风电功率预测系统简介
风电功率预测系统简介
目录
1目的和意义 (3)
2国内外技术现状 (3)
2.1国外现状 (3)
2.2国内现状 (4)
3风电功率预测系统技术特点 (5)
3.1气象信息实时监测系统 (5)
3.2超短期风电功率预测 (5)
3.3短期风电功率预测 (6)
3.4风电功率预测系统软件平台 (8)
1目的和意义
风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响,以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。
对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，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。其次，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。
2国内外技术现状
2.1 国外现状
在风电功率预测技术研究方面，经过近20年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。
德国太阳能技术研究所开发的风电管理系统（WPMS）是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris?国家可再生能源实验室与丹麦技术大学联合开发了风电功率预测系统Zephyr，
目前丹麦所有电网公司均采用了该预测系统。此外，美国、西班牙、英国、法国、爱尔兰等风电发展较快的欧美国家纷纷开始开发和应用风电功率预测系统，其中较为成熟的产品还有美国True Wind Solutions公司开发的E-Wind，法国Ecole des Mines de Paris公司开发的AWPPS，西班牙马德里卡尔洛斯第三大学开发的SIPREóLco以及爱尔兰国立科克大学与丹麦DMI联合开发的HIRPOM。
近年来，国际风电功率预测研究的重点已经转向开发更高级的预测模型，强调研发适用于复杂地形、极端天气条件以及海上风电场的预测技术。在2002年欧盟启动的“开发下一代陆上与海上风电场风能预测系统”项目(“Development of a Next Generation Wind Resource Forecasting System for the Large-Scale Integration of Onshore and Offshore Wind Farms” - ANEMOS )的支持下，涌现出大量新的预测方法，如结合统计法与物理法的混合预测法、小气候模型与中尺度气象模型的结合、多个中尺度模式的集合预报等。新预测方法的提出对提高预测结果的精度，拓宽预测方法的适应性具有重要意义。
2.2 国内现状
经过多年的技术攻关，我国在风电功率预测的研发方面取得了重大突破。国网电力科学研究院自主研发的风电场功率预测系统于福建省电力公司、内蒙乌拉特风电场等不同现场投运,预测精度达到国外同类产品水平，并在我国首次实现超短期预测功能，预测精度可满足国家电网公司相功能规范要求，接近或达到国外同类产品的水平。国网电力科学研究院的风电功率预测系统将于近期在华北电网公司、东北电网公司投运现场验证。
中国电力科学研究院研发的风电功率预测系统在我国多家网省电力公司投运，预测精度已满足国家电网公司相关功能规范要求，接近或达到国外同类产品的水平。
目前所有运行的风电功率预测系统均为针对单一电场的功率预测系统，缺乏针对整体区域性大规模新能源电站（群）的综合预测，综合考虑区域间大气科学、边界层物理等约束条件的不同对新能源电站发电能力的影响。随着我国大规模新能源产业的大规模发展，亟需加强大规模区域性新能源电站（群）发电功率预测的相关研究。
3风电功率预测系统技术特点
风电功率预测系统包括了数据监测、功率预测、软件平台展示三个部分。数据监测是预测的基础，数据监测包括对气象信息的监测和对风电场运行状况的监测。功率预测系统可实现短期、超短期预测功能，满足风电企业对于不同时效预报的需求。软件平台将对监测和预测的数据结果以直观的方式展示并分析。
3.1 气象信息实时监测系统
气象信息实时监测技术的应用，为风功率预测提供风电场区气象实时数据，以实现超短期功率预测，并为模型校订提供关键数据源。
实时监测系统由遥测站、中心站数据采集装置和通信通道组成，其中遥测站安装于风电场指定测风塔的相应高层，中心站数据采集装置安装于风场中控楼内，遥测站与中心站之间有光纤通道或者特高频通信通道供用户根据风场实际条件进行选择。实时监测系统具有稳定可靠的微功耗数据采集器、多信道可选的无线通信接口、丰富的高精度传感器接入、适用的机械构件设计、功能完备的中心站数据采集软件平台等核心技术。
在监测的气象要素数据中，多个高层的风速、风向值以每秒进行采集，近地面的温度、湿度、气压以每10秒进行采集，每分钟采集雨量，遥测站可实现每5分钟向中心站自动发送气象要素的实测数据和5分钟平均值、最大/小值、极大值等统计数据。
3.2 超短期风电功率预测
超短期风电功率预测能够实现对接入系统的风电场未来0-4小时的输出功率情况进行预测，预测点时间分辨率为15分钟。
超短期风电功率预测一般采用数理统计法，数理统计法是对风电场所在地测风塔的历史观测数据和周边气象台站的历史观测数据进行分析和整理，采用逐步回归法、时间序列法、BP神经网络法等，进行风力预测建模试验，最后选取预报效果较好的一种风力预测模型。
再将测风塔实时数据作为输入，经风力预测模型计算，即可得到超短期风力预测结果。
数理统计预报模式——超短期功率预测流程示意图
3.3 短期风电功率预测
短期风电功率预测能够实现对接入系统的所有风电场次日0-24小时的输出功率情况进行预测，预测点时间分辨率为15分钟。
短期风电功率预测主要依靠数值气象预报，并根据风电场地形的特点，输入风电场测风塔观测资料、周边自动气象站观测资料、风电场基础地理信息资料等，对风电场微观区域进行时空加密计算，得出满足风电场出力预测需求的风力预测结果。在风机标准功率特性曲线基础上，根据风电场历史功率数据以及历史测风塔数据统计分析获得风电场的出力预测模型。结合风力预测结果与出力预测模型便可获得风电场全场输出功率预测结果。
风电场短期功率预测方案流程示意图
数值天气预报是以资料同化系统ADAS为基础，通过INTERNET实时获取GFS 背景场，结合本地大量实时观测资料，重建中尺度区域模式所需的初始场。在获得精细化客观分析场的基础上，调试中尺度区域模式WRF，构建风力预估数值预报系统。业务化运行后，可将模式预报所得传送至后处理服务器，通过INTERNET
向客户提供数据下载，并通过页面形式显示各气象要素场。
数值天气预报每天8： 00、20：00分别发布风电场给定预报点（含测风塔
指定经纬度）的5分钟平均风速、5分钟平均风向。预测高层涵盖风机轮毂高度，风电场测风塔测风设备的安装高层等；对应预报点整点的2米温度、2米相对湿度、地面气压，6小时累计雨量预报值；
3.4 风电功率预测系统软件平台
风电功率预测软件平台采用基于B/S架构的友好人机界面，具有如下功能：
1) 实时监视信息：
提供界面监视测风塔采集的各气象要素（气温、湿度、气压、雨量、风速风向等）实测、预测值；
2) 风电场气象实时/历史信息：
包括实测和预测的气温、湿度曲线、风速、风向、湿、压、雨数据表格等；
3) 风电场出力实时/历史信息：
包括全站实时有功曲线、日前预测出力曲线、风速与出力对比曲线、实际出力历史数据查询、预测出力历史数据查询；
4）误差统计分析：
风力预测误差统计、出力预测误差统计分析。
风电出力预测系统是一个建立在分布式计算环境中的多模块协作平台，主要采用java语言、Python语言等作为开发工具语言。人机界面采用了基于浏览器的B/S架构开发。风电出力预测系统软件平台模块划分和数据流见下图：
数数数数
数数数数数数数
数数数数数数数数数数数数数数数数数数数数
数数数数数数数数数数数数数
数数数数数数数数数数
数数数
数数数数数数数
数数数数数数
数数数数数
数数数数数
数数数数数
数数数数数数数数
数
数数数数数数
数数数数数数数数数数数数数数数数数数数数数数数数数数数数数数数数数数
数数数数数数数数数数数数数数数数数数
数数数数数数数数
数数数数
数数数数
风电出力预测系统软件平台模块图
各个软件模块的功能如下：
1. 预测数据库：是整个风电预测系统的数据核心，各个功能模块都需要通过系统数据库完成数据的互操作。系统数据库中存储的数据内容包括：数值天气预报、测风塔实测气象数据、风场实时有功数据、超短期风力预测、时段整编数据、出力预测数据；
2. 人机界面：这是用户和系统进行交互的平台，人机界面中以数据表格和过程线、直方图等形式向用户展现了预测系统的各项实测气象数据、风场实时有功数据和预测的中间、最终结果；
3. 天气预报获取解析程序：负责定时从ftp 下载从气象部门获得的天气预报数据，通过筛选、格式化等操作将数据存放到预测系统数据库中；
4. 风场风机信息采集程序：负责将从风机厂家获得的风场风机实时有功数据转存到预测数据库以作为预测数据比对和预测功率计算使用；
5. 数据采集平台：负责从测风塔收集与预测相关的气象数据，并对数据做初步筛选处理，并将之存入预测数据库；
6. 短期和超短期风电出力预测模块：从预测数据库中获得数值天气预报以及测风塔实测气象数据，以此为输入，应用各种模型计算短期和超短期出力预测结果并存入预测数据库；
7. 误差统计计算模块：输入不同时间间隔的预测和实测出力数据，统计合格率、平均相对误差、相关系数，通过存入预测数据库、输出误差计算结果到人机界面。
风电功率预测系统功能要求规范
风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心
目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)
前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。
风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。
浅谈风电功率预测系统的必要性
浅谈风电功率预测系统的必要性 随着我国风电、光伏发电等新能源的发展，并网难的问题也逐渐显现。但由于电能的储存难题一直没能有效解决，新能源并网问题仍处于探索状态。由于新能源发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好新能源发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。 应对以上问题，国能日新研发了SPWF-3000风电功率预测系统。该系统具有高精度数值天气预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。风电功率预测系统短期预测精度超过80%，超短期预测精度超过90%。使风电场可以向电网公司提供准确的天发电功率，电网调度可以有效利用风电资源，提高风电发电上网小时数。并且由于对未来一段时间的发电功率有所了解，电网调度也可以合理的安排个风电场的发电情况，防止由于天气变化引起电场出力的突然增大或减小对电网造成的损失。 在欧洲发达国家，电网公司会优先购买预测准确的风电场电力，限制预测不准的风电场电量或采取处罚措施。而在我国，由于风电发展迅速，历史数据少，风电场地形复杂，气候类型多样。国外已有统计预测方法无法全面满足国内风电预测的要求。而国能日新风功率预测产品采用多元化智能自适应数据建模。建立优化的物理模型与人工智能模型相结合的功率预测双模型。短期预测精度超过80%，超短期预测精度超过90%。风电场可以根据预测结果以及调度的指令，合理的安排风电场运行，增加发电量。 因此，风电功率预测无论对风电场还是电网来说都是很有必要的。在为风电场增加发电量的同时，还减小了对电网的冲击。而功率预测最重要的就是精确度，高精度的功率预测可以起到很大的正面作用，而如果预测精度不够也会造成很多不必要的损失。国能日新风电功率预测系统以高精度的测量目标要求自己，为用户提供高精确度的预测结果。
风电场风速及风电功率预测方法研究综述
—————————————————— —基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。 第27卷第1期2011年1月 电网与清洁能源 Power System and Clean Energy Vol.27No.1 Jan.2011文章编号：1674-3814（2011）01-0060-07 中图分类号：TM614 文献标志码：A 风电场风速及风电功率预测方法研究综述 洪翠，林维明，温步瀛 （福州大学电气工程与自动化学院，福建福州350108） Overview on Prediction Methods of Wind Speed and Wind Power HONG Cui,LIN Wei-ming,WEN Bu-ying （College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ） ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method, statistical method, learning method and the comprehensive one combining all the other methods.Based on accurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents a brief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods; learning methods;combinatorial prediction 摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。 现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报（NWP-numerical weather prediction ） 的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少， 较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。 关键词：风电预测；统计方法；学习方法；综合预测 随着全球石化资源储量的日渐匮乏以及低碳、 环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。风力发电是风能的主要利用方式之一。2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。随着规模越来越 大、数量越来越多的风力发电功率注入电网， 风能具有的随机性对电力系统的影响越来越不可忽视。 1风电预测的意义 准确有效地预测出风电场的输出功率不但可 帮助电力系统调度运行人员做出最有效决策， 还
风电功率预测问题3
关于实时预测风电机组功率的研究 摘要 能源、环境是当今人类生存和发展所要解决的紧迫问题。风力发电由于清洁无污染，施工周期短，投资灵活，占地少，具有较好的经济效益和社会效益， 己受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源，许多国家已把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施。 电力系统调度部门必要时及时调整调度计划，这样便可有效的减轻风电对整个电网的影响。所以，风速和风力发电功率的准确预测对于负荷管理和系统运行便显得十分重要，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。 本文针对风电功率的预测问题进行了一系列的研究建模。对于风电功率的预测建立了三种不同的模型，然后将其进行误差分析，得出误差最小的人工神经网络模型，并对模型进行进一步的探讨，得出更高精度的模型。同时，也将单台风电机的输出功率的预测数据与多台风电机的输出功率预测数据进行比较。得出了相关规律。 对于问题一，我们利用ARIMA模型、灰色模型和人工神经网络模型对风电功率进行了实时预测，并将预测数据与事先准备好的实际数据进行比较，然后分析误差，得出了人工神经网络模型为最优模型的结论。对于ARIMA模型我们主要采用SPSS软件对数据进行预处理，然后建立。而灰色模型主要利用EXCEL软件。至于人工神经网络模型主要利用的MATLAB软件进行模型的建立。最后利用最小二乘法原理，预测数据并将数据进行拟合修正。分析误差，得出结论及相应的预测数据。 对于问题二，我们将但台风电机的预测数据与多台风电机的预测数据进行比较，得出多台风电机输出功率并不是单台风电机的输出功率单纯的叠加，而需要利用加权算法进行运算得出总功率，并进行修正，才能得出精度较高的结果。 对于问题三，我们在问题一的得出人工神经网络模型的精度最高，根据此启示，我们再次利用MATLAB建立了小波神经网络模型，然后对数据进行预测，拟合修正，得出最优解。 关键词：风电功率最小二乘法数据拟合 Matlab 人工神经网络模型 §1 问题的重述
风电功率预测文献综述
风电功率预测方法的研究 摘要 由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。进行风电功率预测并且不断提高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。其中，中国风电新增装机容量达30500MW，占市场份额48.4%。全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。本文主要研究不同的风电功率短期预测方法的优缺点。 通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。
风电功率预测的发展成就与展望
风电功率预测的发展现状与展望 范高锋，裴哲义，辛耀中 （国家电力调度通信中心，北京100031） 摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文从电力调度运行的角度，在风电功率预测技术的发展现状、系统建设情况、预测误差、预测评价指标和预测的主体等方面展开了论述，对目前存在的基础数据不完善、预测精度不高、预测的时间尺度较短和风电场普遍没有开展预测的问题进行了分析，提出了加强电网侧和风电场侧风电功率预测系统建设、加快超短期预测功能建设、继续深化预测技术研究、加强标准体系建设和开展跨行业合作等发展建议。 关键词:风电场；功率；预测；系统 中图分类号：TM614 文献标志码：A 文章编号： Wind power prediction achievement and prospect FAN Gao-feng , PEI Zhe-yi , XIN Yao-zhong (National Power Dispatching& Communication Center，Beijing 100031) Abstract: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. This paper summarized the current situation of wind power prediction technology, wind power prediction system construction, prediction error, assessment index, and main market body of prediction from the power dispatch perspective. The main problems includes basic data incomplete, prediction precision relatively low, prediction time scale short and wind farm no wind power system are analyzed. Suggestions of enforcing grid side and wind farm side wind power prediction system construction, speeding up ultra-short term wind power prediction system construction, deepening wind power prediction technology study, strengthening prediction technical standard system and cooperation of different industry are proposed. Keywords: wind farm; power; prediction; system 0引言 电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。在没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，以满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电对电力系统的调度运行带来巨大挑战。 目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。 1 风电功率预测发展现状 1.1 风电功率预测技术的发展情况 电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日0时起72h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0~4h的滚动预测，用于电力系统实时调度[4]。 风电功率预测方法主要分为统计方法、物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指风电功率预测的物理方法根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电
风电功率预测系统简介
风电功率预测系统简介
目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1 气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6)
3.4风电功率预测系统软件平台 (8)
1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响, 以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，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。其次，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。 2国内外技术现状 2.1国外现状 在风电功率预测技术研究方面，经过近20 年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPM）S是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris? 国家可再生能源实验室与丹麦技术大学联合开发了风电功率
风电功率预测问题
第一页 答卷编号：论文题目： 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人） 第二页 答卷编号：
风功率预测问题设计 摘要 未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。 在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。 在问题二中，通过比较分析问题一的预测结果，比较单台风电机组功率（P A ，P B ，P C ， P D ）的相对预测误差与多机总功率（P 4 ，P 58 ）预测的相对误差，得出风电机组的汇聚程 度越高，对于预测风电功率结果误差影响越小。 在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。 （关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）
风电功率预测系统功能规范
风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，
在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相
国家能源局关于印发风电功率预报与电网协调运行实施细则
国家能源局关于印发风电功率预报与电网协调运行实施细则(试行)的 通知 国能新能[2012]-12文件 各省(区、市)发展改革委、能源局、中国气象局，国家电网公司、南方电网公司、华能集团公司、大唐集团公司、华电集团公司、国电集团公司、中电投集团公司、神华集团公司、中广核集团公司、三峡集团公司、中国节能环保集团公司、水电水利规划设计总院、各相关协会: 为促进风电功率预测预报与电网调度运行的协调，根据《风电场功率预测预报管理暂行办法》的有关要求，现将〈风电功率预报与电网协调运行实施细则~(试行)印发你们，请参照执行。 附:风电功率预报与电网协调运行实施细则(试行) 风电功率预报与电网协调运行实施细则(试行) 第-章总则 第一条根据《中华人民共和国可再生能源法》和《节能调度管理办法}，为贯彻落实国家能源局《风电场功率预测预报管理暂行办法}C国能新能(2011 ) 177号)，制定本实施细则。 第二条中国气象局负责建立风能数值天气预报服务平台和业务运行保障体系，为风电功率预测提供数值天气预报公共服务产品和相关技术支持系统。 第三条风电开发企业负责风电场发电功率预报工作，按照要求上报风电场发电功率预报曲线，并执行电网调度机构下发的发电功率计划曲线。 第四条电网调度机构负责电力系统风电发电功率预测工作，建立以风电功率预测预报为辅助手段的电力调度运行机制，保障风电优先调度，落实风电全额保障性收购措施。 风电功率预测预报和并网运行的有关考核办法另行制定。 第五条各有关单位应保证安全接收、传送、应用气象和电力运行等信息，确保涉密信息的获取和使用符合国家相关保密规定。 第二章气象数据服务及功率预测
近海风电场项目风功率预测系统技术协议
江苏响水近海风电场项目风功率预测系统技术协议 二○一五年五月响水
目录 第一章总则 (2) 第二章技术规范 (3) 2.1 标准和规范 (3) 2.2 工程概况 (4) 第三章技术参数和性能要求 (6) 3.1 海上测风塔数据传输技术要求 (6) 3.2 设备要求概述 (6) 3.3 功率预测技术要求 (6) 3.4预测功能要求 (8) 3.5 统计分析 (10) 3.6 界面要求 (10) 3.7 至调度主站要求 (12) 3.8 联网方式及数据上传方式 (12) 3.9 GPS 对时方式 (12) 3.10 电磁兼容性要求 (13) 第四章屏柜结构及布线要求 (13) 4.1 屏体要求 (13) 4.2 屏内布线 (14) 第五章图纸和资料 (14) 第六章现场验收及服务 (15) 第七章交货要求 (15) 附件1 供货范围、备品备件及技术参数表 (16) 附件2 风电场风电功率预测系统结构图 (18) 附件3 信息传送网络拓扑图 (19)
第一章总则 1.1 本技术协议适用于江苏响水近海风电场工程风电功率预测系统。 1.2 本技术协议提出的是最低限度的技术要求，并未对一切技术细节作出规定，也未充分引述有关标准和规范的条文，卖方应提供符合本规范书和工业标准的优质产品。卖方应具备风功率预测系统的制造资质和经验，可根据需要提供预测系统建设的解决方案。1.3 如果卖方没有以书面形式对本规范书的条文提出异议，则意味着卖方提供的设备完全符合本技术协议的要求。如有异议，不管是多么微小，都应在报价书中以“对规范书的意见和同规范书的差异”为标题的专门章节中加以详细描述。风功率预测系统是预测风电场未来发电能力的重要手段，是推动风电行业持续健康发展的必要条件之一。根据国家电网公司的要求，风电场需要上报测风塔自动气象站实时采集的数据、风功率预测结果等内容。为此，卖方承担的工作内容包括(但不限于)： （1）提供测风塔侧无线发射设备和风机侧的无线接收设备各1套，将测风塔自动气象站所采集的数据接入到无线发射设备，通过无线传输到风机侧，再借用风机35kV光电复合缆中光纤的备用芯将数据传输到陆上集控中心中控室。卖方需负责完成整个传输通道的各项接口配合工作，向调度中心传送实时测风数据。 （2）风功率预测系统的建设：包括中心站的硬件、平台软件、短期风功率预测软件、超短期风功率预测软件等，并向调度中心报送预测功率数据。 （3）提供系统预验收后第一年的气象预报数据服务。 （4）系统框架具体内容，参见技术文件提供的附件1《供货范围、备品备件及技术参数表》、附件2《风电场风电功率预测系统结构图》和附件3《信息传送网络拓扑图》。 1.4 测风塔和自动气象站由买房负责建设。 1.5 本技术协议所使用的标准如遇与卖方所执行的标准不一致时，按较高标准执行。1.6 本技术协议经买卖双方确认后作为订货合同的技术附件，与合同正文具有同等的法律效力。 1.7 本技术协议未尽事宜，由买卖双方协商确定。
风电功率预测问题
数学建模论文 题目：A题风电功率预测 参赛队员信息： 队员1 队员2 队员3 姓名张旭汪宝施灵卫 专业物理学物理学电气工程及其 自动化 邮箱1786428369@q https://www.sodocs.net/doc/0f5634467.html, 1026253546@q https://www.sodocs.net/doc/0f5634467.html, 404842219@qq. com
风电功率预测问题 摘要：风电接入电网时，大幅度的风电功率变化对电网的功率平衡调节会产生不利影响.对风电功率进行准确预测，电力调度部门就可以根据预测的功率安排调度计划，保证电网功率平衡和运行安全.通过建立数学模型解决风电功率预测问题.首先对P A ,P B ,P C ,P D ,P 58进行统计分析，分别求出A 、B 、C 、D 单机每天的功率和，用MATLAB 分别绘制出单机每天的总功率和随天数变化的四组曲线，四组曲线变化趋势相同，具有相同的周期T=7天.比较P A P B ,P C ,P D ,P 58随天数变化曲线，以T=7天为一个周期，建立前一个周期内功率变化函数模型，预测下一个周期内的功率.建立三种函数模型. 模型一：利用MATLAB 对一周内七天的曲线进行拟合，得到一个三次曲线 = ，以7天为周期，预测下个周期功率. 模型二:建立灰色系统模型.选一周内7天的28个数据 进行累加得到新的数据序 列 ，j=28利用灰色系统理论进行求解 ， 得到七天的功率满足的函数关系，根据函数变化趋势预测功率. 模型三：建立自回归移动平均模型ARIMA(p,d,q)，通过 作图发现时间序列是非平稳的，采取适当差分则会显示出平稳序列的性质，对序列分析求解得到参数，最后得到线性函数 根据函数变化趋势，预测下一周内的功率变化. 关键词：时间序列 灰色系统 非线性拟合 ARIMA(p,d,q) d ct b a t t +++2 3 ()t f () })28(,),2(),1({) 0() 0() 0(0x x x x =() ()()()j j j x x ∑=1 01() ()t x 0()()()() P T p t t t t X X X X X ----+???+++=????332211
风电功率预测系统设计方案
风功率预测系统设计方案 随着社会的发展，传统能源出现面临枯竭的危险，发展新能源经济是当今世界的历史潮流和必然选择。而二次能源开发中利用风力发电是最有潜力最为环保的方式之一，但这也引出了分布式发电并网难的问题。由于风能发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好风能发电的预测和调控是风力发电并网稳定运行和有效消纳的重要条件。 国外的经验证明，对风力发电进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，减少风电限电，由此大大提高了电网消纳风电的能力，进而减少了由于限电给风电业主带来的经济损失，增加了风电场投资回报率。为此，国能日新自主研发的风电功率预测系统，为国家的风电事业发展贡献自己的一份力量。 风就是水平运动的空气，空气产生运动，主要是由于地球上各纬度所接受的太阳辐射强度不同而形成的。在赤道和低纬度地区，太阳高度角大，日照时间长，太阳辐射强度强，地面和大气接受的热量多、温度较高；在高纬度地区太阳高度角小，日照时间短，地面和大气接受的热量小，温度低。这种高纬度与低纬度之间的温度差异，形成了南北之间的气压梯度，使空气作水平运动，风沿水平气压梯度方向吹，即垂直与等压线从高压向低压吹。
地球在自转时，使空气水平运动发生偏向的力，称为地转偏向力，这种力使北半球南方吹向北方的风向东偏转，北方吹向南方的风向西偏转，南半球则相反。所以地球大气运动除受气压梯度力外，还要受地转偏向力的影响，大气真实运动是这两种力综合影响的结果。 国能日新开发的风电功率预测系统SPWF-3000，具备高精度数值气象预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。在即使没有测风塔的情况下，采用国能日新的虚拟测风塔技术，风功率系统短期预测精度超过80%，超短期预测精度超过90%。
风电功率预测综述(成品)
风电功率预测综述 摘要： Abstract 引言： 随着环境和能源问题日益突出，开发可再生清洁能源备受人们关注，风能已成为目前最具大规模商业化开发前景的可再生能源，风力发电是有效利用风能的主要途径，也是世界各国为实现能源和电力可持续发展的最佳选择。自1990年以来，风力发电技术有了飞速的发展，在过去的10年之间，风电装机容量在全球范围内已翻了四番，从2002年的24.3GW 到今年预期的203.5GW[1]。 在电力系统中，功率平衡是通过连续不断的调整发电能力以及控制供电需求来实现的。与热力发电相比，由于大自然风的波动特性，使得风电功率具有随机性以及不可控性等特点，因此，大规模风电并网对电力系统的平稳运行提出了更高的要求，当风电功率波动范围超过电力系统的平衡能力时，将会威胁电力系统的运行安全。对风电功率的预测变得至关重要，功率预测技术有助于提前预判风电功率变化，从而使得电网可进行平稳调控，保证电力系统运行的安全性和经济性。短期（从1小时至72小时不等）的风电功率预测技术将便于电网的合理调度，保证供电质量，为风电场的竞价提供保证；中期（从3天到7天不等）风电功率预测技术一般用于维护和调试风电场或电网其他部分；长期（以年为单位）风电功率预测技术主要用于风电场设计研究，进而预测风电场建成之后的年产电量。 风电功率预测的基本方法 以研究对象来分，风力发电的预测模型可以分为两种。第一种为基于一系列风电历史数据分析的直接预测，此方法运用统计方法预测每小时的平均风速，或直接预测电力功率生产。第二种是通过将数值天气预报（NWP）模型作为输入进行的间接预测，此方法使用事先已从气象风动力模型中派生出的变量（主要指一个小时内的平均风速以及风向）对风电功率进行预测。 按照采用的预测模型划分，风电功率预测一般被分为物理方法，统计方法，复合预测方法。对于统计预测方法来讲，大量的历史时间序列数据是必不可少的，通常短期（3h至6h）的预测模型均是以统计学为基础的，较之物理模型有较高的精度，然而对于超过15个小时的预测来说，运用NWP方法更加准确。表1给出了国际上领先的风电功率预测软件模型。 基于数值天气预报（NWP）的风电功率预测 NWP是指根据大气实际情况，设定一定的初值和边界条件，通过计算机程序作数值计算，求解描述天气演变过程的流体动力学和热力学的方程组，预测未来某个时段的大气运动状态和天气现象。 NWP模型的选择标准包括：地理位置，分辨率（包括空间和时间），预测尺度，以及要求的精确度等。NWP模型通常有三个主要部分：动态的大气流所在中心，描述气象变化（例如流动和辐射）的物理方程式和信息采集的软件代码。NWP模型对原始条件（例如温度等）是很敏感的，同时原始条件的确定以及对方程组的求解也是难度极大的。 在区域预测和中尺度水平的另一类NWP模型日益受人们关注，此模型重点用于研究某一地域的天气现象。例如静态的ETA模型,HIRLAM模型和ALADIN模式以及MM5模型。由于预测某个特定风电场的大气现象难度大且花费时间长，因此利用‘升尺度’的方法对该问题进行研究。在升尺度方法中，来自特定区域多个风电
风电功率预测模型
第一页 答卷编号： 论文题目：A 题风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人）
第二页 答卷编号：
A 题风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：s t x t 1 (1 )S t 1,0 1,t 3，通过调整平滑参数来优化预测精度；小波 神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,0.3344,0.341) ，得到一组基于以上 三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4 的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值( ARTD )，并令遗传算法的适应度函数为： f(x) ARTD。最后得到具有更高预测精度的模型。具体指标值如下表： 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、股票分析、生产计划等问题上。 关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
风电功率预测问题数学建模全国一等奖0000
风电功率预测问题数学建模全国一等奖0000
答卷编号：论文题目：风电功率预测问题 指导教师：金海 参赛学校：北京理工大学 报名序号：1550 证书邮寄地址：北京理工大学中关村校区徐厚宝（学校统一组织的请填写负责人）
风电功率预测问题 摘要： 本文着力研究了风电功率的预测问题。根据相关要求，本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高；单台风电机组预测误差与总机组预测误差成正相关性；多个风电机组的汇聚会使得总体的预测误差减小。另外，从神经网络的训练过程中，我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素，风电功率的预测精度不可能无限提高。 对于问题一，我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测，取得了较为理想的结果。ARMA 模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为 81.3%-95%，小波神经网络模型的预测精确度为92.1%—94.7%，故小波神经网络的预测效果最好。 对于问题二，我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差，得知风电机组的汇聚会使得总体的预测误差减小。 针对问题三，我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真，我们发现该模型能显著减小峰值误差，有力地抑制时间延迟现象，有效地提高了预测的精确度。对仿真误差进行分析，我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素，预测的精度不可能无限提高。 关键词：ARMA，卡尔曼滤波，小波神经网络，遗传神经网络
风电功率预测技术调研报告
风电功率预测技术调研报告 风功率预测是目前国内外公认的、提高大规模风电接入电力系统运行水平的关键基础技术。自20世纪90年代初期，欧洲国家就开始着手风电功率预测系统的研发并应用于业务运行。经过30多年发展，风电功率预测已获得了广泛的应用。随着风电装机容量的快速增长，电网对风电功率预测的依赖性和需求度越来越大。风电功率预测技术已成为缓解电网调峰压力、降低系统备用容量、提高电网风电接纳能力的有效手段。同时，风电功率预测技术还可以指导风电场的检修计划，提高风能利用率，改善风电场的经济效益。 经过多年研究与实践，风电功率预测关键环节已明确固化，按业务流程依次为数值天气预报（numeric weather prediction，以下简称NWP）、风电功率转换、误差修正、预测结果应用，如图1所示。 数值天气预报生成 风资源-功率 转换模型 结果修正 功率预测 结果应用图1 风电功率预测的主要环节
报告根据预测基本流程和原理，分环节介绍风电功率预测的国内外应用现状与前沿技术。经了解，三北地区风电功率预测运行情况、关键预测技术应用以及功率预测服务商较为相似，因此，本报告的国内部分选取京津唐电网作为对象，从各技术环节角度展开调研，为推进风电功率预测技术的发展应用提供借鉴。 1 数值天气预报发展现状与前沿技术 1.1 国外数值天气预报应用现状 数值天气预报（NWP）是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法,包含风速、风向、气温、气压、相对湿度等与风电预测相关的气象要素。空间尺度越大，天气预报的准确率越高，但以风电场为单位的风功率预测需要小尺度气象要素信息，这就需要开展空间降尺度工作，即把大尺度、低分辨率的天气预报信息转化为小尺度、高分辨率的小区域地面气候变化。