基于機聯(lián)網(wǎng)-空間相關性權重的風電機組風速預測研究

沈小軍 周沖成,2 付雪嬌

（1. 同濟大學電子與信息工程學院 上海 200092 2. 國網(wǎng)上海市電力公司嘉定供電公司 上海 201800）

0 引言

風電機組精確、高效、實時的風速預測不僅可以提高風電并網(wǎng)的友好性，還能為風電機組的控制性能提升提供可靠的數(shù)據(jù)支撐。隨著風電場的大規(guī)模建設和現(xiàn)場運維經驗的不斷增加，提高風電機組的控制性能和風能利用率已經成為風電研究的熱點。研究表明，提前分鐘級準確獲取風電機組的風速預測值，可提高6%～10%風電機組的風能捕獲率，降低風機16%～25%的疲勞載荷，延長風機槳葉的使用壽命[1-3]，對風電場的經濟安全運行具有重要的意義。

國內外學者對風速預測開展了大量的研究工作，并取得了一系列的成果。目前，風速預測的主要方法有持續(xù)預測法[4-5]、時間序列法[6-7]、神經網(wǎng)絡預測法[8-10]、數(shù)值天氣預報預測法[11-12]和空間相關性預測法[13-16]。其中，持續(xù)預測法原理簡單，容易實現(xiàn)。持續(xù)預測法是將最近時刻的風速觀測值作為下一時刻的風速預測值，在風速短期預測中，該方法的預測精度較高，在風速預測領域已經得到了廣泛的應用。持續(xù)預測法的不足是要求風速前后數(shù)據(jù)具有很強的相似度，受季節(jié)變化、氣壓、地形、溫度等因素影響較大[4]。時間序列法利用大量的歷史數(shù)據(jù)進行訓練，通過模型識別、參數(shù)估計和模型檢驗確定一個能夠描述風速時序的模型，最后根據(jù)當前觀測值進行風速預測，但時間序列法精準預測的前提是歷史數(shù)據(jù)序列和外部環(huán)境因素不會發(fā)生突變，其適用性和強壯性有待加強[7]。神經網(wǎng)絡預測法是模擬人腦神經元結構，通過大量數(shù)據(jù)學習、分類、識別、進化確定神經元節(jié)點和隱性非線性映射的模型，具有自學習和自適應的能力，廣泛應用于風速短期預測，但難以確定科學的網(wǎng)絡結構，易陷入局部最小點，預測結果不穩(wěn)定，精度難以滿足要求。數(shù)值天氣預測主要利用風速、風向等氣象預測信息，結合預測點的空間位置、地形特征推算出下一時刻的風速值，該方法計算量大，且依賴大量的天氣預測數(shù)據(jù)，預測精度較差。空間相關性法利用風能在空間位置上存在的風速相關性，選擇相關性較高的測風塔數(shù)據(jù)進行短期/超短期的風速預測，結合人工智能算法模型，空間相關性預測法表現(xiàn)出了良好的預測精度和可靠的預測性能，已經受到了專家學者們的普遍關注[13-20]。

上述風速預測的方法各有特點，在面向并網(wǎng)調度的中長期風速預測研究方面取得了豐碩的成果，短期/超短期的風速預測也廣泛應用于電力系統(tǒng)的可靠性評估和潮流計算等領域。文獻分析可知，當前的風速預測主要面向風電場場域的風功率預測和風電安全并網(wǎng)研究領域，面向風電機組控制性能提升方面，風速的超短時/實時預測研究鮮有開展。相關研究指出，提前10min 準確獲取風速風向預測值，有利于風電機組保持最大風功率跟蹤和強湍流效應預測，對提高風能捕獲量，降低風機的極限載荷具有重要意義[21]。

風能在風電機組之間傳播，上、下風位的機組間相互影響，充分考慮各機組的地理分布，利用風電機組間廣泛存在的風速空間相關性，在風電場既有的拓撲結構和通信網(wǎng)絡的基礎上，實現(xiàn)風機之間的信息交互，將每臺風電機組上獨立風速/風向傳感器組成感知陣列，可形成風電場風速/風向感知機聯(lián)網(wǎng)。通過上風位關聯(lián)機組的風速信息向下風位機組的傳遞共享，理論上可獲得min 級的風速實時預測值[17]。基于機聯(lián)網(wǎng)“關聯(lián)-共享”的風速預測模式，為風電機組風速實時預測提供了新的思路[18]，也為風電機組的前饋控制和風能高效利用打開廣闊的想象空間，具有顯著的經濟效益和工程應用價值，值得關注與研究。

鑒于此，本文提出了基于機聯(lián)網(wǎng)-空間相關性權重的風電機組風速預測框架，構建了一種實時預測模型及流程，基于卡爾曼濾波算法，對提出方法的可行性及有效性進行了驗證。

1 基于機聯(lián)網(wǎng)-空間相關性權重的風速預測框架

1.1 可行性分析

由于大氣壓差的存在，在特定的地理環(huán)境和復雜的大氣運動作用下，風能在不同風電機組間傳播時，其風速和風向都會有很強的時空聯(lián)系，相鄰機組的風速值往往存在廣泛的相關性。并且風速越大，上下游之間的風速相關性越顯著，空間相關性風速預測的效果越好，能可靠地降低大風時期的風速預測誤差[20]；另外，季風氣候也是直接影響風電機組風速相關性的主要因素之一，我國的千萬kW 級風電基地均處于季風區(qū)或蒙古高壓之下，冬季風和夏季風的持續(xù)時間往往在7 個月以上，相比于歐美（季風現(xiàn)象不明顯，北美不存在擴展的季風現(xiàn)象）利用空間相關性進行風速預測具有客觀明顯的優(yōu)勢[21-22]。綜合我國風電基地分布位置和風速相關性預測的優(yōu)勢，本文基于風電機組間的風速相關性，利用風電場歷史運行數(shù)據(jù)和當前風速觀測值，重點開展風速實時預測研究。

查閱文獻可知，風電場內風能傳播受到季風氣候的影響，其主導風向在一段時間內往往變化不大，處于同風帶下空間位置相鄰的風電機組間存在很強的風速空間相關性。理論上，當其風速相關系數(shù)達到一定的閾值范圍，相鄰風電機組間的風速大小相近，可以將上風位風機作為關聯(lián)種子機組，利用其風速歷史運行數(shù)據(jù)和當前觀測值來預測下風位目標機組的下一時刻風速值。然而，風電機組間的風速相關性具有時變性和差異性，不同季節(jié)、不同時段、不同風速風向下存在較大差異，表現(xiàn)出季節(jié)性變化，在主導風向和中高風速區(qū)相關性高且穩(wěn)定的特點[23]。利用單臺風速關聯(lián)的風電機組進行空間相關性風速實時預測，其預測誤差會受關聯(lián)種子機組選擇的影響，若種子機組與目標機組在一段時間內風速相關性變化較大，則會給風速實時預測值造成很大的誤差，因此單臺關聯(lián)風機空間相關性預測模式下的預測精度抗干擾性和容錯性較差。相關研究已表明：以待測風電機組為目標機組，選取周邊幾個測風塔風速歷史觀測值為基礎數(shù)據(jù)，采用風速空間相關性來預測目標機組未來風速，可有效降低預測誤差[24]。可見在主導風向下選擇目標機組上風位的多臺鄰近風電機組作為關聯(lián)種子機組，根據(jù)不同時間窗口下各機組與目標機組的風速相關性，動態(tài)調整種子關聯(lián)機組，可大幅提升關聯(lián)機組篩選的容錯性，保證風速預測精度的可靠性與強壯性。

此外，相關研究表明風能除具有風速相關性外，還具有傳播路徑空間上的時延性。風在通過風電機組風輪后速度會下降，即存在“尾流效應”，需要經過一定的空間距離才能恢復。工程上為減少尾流效益帶來的風能衰減，在主風向上，風電機組的空間地理距離典型值為8～10 倍的機組風輪直徑，典型距離為500～800m 之間。統(tǒng)計表明實際風場90%以上時間風速小于12m/s，那么對于12m/s 以下的風，比如10m/s 的風，從上風位機組傳到下風位機組時間Ti+1將不小于50s（對應500m 的行距），在時間尺度上可很好地匹配與風電機組偏航、變槳和發(fā)電控制的響應時間。再者，在拓撲結構上安裝于風電機組上的傳感器形成了風速風向等風參數(shù)密集型分布式傳感器陣列，可為風電機組間的信息交互共享提供天然平臺；在通信上，全場域分布的光纖通信網(wǎng)絡，保證了風電機組風參數(shù)獲取共享的時效性。

綜上所述，由于風電機組間的空間位置/地面表面粗糙度短時間內不會發(fā)生改變。短時間內，利用上、下游風機之間風速存在的關聯(lián)性和時延性，由風速相關性較強的相鄰上風位機組的風速觀測值，獲得下風位風機的實時預測風速值，實現(xiàn)min 級的風速預測是可行的。

1.2 預測框架

圖1 是構建的基于機聯(lián)網(wǎng)-空間相關性權重的風電機組實時風速預測架構。主要包括信息共享機聯(lián)網(wǎng)搭建與數(shù)據(jù)處理、關聯(lián)共享風電機組種子篩選、目標機組風速實時預測模型三部分。

圖1 基于機聯(lián)網(wǎng)-空間相關性權重風電機組風速預測架構Fig.1 Framework of real-time wind speed prediction with multi-turbine information sharing

1.2.1 信息共享機聯(lián)網(wǎng)搭建與數(shù)據(jù)處理

風電機組的運行數(shù)據(jù)獲取是多機信息共享的風速實時預測及后續(xù)分析的基礎，運行數(shù)據(jù)可分為歷史數(shù)據(jù)和實時數(shù)據(jù)兩部分。其中，歷史數(shù)據(jù)是目標機組相關性分析的主要數(shù)據(jù)源，決定著關聯(lián)風電機組種子的篩選。從風電場SCADA 系統(tǒng)采集各風電機組的風速、風向歷史時序數(shù)據(jù)后，需要進行以下數(shù)據(jù)預處理：

1）風電數(shù)據(jù)清洗：風電機組的運行異常停機和數(shù)據(jù)異常會使得風電歷史數(shù)據(jù)存在一定的臟數(shù)據(jù)，在統(tǒng)計風電機組風速相關性前需要進行風電數(shù)據(jù)的清洗整定。

2）關聯(lián)種子機組區(qū)域劃分：空間距離越近的風電機組，其風速相關性越強[24]，根據(jù)此原則，以待預測的風電機組為目標機組，選擇距離最近場域內的N臺風電機組作為備選種子機組。

3）風向區(qū)篩選：風電機組間的風速相關性是具有氣象條件性的，在主導風向上其風速相關性表現(xiàn)出很強的穩(wěn)定性[27]，因此本文考慮風向變化的影響，篩選出主風向下的風電機組作為研究對象機組。

風速實時數(shù)據(jù)的時效性和可靠性是影響目標機組風速預測結果的另一重要因素。理論上，風電機組自身的風速、風向等傳感器可實時監(jiān)測風機的各項風參數(shù)數(shù)據(jù)，通過風電機組間廣泛互聯(lián)的光纖通信，就形成了分布式風參數(shù)傳感網(wǎng)絡，因此，在風電場的網(wǎng)絡拓撲結構的基礎上即可建立風電機組風速信息共享的機聯(lián)網(wǎng)。利用風電機組間的信息共享機制，可實時獲取每臺機組的風速、風向、溫度、濕度等風參數(shù)信息，上傳至控制中心，通過數(shù)據(jù)篩選并輸入風速實時預測模型，即可獲取目標機組的風速預測值。

1.2.2 信息共享風電機組篩選

風電機組間的風速相關性強弱直接決定了基于風速空間相關性風速預測結果的精度，所以關聯(lián)風電機組的種子優(yōu)選是風電機組實時預測體系中的關鍵部分。針對風速實時感知預測，目標機組的關聯(lián)種子機組一般應為兩臺以上，方能保證其風速預測值的可靠性與抗干擾性。關聯(lián)風電機組的篩選可按如下步驟進行：

1）風速相關性時序分析：由于風速相關性具有很強的時變性，因此要考慮關聯(lián)機組的風速相關性時序變化，根據(jù)實際運行歷史數(shù)據(jù)，分析備選種子機組與目標機組的風速相關系數(shù)隨時段的變化特征，為后續(xù)的關聯(lián)機組種子動態(tài)篩選提供依據(jù)。

2）動態(tài)關聯(lián)種子機組篩選：根據(jù)不同時段待選風電機組與目標機組的相關系數(shù)，設定一個關聯(lián)機組的閾值，當備選機組的風速相關系數(shù)達到閾值范圍即可優(yōu)選為關聯(lián)種子機組。依此原則，即可獲得不同時段下的動態(tài)關聯(lián)種子機組的優(yōu)選結果。

1.2.3 風電機組風速預測模型

基于多機關聯(lián)的風電機組風速預測實質上是多臺關聯(lián)種子機組的組合風速預測，在空間相關性風速預測的基礎上，以單臺關聯(lián)風電機組進行風速空間相關性實時預測，然后再對不同關聯(lián)種子機組進行動態(tài)權重分析，最后將每臺關聯(lián)種子機組的預測結果進行動態(tài)加權組合獲得最后的目標機組風速實時預測值。預測模型核心內容是關聯(lián)種子機組預測組合權重的確定，其步驟如下：

1）預測時間窗口進行時間分段：由于風速相關性存在時變性，不同時間段內，同一臺風機與目標機組的風速相關性存在波動性，需根據(jù)季節(jié)和地理位置下風電機組風速相關性的分布特征，選擇適當?shù)臅r間周期進行相關性統(tǒng)計，作為關聯(lián)種子篩選的依據(jù)。

2）關聯(lián)種子機組組合預測權重計算：以種子機組與目標機組的風速相關系數(shù)為對象，首先剔除相關性較低的種子機組，然后進行風速相關系數(shù)的歸一化，由相關系數(shù)大小確定各時段內的動態(tài)組合權重系數(shù)。

2 機聯(lián)網(wǎng)-空間相關性權重風速預測模型

2.1 預測模型

由上文可知，機聯(lián)網(wǎng)-空間相關性權重風速預測首先應該進行單臺關聯(lián)風電機組的風速空間預測，其預測方差可簡述為

式中，vit為利用第i臺關聯(lián)種子機組得到的風速實時預測值；vi,t1-為第i臺關聯(lián)種子機組的前一時刻風速觀測值；τi為第i臺關聯(lián)種子機組與目標機組間的時間延時。

風速預測輸出不僅與關聯(lián)機組的觀測值有關，還應考慮關聯(lián)風電機組與目標機組在空間上存在的時間延遲。由于時間延遲與空間距離di和風速vi大小有關，風速在短時間內不會突變，故可用平均風速代替，時間延遲為

由于風速預測結果受風速相關性的時變性特征影響較大，在利用風速相關性進行風速預測時，需隨時間變化統(tǒng)計風速相關性，以便進行種子機組的更新和動態(tài)權重系數(shù)計算。設定用于種子機組更新的風速相關性統(tǒng)計時間周期為T，目標機組風速預測的時間周期為TF，則第j個預測周期下種子機組更新周期起止時刻的滾動過程如式（3）所示。

式中，ts0為樣本數(shù)據(jù)起始時刻；tsj為第j個預測時刻的風速相關性統(tǒng)計開始時刻；tej為第j個預測時刻的風速相關性統(tǒng)計周期結束時刻。

由于風速預測結果受風速相關性的時變性特征影響較大，在利用風速相關性進行風速預測時，需隨時間變化統(tǒng)計風速相關性，以便進行種子機組的更新和動態(tài)權重系數(shù)計算。考慮到風速預測的實時性，不宜頻繁更換種子機組。設定用于種子機組更新的風速相關性統(tǒng)計時間周期為T，目標機組風速預測的時間周期為TF，則第j個預測周期下種子機組更新周期起止時刻的滾動過程如圖2 所示。

圖2 關聯(lián)機組更新周期示意圖Fig.2 Renewal period diagram of associated wind turbines

由圖2 可知風速相關性統(tǒng)計周期T保持不變，在第j個更新周期內，風速相關性分析周期的初始時刻tsj應在上一更新周期初始時刻的基礎上推遲一個風速預測周期TF；其結束時刻tej與之同理。種子機組更新周期的開始時刻tsj和結束時刻tej計算如式（3）。

在關聯(lián)種子的更新周期內，描述種子機組與目標機組的風速相關性，常用的有皮爾遜相關系數(shù)和Copula 函數(shù)。Copula 函數(shù)能較好地刻畫變量之間多維度的非線性相關性，但計算過程較為復雜。本文主要為了驗證機聯(lián)網(wǎng)-空間相關性權重風速預測模型的有效性與可行性，故采用應用廣泛，計算較簡單的皮爾遜相關系數(shù)，其計算公式和組合權重因子分別為

式中，ri為關聯(lián)機組i與目標機組的風速相關系數(shù)；ki為關聯(lián)機組i的組合權重因子。風速相關系數(shù)ri越高，權重因子ki就越大，關聯(lián)種子機組i在目標機組的風速預測結果中占的比例也就越大。

綜上，風電機組的多機關聯(lián)預測模型可表示為

式中，Vt為目標機組的實時風速預測輸出值。

2.2 預測流程

基于機聯(lián)網(wǎng)-空間相關性權重的風電機組風速預測流程如圖3 所示，主要包括風速風向時序采集預處理、關聯(lián)風電機組種子篩選、多機關聯(lián)預測模型搭建與風速預測輸出等步驟。

圖3 機聯(lián)網(wǎng)-空間相關性權重風電機組風速預測流程Fig.3 Real-time wind speed forecasting process with multi-turbine information sharing

3 算例分析

本節(jié)以張北某風電場實際數(shù)據(jù)為樣本，基于卡爾曼濾波算法實現(xiàn)前述建立的風速預測模型，并將其與持續(xù)預測法、傳統(tǒng)空間預測方法預測結果進行對比，以驗證所提方法的可行性與有效性。

3.1 卡爾曼濾波算法

卡爾曼濾波算法是一種有效的以最小方均誤差來估計系統(tǒng)狀態(tài)的計算方法，即通過將前一時刻預報誤差反饋到原來的預報方程中，及時修正預報方程系數(shù)，以提高下一時刻的預報精度。在風速實時預測中，通過風速預測值的實時修正可以不斷接近實際風速值，提高實時風速預測的精度。在卡爾曼濾波算法中，描述系統(tǒng)的數(shù)學模型是狀態(tài)方程和量測方程，即

式中，xt為未知過程在t時刻的狀態(tài)向量；ty為t時刻的觀測向量；Ft和Ht分別為系統(tǒng)矩陣及觀測矩陣，且必須在濾波器應用之前確定；wt和vt分別為系統(tǒng)噪聲和量測噪聲，均假定為高斯白噪聲且相互獨立，與其相對應的協(xié)方差矩陣分別為Wt和Vt。

3.2 案例分析數(shù)據(jù)及風電機組選擇

案例數(shù)據(jù)來源于張北某風電場風電機組 2016年3 月份的實際運行數(shù)據(jù)，該樣本數(shù)據(jù)的采樣間隔為15min。以其中2016 年3 月1 日至2016 年3 月25 日的實際運行數(shù)據(jù)作為預測模型學習的訓練集，利用2016 年3 月26 日至2016 年3 月30 日數(shù)據(jù)進行目標機組的風速預測及誤差分析。

所選風電場地處華北平原與內蒙古高原連接帶，地勢平坦，冬季季風現(xiàn)象明顯，風機為SE8215-L3/1 500kW 型風電機組，切入風速和切出風速分別為3m/s、20m/s，期間風電場主風向為東南方向。該風電場風電機組空間布局如圖4 所示。

圖4 風電場風機分布拓撲Fig.4 Wind turbine distribution diagram

綜合空間距離及沿風向布置關系，理論上若選擇24 號機組為目標機組，21 號、22 號、23 號風電機組理論上均可作為種子機組。基于歷史運行數(shù)據(jù)的相關性統(tǒng)計計算結果表明[23]，上游21 號、22 號、23 號風電機組與24 號目標機組的風速相關性分別為0.676 5、0.905 67、0.868 59，參照風速相關性的判斷準則，22 號、23 號兩臺風電機組屬于高度相關機組，這兩臺機組可作為目標機組24 號風速關聯(lián)種子機組。

3.3 不同風速預測方法預測結果對比分析

3.3.1 持續(xù)預測法預測結果

持續(xù)預測法是一種原理簡單、容易實現(xiàn)、經濟實用的預測方法。為了評估信息共享關聯(lián)預測法對于小時間尺度的風速預測效果，本文選擇24 號風電機組作為目標機組開展了持續(xù)法風速預測案例分析，預測結果如圖5 所示。

圖5 持續(xù)預測法風速預測Fig.5 Wind speed forecasting based on continuous method

由圖5 可知，基于持續(xù)預測法的風速預測結果整體精度較高，預測結果能較好地追蹤風速變化。但是，在某些風速突變的樣本點處，風速預測的誤差較大。可見持續(xù)預測法對于風速前后數(shù)據(jù)相似度的依賴性較高，對于風速高頻信號的預測，需改進并完善持續(xù)預測模型，以進一步提高風速預測精度。

3.3.2 傳統(tǒng)空間相關性法預測結果

空間相關性法因其良好的預測精度與可靠性，已成為風電場風速預測領域的主流方法[15-20]。為了對比驗證信息共享關聯(lián)預測方法在相關性風速預測方面的優(yōu)點，本文基于卡爾曼濾波算法利用傳統(tǒng)空間相關性風速預測模型開展了傳統(tǒng)空間相關性法風速預測算例分析。分別以22 號、23 號機組作為24號目標機組的關聯(lián)預測機組，24 號機組風速實時預測值的預測結果如圖6 所示。

圖6 傳統(tǒng)空間相關性風速預測結果Fig.6 Single-turbine wind speed prediction based on spatial correlation

由圖6 可知，24 號風電機組的實時風速預測精度和穩(wěn)定性會因關聯(lián)種子的不同而產生較大的差異性。以100h 的預測窗口為例，如圖6a 中在前20h內的預測值與實際值誤差很小，計算其平均絕對百分比誤差為12.87%，但在后40h 時間段內其誤差達到了30.34%；分析圖6b 可知，在預測時間窗口內，以23 號風電機組為關聯(lián)種子機組，目標機組的風速預測誤差范圍為8.23%～40.23%。統(tǒng)計22 號和23 號風電機組在預測時間窗口內的風速相關性發(fā)現(xiàn)，其風速相關系數(shù)具有強的時變性，導致預測誤差的波動性比較大，可見，傳統(tǒng)空間相關性風速預測模式下，風速預測的精度受關聯(lián)種子機組及其與目標機組的風速相關性的影響較大。

3.3.3 機聯(lián)網(wǎng)-空間相關性權重風速預測法預測結果

基于卡爾曼濾波算法的機聯(lián)網(wǎng)-空間相關性權重的風電機組風速預測流程，選擇多臺風速相關性較強的關聯(lián)風電機組，采用“多機共享關聯(lián)+動態(tài)權重”模式對目標機組開展實時風速預測分析。設定種子機組更新時間周期T=10h，風速預測時間周期TF=10h，則關聯(lián)種子機組的風速相關性的時變性統(tǒng)計和共享關聯(lián)機組的動態(tài)權重計算結果見表1。

表1 關聯(lián)風電機組的風速相關系數(shù)及動態(tài)權重Tab.1 Wind speed correlation coefficient and dynamic weight of wind turbines

由表1 可知，22 號與23 號風電機組雖與24 號風電機組存在很顯著的風速相關性，但在不同時間窗口內，其風速相關性差異變化可能會比較大。比如20～30h 時間窗口內，23 號風電機組與目標機組的風速相關性很微弱，不適合作為目標機組風速預測的種子機組，其組合預測權重應設置為零。圖7為利用22 號、23 號風電機組多機共享關聯(lián)預測得到的24 號風電機組風速預測結果。

圖7 多機信息共享的風速預測結果Fig.7 Wind speed forecasting results with multi-turbine information sharing

由圖7 可得，基于提出的風速預測模式得到的24 號目標風電機組的風速預測值與實際值吻合度好，預測精度高，且預測結果穩(wěn)定性好。

3.3.4 預測誤差分析

圖8 為案例分析中傳統(tǒng)空間相關性風速預測和本文提出的機聯(lián)網(wǎng)-空間相關性權重風速預測的時序誤差結果對比。

圖8 風速預測結果誤差分析Fig.8 Error analysis of wind speed prediction results

由圖8 可知，提出的風速預測方法時序預測誤差普遍比傳統(tǒng)空間相關性風速預測誤差小，預測結果與實際值差別較大的情況也很少發(fā)生；在誤差分布上，傳統(tǒng)單機空間相關性風速預測和多機共享關聯(lián)預測的誤差分布大致呈Weibull 分布。傳統(tǒng)空間相關性風速預測的誤差主要分布在25%以內，提出的機聯(lián)網(wǎng)-空間相關性權重風速預測的誤差集中分布在15%以內，預測誤差大于50%的鮮有分布。

表2 所示為案例分析中不同預測方法的方均根誤差RMSE、平均絕對誤差MAE 和平均絕對百分比誤差MAPE 量化分析結果。相關研究成果表明，持續(xù)預測法風速超短期預測時精度可靠，空間相關性法在數(shù)小時（天）的風速預測上與持續(xù)預測法相比具有更好的表現(xiàn)[13,15]。

表2 風速預測誤差指標對比Tab.2 Comparison of wind speed prediction error

由表2 可知，持續(xù)預測法平均百分比誤差約為13%，傳統(tǒng)空間相關性法預測百分比誤差在15%左右，平均絕對誤差在0.85m/s 左右；機聯(lián)網(wǎng)-空間相關性權重風速預測法平均絕對誤差和百分比誤差分別為0.426 5m/s 和7%左右，預測精度與穩(wěn)定性均有較明顯的提升。

3.4 討論與展望

1）持續(xù)預測法將最近一點的風速值作為下一時刻的風速預測值，其預測精度依賴前后風速數(shù)據(jù)的相似度，理論上風速觀測值的采樣時間越短，其風速預測值就越接近其實測值。但是，隨著樣本時間的增大，當前一時刻的風速觀測值與后一時刻的風速值相似度不高時，利用持續(xù)法進行預測，就會帶來較大的局部誤差。如圖5 中100～140、190～210 樣本點時段內，風速序列并非平穩(wěn)變化，持續(xù)法不能較好地處理風速突變的情況，造成了較大的局部預測誤差，這也正是限制持續(xù)預測法不能進一步提高預測精度的原因。

2）傳統(tǒng)的空間相關性風速預測方法的準確性依賴風電機組間的相關系數(shù)，風速相關性越強，預測精度越好[15]。研究已表明，風速相關性除了與空間位置有關，還受時序和氣象的影響，具有時變性的特征[15,23]。圖6 中80～105h 時序內正是因為風速相關系數(shù)的降低使得風速預測精度下降。

3）本文提出的機聯(lián)網(wǎng)-空間相關性權重風速預測法，通過選擇多臺風速相關的風電機組作為關聯(lián)種子，基于風速相關系數(shù)時序的變化計算動態(tài)權重因子，實現(xiàn)多種子機組間的風速信息共享與互補，有效降低了風速空間相關性的波動的影響，提高了風速預測精度和穩(wěn)定性。

4）由于受樣本數(shù)據(jù)的限制，案例分析中的數(shù)據(jù)樣本采樣時間為15min，限制了目標風電機組風速預測最小時間尺度為15min。理論上，基于信息共享的關聯(lián)組合預測模型，根據(jù)所選樣本數(shù)據(jù)的時間尺度，可以實現(xiàn)多尺度的風速預測。當采樣周期為天，可進行中長期風速預測，有利于制定并網(wǎng)調度策略和風電場的規(guī)劃設計；當采樣周期為數(shù)小時，可實現(xiàn)風速短期預測，提高風電場的風能利用率；當風電場的運行數(shù)據(jù)存儲采樣周期達到數(shù)十秒或分鐘級，即可進行風速實時預測，提高風電機組控制性能。縮短動態(tài)權重的更新時間間隔周期，有利于進一步提高目標機組的預測結果的精度，但會增加模型計算量，影響風電機組風速預測的計算效率。實際工程應用中，需綜合考慮預測精度與時效性。

4 結論

本文提出的基于機聯(lián)網(wǎng)-空間相關性權重風電機組風速實時預測模型及流程是可行有效的，具有預測精度高、容錯性和穩(wěn)健性好的特點。算例結果表明提出的機聯(lián)網(wǎng)-空間相關性權重風速預測法可有效克服風速序列風速突變及風速空間相關性波動的影響，不僅適用于面向風機控制小時間尺度的風速預測，同樣適用于面向并網(wǎng)風電功率預測中長時間尺度的風速預測，具有普適性。