由于风力发电的间歇性、随机性和波动性，给电网的安全稳定运行带来了挑战。对风力发电功率进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，提高电网运行的稳定性，同时也可以提高电网消纳风电的能力，进而减少了由于限电给风电开发商带来的经济损失，增加了风电场投资回报率。风电功率预测不仅为电网的调度计划提供依据，同时也能为风电场的管理工作提供辅助手段。
国家能源局2011年6月发布《国家能源局关于印发风电场功率预测预报管理暂行办法的通知》（国能新能[2011]177号），通知对风电场功率预测提出要求，根据办法第九条要求，风电场功率预测系统提供的日预测曲线最大误差不超过25%；实时预测误差不超过15％。全天预测结果的均方根误差应小于20％。
在此文件的指导下，近年来，各省/区电网调度中心对所辖区域内风电场功率预测精度提出了考核机制，如山西、河北等省，新疆地区也从2015年开始进行精度考核。考核机制的细化和落实，对风功率预测精度提出了更高的要求，各风电场为避免被处罚，必须配置稳定的、高精度的风功率预测系统。
“高精度风电功率预测系统”是以高精度数值气象预报为基础，搭建完备的数据库系统，利用各种通讯接口采集风电场集控和升压站数据，采用人工智能神经网络、粒子群优化、风电信号数值净化、高性能时空模式分类器及数据挖掘算法对各个风电场进行建模，完成对风电场的短期风电功率预测、超短期风电功率预测工作。系统要能够提供人性化的人机交互界面，方便查看历史数据和实时预测数据。
高精度数值天气数据是以中尺度模式数值气象预报数据为基础，结合风电场微观选址及针对不同地域特点的参数化方案，经过大规模并行分布式计算机集群的模式计算优化后得到高精度的中小尺度数值天气预报，作为风功率预报的基础。
风功率预测中，对风电场进行数学建模是最关键的一个环节。根据预测时采用的数学模型不同分为物理模型、统计模型。物理模型是在风电场物理环境和风功率之间建立一种联系，该方法中，需要对风电场的地形、粗糙度、周围障碍物等进行建模，将数值天气预报中风速、风向、气压、气温等气象值换算成风电机组轮毂高度的相应数值，然后结合风机本身的功率曲线预测每一个风机的功率，并考虑风机间尾流影响，综合得到整个风电场的风功率。该方法优点是不需要长期积累大量测量数据，缺点是需要充足的气象知识，对模型的精确度要求较高，预测效果不太理想。
统计模型方法是在模型的输入（数值天气预报和风电场的其它测量数据）和模型的输出（风电场预测功率）之间建立一种映射关系。统计方法的优点是预测误差小，缺点是需要长期的测量数据以训练模型参数，此外，当天气状况发生突变时，系统的预测精确度就会下降，因此对这些突然变化的天气状况进行修正是很重要的，否则将会产生较大的预测误差。常见的统计模型有：智能神经网络、卡尔曼滤波、时间序列等方法。
结合上述两种建模方式，可以采用混合建模，在现有时间序列模型下，采用人工智能技术，引入概率统计学理论以及智能优化算法，针对电场地形及气候特点，细化建模，加深建模深度，实现复杂性建模，提高风电场功率预测的精度。
总之，随着各地对风电场功率预测系统的考核机制逐步落实和推行，对风功率预测精度提出了更高的要求，各风电场未来将更多的关注稳定的、精度高的预测系统，这也将促进国内风电场功率预测技术的进一步发展和提升。
索比光伏网 https://news.solarbe.com/201503/01/66828.html
国家能源局2011年6月发布《国家能源局关于印发风电场功率预测预报管理暂行办法的通知》（国能新能[2011]177号），通知对风电场功率预测提出要求，根据办法第九条要求，风电场功率预测系统提供的日预测曲线最大误差不超过25%；实时预测误差不超过15％。全天预测结果的均方根误差应小于20％。
在此文件的指导下，近年来，各省/区电网调度中心对所辖区域内风电场功率预测精度提出了考核机制，如山西、河北等省，新疆地区也从2015年开始进行精度考核。考核机制的细化和落实，对风功率预测精度提出了更高的要求，各风电场为避免被处罚，必须配置稳定的、高精度的风功率预测系统。
“高精度风电功率预测系统”是以高精度数值气象预报为基础，搭建完备的数据库系统，利用各种通讯接口采集风电场集控和升压站数据，采用人工智能神经网络、粒子群优化、风电信号数值净化、高性能时空模式分类器及数据挖掘算法对各个风电场进行建模，完成对风电场的短期风电功率预测、超短期风电功率预测工作。系统要能够提供人性化的人机交互界面，方便查看历史数据和实时预测数据。
高精度数值天气数据是以中尺度模式数值气象预报数据为基础，结合风电场微观选址及针对不同地域特点的参数化方案，经过大规模并行分布式计算机集群的模式计算优化后得到高精度的中小尺度数值天气预报，作为风功率预报的基础。
风功率预测中，对风电场进行数学建模是最关键的一个环节。根据预测时采用的数学模型不同分为物理模型、统计模型。物理模型是在风电场物理环境和风功率之间建立一种联系，该方法中，需要对风电场的地形、粗糙度、周围障碍物等进行建模，将数值天气预报中风速、风向、气压、气温等气象值换算成风电机组轮毂高度的相应数值，然后结合风机本身的功率曲线预测每一个风机的功率，并考虑风机间尾流影响，综合得到整个风电场的风功率。该方法优点是不需要长期积累大量测量数据，缺点是需要充足的气象知识，对模型的精确度要求较高，预测效果不太理想。
统计模型方法是在模型的输入（数值天气预报和风电场的其它测量数据）和模型的输出（风电场预测功率）之间建立一种映射关系。统计方法的优点是预测误差小，缺点是需要长期的测量数据以训练模型参数，此外，当天气状况发生突变时，系统的预测精确度就会下降，因此对这些突然变化的天气状况进行修正是很重要的，否则将会产生较大的预测误差。常见的统计模型有：智能神经网络、卡尔曼滤波、时间序列等方法。
结合上述两种建模方式，可以采用混合建模，在现有时间序列模型下，采用人工智能技术，引入概率统计学理论以及智能优化算法，针对电场地形及气候特点，细化建模，加深建模深度，实现复杂性建模，提高风电场功率预测的精度。
总之，随着各地对风电场功率预测系统的考核机制逐步落实和推行，对风功率预测精度提出了更高的要求，各风电场未来将更多的关注稳定的、精度高的预测系统，这也将促进国内风电场功率预测技术的进一步发展和提升。
索比光伏网 https://news.solarbe.com/201503/01/66828.html
