細節特征.對日周期和季節周期的考慮也可融入到風電長期預測方法中[94].

5 結束語

本文根據空間尺度、時間尺度和輸入數據,劃分了近期風力發電預測和風速預測的研究成果,總結了不同時空尺度和輸入數據時,預測方法重點關注的科學問題和側重使用的技術手段.由于時空尺度本身是連續變化的,為了更清晰地展示時空尺度的變化對風電預測方法的影響,本文重點總結了相同時間尺度不同空間尺度、不同時間尺度相同空間尺度上預測方法的關聯和差異.由于風電預測一般針對特定的空間范圍和時間跨度,并在有限信息資源的條件下完成,本文希望通過這樣的思路,幫助風電預測研究人員找到適合不同風電預測任務的預測方法,也希望這些方法可以幫助研究人員完成信息物理融合能源系統的各項研究,例如高精度傳感器布設位置優化[155]、建筑群微電網系統建模與效益優化[156-157]等.

除了找到可用的預測方法,研究人員還需要思考如何提高風電預測水平.針對預測目標固定的工程任務來說,可以改進的要素主要包括可利用的信息資源和可使用的預測模型兩部分.1)在可利用的信息資源方面,需要與氣象部門聯合積累當地不同時間尺度和不同空間分辨率的數值天氣預報信息,需要建設更多測量點以積累豐富、可靠、分辨率高的氣象測量信息.充分的信息可以幫助提取更多的映射特征,從而便于研究人員篩選主要影響因素,過濾冗余因素,提高給定模型下預測關系擬合的準確性.2)在可使用的預測模型方面,需要積累不同模型在多種時間和空間尺度上提取的風力變化特征和映射特征,建立基于模型的特征庫.充分的特征有助于匹配當前風力發電的變化模式,在地理環境相對不變的情況下,便于研究人員從模型庫中篩選適合當前特征的預測模型,從而有助于動態篩選并組合模型以提高風電預測水平.