Page 15 - 新能源风力发电技术与自动化技术研究

第一章 新能源发电功率预测

（1）物理预测法
物理预测法本质上是数值天气预报（numerical weather prediction，NWP)，
基于制定风电场高精度的数值天气预报的物理模型，主要依据大气层空气运动的

情况提炼出风速的影响因素，例如：风向、空气压强、空气温度、空气湿度等作
为预测模型的参考输入变量，采用数值计算方法，通过设置计算初值和计算边界
条件，以实现求解出反映空气运动过程的流体力学方程组合热力学方程组的计算
目标，进一步计算出各参考变量的分布，最终制成数值天气预报结果，换算至风

力发电机轮毂处的等效风速，利用功率曲线得到风机的输出功率。物理预测法的
优点在于不需要长期大量的历史数据就能得到预测结果，特别适用于新建风电场
的预测和中长期风电功率的预测，短期预测和超短期预测不适用单纯的物理方法
进行预测，因为气象条件是不稳定系统，演变需要数小时才能被监测到，并且

NWP 需要进行大量的耗时计算，目前较少单纯使用该方法进行超短期预测。提
升 NWP 精度需要提高偏微分方程组建模的准确性，提高物理网格划分密度和提
高计算初值和计算边界条件的准确性。
（2）统计学习预测法

统计学习预测法本质上是通过历史风电功率、历史风速、风向、气压、温度
等数据与风电场的风电功率或者风速建立一定的关系来进行推断，要求预测对象
演化速度较为缓慢，其建模方法简单有效，被广泛应用于超短期和短期预测。风
电功率序列是典型的非线性时间过程，风电场中多台风机由于尾流效应等影响的

存在，风电功率序列间还包含着一定的空间信息，通过深入挖掘数据序列中时间
和空间的信息有助于提高预测精度。近年来，基于统计学习的方法发展迅速，这
种方法采用“黑箱”的建模思路，模型函数不是以解析的形式显示描述，而是用
人工智能的方法找出输入与输出的对应关系，通过对长期积累的历史数据的学习，

建立输入与输出的关系，进而采用这种方式建立的模型进行预测，具有适应性
强，便于推广等优点。常见的统计学习预测方法有时间序列分析法、人工神经网
络法（artificial neural network，ANN)、支持向量机法（support vector machine，
SVM)、卡尔曼滤波法、考虑时空相关性法等方法。

时间序列分析是对大量的时间数据序列进行参数估计、模型识别、检验等过
程后确定一个数学模型进行预测。目前文献中主要有经典时间序列分析模型和现
代时间序列分析模型两大类，经典时间序列分析模型有自回归模型、滑动平均模

3