边界层物理：2-1 大型风电场风能预报.pptVIP

超短期预报：以分钟为预报单位。一般是提前几小时或几十分钟进行预报，目的是满足风电机组控制的需要。 短期预报：以小时为预报单位。一般是提前1~48（或72）小时对每小时或15min功率进行预报，目的是用于电网调度，保证供电质量；同时还为风电市场竞价提供保证。 中期预报：以天为预报单位。中期预报主要提前7天对每天的功率进行预报，用于安排风电场检修。 长期预报：以年为预报单位，主要应用于风电场设计的可行性研究，用来测算风电场建成之后的年平均发电量。 不同时间尺度的大气运动 数分钟 大涡、湍流混合 变化非常快、生命周期非常短 现有观测站网很难测到 很难预报 需要高精度数值模式 数小时 海陆风、山谷风、雷暴等 变化快，生命周期短 现有仪器只能测量信号，但测不到结构 需要高分辨 3-D 遥感数据 数天 低压、高压、锋面系统等 变化慢、生命周期长 现有观测网络能够很好的观测到 方法：NWP+统计 预报效果较好 需要更多观测资料 风功率预报影响因素分析 理想化的风电机组功率特性曲线 实际情况，比理论的要复杂、离散 本来就不具有很强规律性的风速，在经过功率特性曲线转换后，其规律性被部分破坏，得到的风力发电功率的规律性更加微弱。由预测理论知，任何预测方法的预测精度都会随着预测对象规律性强弱的变化而发生改变。 当前国际上关于风电场风功率短期预报的方法基本可分为两类：一类是基于历史数据的统计方法，另一类是使用数值天气预报（NWP）的物理方法。 风电场短期功率预报方法 使用基于历史数据的预报方法（持续预报方法、卡尔曼滤波方法等） 使用基于数值天气预报模型的预报方法 基于物理模型 基于统计模型（神经网络方法、模糊数学方法等） 基于混合模型（物理模型+统计模型） 统计模型就是在系统的输入（数值天气预报输出结果、风电场的测量数据等）和风电场的功率之间建立一种函数映射关系，包括线性和非线性的方法，目前主要主要使用自回归、最小平方回归、神经网络等方法实现具体映射过程。 统计模型的优点是可以自发地适应风电场的位置，所以系统误差会大幅度下降。 统计模型的缺点是需要长期的实地测量数据和对于统计系统的额外训练。如果出现罕见的天气条件状况，统计模型很难准确预报，对这些罕见天气状况的修正预报是十分重要的，否则将会导致很大的预报误差。 统计预报时效很短：6小时以内！ 物理模型的实质是提高预报模型的空间分辨率，使之能够精确地预报风电场某一点（如每台风电机组处）的气象因素（风速、风向等）。 物理模型包括两个重要的步骤：从气象预报点水平外推到风电机组坐标处；从气象预报提供的数据高度转换到风机的轮毂高度。 优点是不需要大量的、长期的测量数据，能够有效地对复杂地形展开预报。 缺点是应用者需要具有丰富的气象知识，需要了解物理特性，如果模型建立的比较粗糙，预报精度也会下降。 物理模型预报时效长：可达 3 天（72小时）！ 世界上第一个风电场功率短期预报系统是丹麦RIS?国家实验室的Prediktor，使用了物理模型； 德国有两个系统使用物理模型，SOWIE 和 Priviento； 美国TrueWind开发的Ewind模型也是使用的物理模型，但最后又使用自适应统计模型来消除系统误差。 统计模型的例子有丹麦技术大学开发的WPPT系统，使用自回归统计方法，功率被描述成为一非线性随时间变化的随机过程；另外一个著名的例子是德国的WPMS系统，使用神经网络方法；再一个就是英国GH Forecaster功率预报系统，使用自适应统计回归分析方法。 上述这些模型的预报误差一般都在15%-20%之间，主要误差来源是数值天气预报模型，另外还有预报模型的误差等，结果都还不尽如人意。 近年来，人们开始寻求新的方法，以提高数值天气预报精度，进而提高风电场功率预报系统的预报精度。 例如，使用多个数值天气预报模型提供气象预报，对气象预报的输出进行预处理以及将功率预报和数值天气预报模型结合到一起等，其中极具代表性的是欧盟资助的ANEMOS项目。该项目共有7个国家的23个机构参加。项目总费用430万欧元，欧盟提供250万欧元的资金支持。 ANEMOS项目开始于2002年10月，执行期4年。目的是开发适用于陆上和海上风电场短期功率预报的方法和工具，并且可以优化风电场的储能系统和需要的备用容量。 ANEMOS将物理和统计两种模型结合到一