Page 29 - 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

种基于时空分位数回归（QR）算法的区域风电短期非参数概率预测模型。在该
模型中，高维输入数据被重组成一个可以由 HNN 进行特征提取的特征图。然后
利用 HNN 的优点提取输入数据中具有代表性的特征向量用来构造非线性回归模

型。同时，该模型还具有分位数回归算法优点，可以计算特征图特征值分布分位
数并进行概率预测。该方法很好地解决了特征向量解释变量的选择问题，实验结
果证明风电概率预测具有一定的有效性。
相对于概率预测，点预测模型简单，能直接给出确定预测值，便于用户理解，

预测结果验证也更容易。物理方法与统计方法对比可以发现，物理方法较为复杂，
需要配置外部专业数据采集设备，并且所需的计算资源也更大，且该方法的特性
更适合于中长期预测；统计方法则在短期和中期预测方面表现较好，统计模型研
究相对成熟，由于不需要额外设备因此费用也相对低。未来的研究主要集中在提

高现有确定性预测模型的精度，以及开发更先进的概率预测模型，以便在电力系
统和能源市场管理中得到成功的应用。概率预测模型仍处于研究的早期阶段。然
而，随着新模型的不断开发和技术的不断进步，概率预测在风电预测中得到了迅
速而准确的结果。在电力系统和电力市场中使用确定性和概率模型是一种可能，

因为它们可以提供一个更完整、更稳定和更安全的电力系统。

二、人工智能在风电功率预测领域中的应用与展望

世界经济的迅猛发展促进了能源利用方式的变革，绿色能源逐渐兴起。作为

绿色的可再生能源，风力发电具有不可估量的商业化发展前景，对相关预测技术
的研究也显得更加重要。然而，风资源的随机性、波动性和间歇性，给电力系统
的稳定运行带来了极大的困扰与挑战，传统的风电功率预测技术已不足以解决上
述问题。为此，亟需引入前沿的人工智能技术。人工智能是计算机科学的一个分

支，致力于研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应
用系统。近年来，与人工智能相关的机器学习、深度学习等技术的迅猛发展为高
精度风电功率预测技术的研究和落地提供了新的思路，带来了新的发展机遇。
（一）人工智能在风电功率预测领域的应用

1. 机器学习
机器学习是人工智能技术的核心研究方向，能够从有限的观测数据中自动学
习出具有一般性的规律，并利用这些学到的规律对未知数据进行预测。当前较为

17