一、风电功率预测
风速、风向、气温、气压等的SCADA实时数据，等高线、障碍物、粗糙度等数据，数值天气预报数据，把上面的某些数据通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。 三门峡旅游攻略一日游路线二、预测的意义
海宁盐官免费观潮地点
风电功率预测的意义如下：①用于经济调度，根据风电场预测的出力曲线优化常规机组的出力，达到降低运行成本的目的。②根据风电出力变化规律增强系统的安全性、可靠性和可控性。③在风电参与电力市场的系统中，优化电力市场中电力的价值。在电力市场中，风电场对风电功率进行预测，参与电力市场竞价；电网公司对风电功率进行预测，保证系统安全经济运行。
①优化电网调度，减少旋转备用容量，节约燃料，保证电网经济运行对风电场出力进行短期预报，将使电力调度部门能够提前为风电出力变化及时调整调度计划；从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。
长丰天气预报
②满足电力市场交易需要，为风力发电竞价上网提供有利条件从发电企业(风电场)的角度来考虑，将来
风电一旦参与市场竞争，与其他可控的发电方式相比，风电的间歇性将大大削弱风电的竞争力，而且还会由于供电的不可靠性受到经济惩罚。提前一两天对风电场出力
进行预报，将在很大程度上提高风力发电的市场竞争力。
③便于安排机组维护和检修，提高风电场容量系数风电场可以根据预报结果，选择无风或低风时间段，即风电场出力小的时间，对设备进行维修，从而提高发电量和风电场容量系数。
三、预测方法的分类
英国很小为什么叫大国风功率预测方法可以分为2 类：一种方法是根据数值天气预报的数据，用物理方法计算风电场的输出功率；另一种方法是根据数值天气预报与风电场功率输出的关系、在线实测的数据进行预测的统计方法。考虑了地形、粗糙度等信息，采用物理方程进行预测的方法则称之为物理方法，根据历史数据进行统计分析，出其内在规律并用于预测的方法称之为统计方法(如神经网络方法、模糊逻辑方法等)。如果物理方法和统计方法都采用则称之为综合方法。
风电功率预测方法根据预测的物理量来分类，可以分为2类：第1类为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。
根据所采用的数学模型不同可分为持续预测法、自回归滑动平均(auto regressive moving average,AR MA)模型法、卡尔曼滤波法和智能方法等。持续预测方法是最简单的预测模型，这种方法认为风速预测值等于最近几个风速值的滑动平均值，通常认为最近1点的风速值为下1点的风速预测值，该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型和向量自回归模型、卡尔曼滤波算法或时
间序列法和卡尔曼滤波算法相结合。另外还有一些智能方法，如人工神经网络方法等。
根据预测系统输入数据来分类也可以分为2类：1类不采用数值天气预报的数据，1类采用数值天气预报的数据。
根据预测的时间尺度来分类，可分为超短期预测和短期预测。所谓的超短期并没有一致的标准，一般可认为不超过30 min的预测为超短期预测。而对于时间更短的数分钟内的预测，主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等。这种分钟级的预测一般不采用数值天气预报数据。短期预测一般可认为是30 min~72 h 的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在较大的困难。因为风速、风向等天气情况是由大气运动决定的，不考虑数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果，所以现在研究的风电场输出功率预测都把数值天气预报数据作为1组重要输入数据。
四、预测方法的优缺点及适应范围
1.风速的预测方法
在进行中期以上的功率预测时，基于风速的预测方法就是前面介绍的“物理方法”。
乌镇西栅景区在进行短期预测时，基于风速的预测方法主要分两步来完成：首先利用风速模型预测出风力发电机风轮轮毂高度的风速、风向，并且计算出风速与风轮扫过平面正交的风速分量；然后利用风力发电机的
功率曲线计算出发电机的实际输出功率。这里的风速模型采用统计方法或者学习方法来建立，输入量通常是历史风速序列和实时采集的风速。
持续预测法是此领域的最简单的方法，认为风速预测值等于最近几个风速历史值的滑动平均值。通常，只是简单地把最近一点的风速观测值作为下一点的风速预测值。该模型的预测误差较大，且预测结果不稳定。
卡尔曼滤波法把风速作为状态变量建立状态空间模型，用卡尔曼滤波算法实现风速预测。这种算法在假定噪声的统计特性已知的情况下得出，事实上估计噪声的统计特性是该方法应用的难点所在。此算法适用于在线风速预测。
直播:荷兰vs阿根廷比赛
随机时间序列法随机时间序列法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，进而推导出预测模型达到预报的目的。目前，该方法只需知道风电场的单一风速或功率时间序列即可建立模型预测，并且可以达到较好的预测效果。该方法使用最多的是累积式自回归一滑动平均模型。
时间序列和卡尔曼滤波混合算法，时间序列分析建模最大的优点在于不必深究信号序列的产生背景，序列本身所具有的时序性和自相关性已经为建模提供了足够的信息，只需要有限的样本序列，就可以建立起相当高精度的预测模型，但其存在低阶模型预测精度低、高阶模型参数估计难度大的不足。而卡尔曼滤波预测法存在动态修改预测
权值的优点，依靠预测递推方程可以获得较高的精度，但同样存在建立卡尔曼状态方程和测量方程较困难的不足。首先利用时间序列分析建立一个能反映序列信号变化规律的低阶模型，从该低阶模型的预测方程入手，直接推导出卡尔曼滤波的状态和测量方程，利用卡尔曼预测迭代方程可以实现信号的预测，这恰好避免了建立高阶时间序列模型和推导卡尔曼状态和测量方程困难的问题。
人工神经网络法人工神经网络(ANN)旨在模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成，是一门涉及生物、电子、计算机等多个领域的科学。人工神经网络具有并行处理、分布式存储与容错性等特征，具有自学习、自组织和自适应能力，可以实现联想记忆、非线性映射、分类与识别、优化计算、知识处理等功能，对复杂问题的求解十分有效，可用于短期风速预测。
时序神经网络预测方法：原始数据是风速时间序列和风电机组输出功率的时间序列。用时间序列法和神经网络法进行建模，主要内容为：用时间序列法建模，得到对预测值影响最大的几个量；将时间序列法的研究结果运用到神经网络法，定量确定神经网络法的输入变量；为了提高预测精度和保持预测精度的稳定性，提出了滚动式权值调整手段，解决了神经网络权值随时间推移而逐渐变得不适用的问题。时序神经网络法有效地提高了风速预测精度。
模糊逻辑法应用模糊逻辑和预报人员的专业知识将数据和语言
形成模糊规则库，然后选用一个线性模型逼近非线性动态变化的风速。但是，单纯的模糊方法对于风速预测，效果往往不佳，这主要是
