風速及風功率預測方法綜述

張泰豪，殷鋒，袁平

（1.四川大學計算機學院，成都610065；2.西南民族大學計算機科學與技術學院，成都610041；3.重慶第二師范學院數學與信息工程學院，重慶400067）

0 引言

近年來，隨著環境破壞和污染日益嚴重、溫室效應愈發明顯，以及化石燃料的不可持續性，清潔能源的使用迫在眉睫，其中風能作為一種新型綠色能源，具有廣闊前景和很大的潛力。然而，由于風天然自帶的間隙性、隨機性等自然屬性，風速風能預測具有隨機性強、預測精度低的特點，給發電廠整合風能以及電力市場做出合理決策造成很大的困難。目前，在風速預測領域已經有多種成熟的方法，包括持久化方法、物理方法、統計方法、神經網絡方法以及混合方法。風能預測該領域的研究主要著手于兩個方向：一個方向是直接使用風功率或數值天氣數據預測未來的風功率，稱為直接法；另一個方向分為兩步，首先構建風功率曲線預測模型，其次預測風速，將預測值帶入第一步求得的模型中，求得最終功率預測值，又稱為間接法。因為風向變化隨機性較強和風的天然間歇性，所以風電功率數據具有極強的波動性，導致直接法無法充分挖掘風電數據背后的規律。而在間接法中，由于風功率與風速的三次方呈現線性關系，通過構建的風功率曲線，使得風速與風功率在曲線模型上直接一一對應，進一步降低了由于風速波動而導致的功率預測誤差，提高預測精度。并且，通過風電功率數據構建的風功率曲線可以實時更新，進而表現出風電場周圍環境的真實情況，包括地面粗糙度、地形、機械損耗等所造成的風機風能轉化效率變化，避免了使用風能發電機廠商提供的不準確的理想靜態功率曲線模型。

1 研究現狀

1.1 風速與風功率

在風能預測領域，風速與風功率存在著密不可分的關系。根據物理公式，風速與風功率之間存在的物理關系如式（1）所示：

其中，P 為預測功率值，p 是空氣密度（標準大氣壓下空氣密度為1.293kg/m3），A 為風電機扇葉旋轉時的所形成的圓形面積，v 為風速。從上可知，風速的一點誤差可能會導致風功率預測出現極大偏差，因為風功率和風速的三次方成線性正比關系，所以準確的風速預測值對于相同尺度下的功率預測準確性至關重要，當風速過低不足以支撐風力發電機啟動（風速小于切入風速）時，會使得風機切出電網，此時較高精度的風速預測可以為電力市場做出更有決策、為風電機廠商做出設備運營維護提供更有力的保障。除此之外，準確的風速預測還有更加廣闊的應用領域，例如過高的風速會導致風力發電機的風葉承受較大的負荷，對其本身造成損耗，甚至造成整個塔架的崩塌、燒毀，通過預測風速，可以提前發出控制命令，鎖住風葉或脫開發動機的連接，減少風機機械損耗、延長風機使用壽命、減少人力維護成本、避免棄風現象，進而提高風能整體轉化效率。另外，風速預測也是風電場選址的重要依據之一。

1.2 方法分類

（1）時間尺度

根據預測未來值的時間范圍，可以將風速功率預測分為極短期預測、短期預測、中期預測以及長期預測[1]，如圖1 所示。

圖1 風速風功率預測根據時間尺度分類圖

極短期預測時間跨度為幾秒到30 分鐘，適用于對風電場最近情況進行監管與檢測。短期的預測時間范圍為30 分鐘至6 小時之間，通常為做出負載增量或減量的決策而服務。中期預測則是提前24 小時，可幫助日電力市場進行監管、做出運營決策，也能協助風力發電廠商對未來發電機是否會因為發電功率過低或過高而導致風機離線做出更準確的判斷。而對于長期預測而言，通常用于提前一天至一周之內的時間范圍，能夠幫助電力市場做出運營維護、預測檢修，從而降低運行成本。

（2）方法模型

對于風速預測而言，目前已經有多種成熟的方法，包括持久化方法、物理方法、統計方法、神經網絡方法以及混合方法，如表1 所示。

①持久化方法

持久化方法原理簡單，如式（2）所示：

t 為當前時刻，Δt 為預測時間點距當前時刻t 的時長，v 為風速，其基于一個共識：當前風速和近期未來風速之間存在高度相關性。即在這種方法中，當前t 時風速可以認為是未來t+Δt 時刻的風速。因此，持久化方法在有的文章中又被稱為幼稚法。在處理非常短期的預測時，持久性方法顯示出良好的準確性。其僅僅適用于極短時間內的預測，準確性會隨著時間的增加而迅速下降。該方法可作為基準預測法，常用于和新開發的預測模型的改進情況進行比較。

表1 風速預測方法模型表

②物理方法

物理方法中的一個經典方法類別是數值天氣預報（NWP），構建模型需要大量的信息，除了數值天氣數據以外，還包括風電場選址地形、周圍障礙物，甚至是數字地面模型。該方法其由氣象學家創建，在氣象學中得到廣泛使用，其不需要大量的歷史時序數據就能獲得較高精度的結果，主要用于一個大規模地區的天氣預測，適用于長期預測。由于NWP 使用高維且復雜的數學方程，通常需要在超級計算機上運行，這限制了NWP 方法在電力系統在線、極短期以及短期運行中的有效性。換言之，氣象模型往往更加準確，但輸出值需要較高的時間成本、算力成本，不會經常更新輸出。所以，對于較長時間范圍內的預測效果較好，但對于短期預測，由于風的間隙性、隨機性，為了保證和長期預測一樣的精度，需要頻繁更新輸出，并不適合短期預測。

③統計方法

統計方法需要使用歷史時序風數據，當觀察的數據量少時會影響預測精度。統計方法和物理方法相比，不需要對風電場進行任何物理信息采集來構建預測模型，所需計算資源與時間更少，主要通過關注風的持續特性實現預測。但風所呈現出的非平穩性，如間歇性與不規則性等，使得統計方法的準確性并不高，即統計模型無法準確地描述非線性數據。統計模型通常指適用于比較短期的預報。

④神經網絡

神經網絡和統計方法一樣不需要對風電場進行任何物理信息采集，而是通過訓練，找出輸入數值（風速以及數值天氣數據）和預測風速之間的關系構建預測模型，由于其模擬大腦神經系統的運行，具有自組織、自適應的特點，擅長處理風速這類非線性的時序數據，常用于對未來一天風速進行短中期預測。

對于功率預測而言，可分為直接法和間接法兩種形式。

①直接法

直接以歷史風功率以及NWP 作為輸入數據，對未來風功率進行預測，即試圖找出歷史風功率數據的規律，并使用NWP 數據進行加以輔助。但由于風電數據具有高度的隨機性和波動性，特別是單個風電場的單個風機下，風電時間序列波動性大、不穩定，不足以挖掘出風電背后的規律性。

②間接法

間接法將風功率預測分為兩個步驟。第一步，預測未來風速值；第二步，利用歷史風電時間序列數據，構建速度與功率的風功率曲線模型，并將第一步預測風速帶入該曲線模型，最終得到相同時間尺度下的未來風功率值。首先，考慮到風功率與風速的三次方呈現線性正比關系，較小的風速誤差就會對預測結果產生較大影響，引入功率曲線使得風速與功率在模型上呈現出直接的一對一關系，誤差不會再因風速誤差而劇烈增加，大大增加了預測的準確性。并且，在同一風電場的不同風機之間，機型各不相同，各自的功率曲線也各不相同，間接法可以方便準確地將標準風速預報轉換為風功率預測結果，而非對風電場的每臺風機進行功率預報[2]。

通過構建功率曲線，解決了風電機廠商提供的靜態功率曲線不準確的問題[3]，不準確的因素有很多，比如沒有考慮當地空氣的湍流現象、沒有考慮風力發電機運行過程中轉子和齒輪等部件的磨損對功率曲線本身的影響，以及假定風機是在特定空氣密度下運行等。

構建功率曲線的方法可以分為兩種，一種是參數法，它使用數學表達式，當多項式次數過高時可能引起數據過擬合。另一種是非參數法，其基于神經網絡，利用輸出層求得的誤差來估計前一層的誤差，再利用這個誤差估計更前一層的誤差，直到傳播到輸入層，并根據誤差估計調整參數權重，存在局部極小化以及算法收斂速度慢等問題[4]。

2 應用領域

2.1 電力市場調度

由于電能不適用于大量存儲，導致電力市場和其他商品市場相比具有很大的特殊性。針對這種特性，必須保證電能的生產、運輸、配送、使用一體化，而風能作為能源市場中的一種新興能源，本身又因風的間歇性、隨機性而具有較大的波動性。因此，風速風功率預測可以為電力市場調度提供更精準的參考，有利于電力調度部門制定更合理的調度計劃。

2.2 預測運維

準確的風速預測，不但保證了預測功率的準確，而且可以促進風力發電機從傳統巡檢式運維到預測式運維的轉化。當風速達到切出風速時，此時認為風速過高，會導致風機風葉承受較大負荷，對風機造成機械損耗，嚴重還會導致塔架的崩塌，甚至燒毀[5]。當服務器的風速預測系統預測到未來近期的過高風速時，中控系統可以提前發出控制命令，鎖住風葉或脫開發動機的連接，減少風機機械損耗、延長風機使用壽命、減少人力維護成本、避免棄風現象，從而實現預測式運維。

3 結語

本文總結了風速與風功率預測的時間尺度和方法分類，并就預測方法的原理、特點、適用場景和應用領域進行了討論，目前有的方法已經十分成熟，廣泛應用到實際的生產實踐當中，諸如物理方法，大范圍運用到天氣預報的全國預測中，小到一個風電場的產能預測。而有的方法目前更多尚處在實驗室研究階段，如神經網絡方法。但已經有越來越多的實驗與文獻證明了神經網絡在風速風功率預測上的有效性。未來，可以考慮物理方法和神經網絡結合的混合方法，使其在民生領域、經濟商業領域提出更多新穎的應用，發揮出更大的價值。