2026《风功率预测方法研究国内外文献综述》3500字.docxVIP

风功率预测方法研究国内外文献综述

目前应用较为广泛的风功率预测方法主要为物理方法和统计方法。物理方法主要利用数值天气预报数据，考虑地形、气象等因素对风电场的风速和风能进行预测；统计方法则基于统计模型的方法利用风电场的实测历史数据，用线性或非线性方法在历史数据和未来风速/风能之间建立映射关系。[2]

不同的风电预测模型不可避免存在预测误差，确定预测误差的不确定度以及误差的概率分布也是当前的一个研究热点，即为概率性预测方法。概率性预测方法分为两种，一种是通过对点预测模型的输出结果进行分析得到各条件分位数，从而对估计值的概率分布进行估计，常用的方法有QR回归（QuartileRegression）等。另一种方法就是直接获得预测值的概率分布，常用的方法包括核密度估计法，Gauss过程等。[3]

在易跃春等的研究[4]中，采用人工神经网络（ArtificialNeuralNetwork）的方法。输入层向量是影响风电场功率预测因子，输出层向量是风电场预测功率。考虑三种不同输入：①输入层包含天气预报风速、风向因子以及风机历史风速、功率因子；②输入层只包含天气预报风速、风向因子；③输入层除了包含天气预报风速、风向因子以及风机历史风速、功率因子以外，还包含利用天气预报的气温、气压以及湿度计算得到的10m高度大气密度因子。发现输入向量中考虑风机历史数据能够提高预测的精度；而在NWP数据中，大气密度因子可以提高超短期功率预测的精度，但相比之下，风速因子仍是影响功率预测结果的主要因子。

在张乔木等的研究[5]中，首先利用距离分析法筛选出与风电功率相关程度高的变量，进而降低数据的规模和复杂程度；然后利用长短期记忆（LongShort-TermMemory）网络对多变量时间序列进行动态时间建模，最终实现对风电功率的预测。实验结果表明，与目标变量(风电功率)相关程度较高的变量有助于提升LSTM模型的预测性能；反之，相关程度较低的变量可能会降低LSTM的预测性能。

此外，王焱等[6]采用了一种基于在线序贯极限学习机（OnlineSequentialExtremeLearningMachine）算法的双神经元网络风电预测方法，第1个神经元网络用于对NWP风速进行修正，第2个神经元网络用于风电功率预测，在训练过程中将批处理和逐次迭代相结合。实验结果表明，使用修正后NWP数据对预测精度提高起到了正面的效果。

数值天气预报(NWP)的更新周期较长，难以满足超短期风电功率预测（Ultra-ShortTermWindPowerPrediction）的要求。因此，USTWPP大多采用以统计观点建立的预测模型，如持续线性法、移动平均法、自回归滑动平均(ARMA)法[7]、支持向量机(SVM)法、卡尔曼滤波法[8]、灰色预测模型以及人工神经网络(ANN)法等。[9]但若能克服NWP数据更新周期长、不准确的问题，提取NWP数据中与风电功率相关度较大的因子，并与历史功率数据结合使用，可以有效提高风电功率超短期预测的精度。

1将NWP作为输入量直接使用

统计方法的模型建立如下：

PWP

其中Pwp为风电场的预测功率；fNN表示输入输出的非线性关系，用统计方法实现；nwp表示数值天气预报信息；

2通过聚类分析法使用NWP[10]

风资源的特征主要是风速的变化，风速的变化受地形、障碍物等气象地形因素的影响。昼夜的交替使某些日期的天气情况相似。风力发电的每日相似度可以通过与风力发电密切相关的天气信息的每日相似度来确定。天气信息可以通过预测的方式获得。然后找到与预测周期相似的样本作为训练样本，从而建立预测模型。[11]

聚类分析是寻找样本相似性的有效方法。聚类分析将样本集根据相似度指标分成若干类。同一簇中的样本尽可能的相似，而不同簇中的样本在同一时间尽可能的不相似。动态聚类方法的思想是先进行简单的分类，然后根据一些最优原则对分类进行修正，直到分类更加合理。该方法适用于处理时间长、数据量大的数据聚类。次模型中使用的k均值聚类方法是一种动态聚类方法，它将样本分为不同的聚类，使每个聚类内的平方和最小。

利用NWP的聚类分析进行风力发电日前预测，即利用聚类分析方法先将NWP数据分割成不同的子集，选取与预测日NWP相似的样本作为训练样本，建立广义回归神经网络模型。

采用k均值聚类方法对历史每日NWP值进行划分的具体实现方法如下：选取历史数据中与预测日距离最小的样本作为相似样本，则预测日的NWP属于某个聚类，将该聚类中的历史样本用于训练模型。然后建立以NWP信息为输入、风电功率为输出的人工神经网络模型。输入包括NWP气压、风速、温度、风向正弦值和风向余弦值。将预测日的NWP信息发送至训练后的模型中，进行风电功率的预测。采用GRNN[1