人工智能在预测单机风电功率上有什么优势

单机风电功率预测依据风机轮毂风速的历史数据预测风电功率。风速与功率的高比例关系使得电力调度系统对风电功率预测精度的要求较高，此外，风速具有间隙波动性和随机性，使得风速和风电功率序列呈现出很强的非线性。人工智能在处理非线性预测问题上具有优势，对单机风电功率预测建模有一定的价值。

因此，湖南工业大学的研究人员郭茜、匡洪海、王建辉、周宇健、高闰国，在2020年第2期《电气技术》杂志上撰文，介绍了基于人工智能的单机风电功率预测模型的建立过程，阐述了模糊逻辑等人工智能方法在单机风电功率预测中的应用与特点，探讨了单机风电功率预测模型存在的问题，提出了对提高单机风电功率预测模型性能的一些见解。

2019年5月，国家发展改革委及国家能源局在《关于建立健全可再生能源电力消纳保障机制的通知》中指出，自2020年1月1日起将对各省级可再生能源的消纳水平全面进行监测评价和正式考核。2018年风电利用率达92.8%，但由于受自然条件影响大，风能明显的波动性使得电力系统的调度压力较大，电力系统还不能完全适应大规模风能并网。2020年的风电利用率指标为95%。因此，调度系统对准确快速地预估风电功率有着切实需求。

风机分为离网型和并网型。前者的功率预测准确率在分布式风力发电中要求较高，单机功率预测的性能将直接影响其投入使用时的可靠性。从集群风电网的角度来看，并网型单机功率预测的误差对集群功率预测的影响是成倍的。

对电场中的每一单机都进行预测的成本很高，鉴于同一范围内风速等气象的相似性很高，往往由一台或多台电机的功率预测推算集群风电网功率。无论是离网型单机还是并网型单机，单机的风电功率预测精度都是影响风力发电普及率的重要因素。因此，对单机功率预测模型及方法的研究变得尤为重要。

目前学术界已对电场级和集群级功率预测系统中的风电功率预测方法展开了大量研究，国外对风电功率预测的研究起步较国内早，尤其在工程应用方面，国外已有相对完整的全套风电功率预测工具。近十年的国内外学术界对功率预测模型研究中，约17%采用人工智能预测模型，组合模型占比20%左右，可见风电功率人工智能预测模型是近年来的研究热点，但相比占比54%的统计模型来说还相差较远；研究方向的偏好上，只有约10%是针对建模问题的研究，大部分的研究集中在预测方法和仿真上。可见人工智能预测模型的研究空间仍较大。

现有的对风电功率人工智能预测模型的研究多集中于电场级和集群级预测，不能满足分散式风机准确快速供能的需求。因此，有部分国内外学者对单机风电功率预测展开了有益的研究。

有学者综述了风电功率预测技术，指出由于气象等随机因素的影响使得单机风电功率预测难度较大，且许多研究都围绕电场级和集群级预测；

有学者研究了单机输出功率的波动特性，表明预测精度和时间尺度成反比，在空间尺度上单机功率的波动性比电场与集群要强；

杨俊友等人提出考虑尾流响应的单机功率物理预测方法，在预测模型的建立中考虑了随机因素，改善了预测效果，并将单机功率预测引入无功控制策略中，充分利用单机预测的精确性优势，改善了分散式电场的无功调节效果；

叶林等人提出利用单机有功预测实现有功控制及校正。

可见针对单机功率预测随机性大的特性，国内更多采用或结合物理建模技术来建立单机风电预测模型，且在有功功率和无功功率的控制上进行了突破性的应用探索；国外则更倾向于采用统计建模技术建立单机风电功率预测模型。

单机风电功率预测模型的建立，根据预测策略的不同分为两类，即物理建模和统计建模。

1）物理建模技术借助气象学对复杂的大气物理过程进行分析预测，由于风速序列在时间、空间上无规律、大幅波动的特点，难以针对不同机组建立统一的物理模型，对数值天气预报（numerical weather prediction， NWP）的依赖性强，但具有不需要历史数据的优点。

2）统计建模技术是基于统计学思想，利用风速/风电功率时间序列等历史值对未来值进行回归预测或概率预测。统计模型主要包括人工智能预测模型。人工智能预测模型对非线性序列的预测问题具有优势，包括人工神经网络（artificial neural network， ANN）预测模型和支持向量机（support vector machine， SVM）预测模型。

湖南工业大学的研究人员分析了基于ANN及SVM建立的单机风电功率预测模型，梳理了基于模糊逻辑法、启发式算法（heurisTIc algorithm， HA）等人工智能技术的单机风电功率预测方法，对单机风电功率预测模型和方法进行总结，对不同模型及方法的优劣进行比较，重点梳理了预测过程中可能产生误差的方面，并展望了可能的研究方向。

图1 模糊推理过程

图2 ANFIS预测模型的拓扑结构

研究人员指出，单机风电功率预测模型中，ANN预测模型的拓扑结构紧凑、预测精度较高、迁移性能很好，但需要大量历史数据，且训练模型的时间长、不易找到全局最优解；SVM预测模型较简单、鲁棒性能好、预测精度比ANN高，但是核函数的选择条件要求严格、易出现过拟合的问题。

单机风电功率预测方法中，模糊逻辑法针对风速的不确定性和随机性，采用ANFIS提取有效信息并预测风电功率，弥补了原预测模型不能准确预测功率序列中非光滑部分的缺点；HA对随机信息的捕捉能力强，用于调节模型参数。

ANN预测模型在超短期和短期预测中的整体表现优于SVM预测模型，超短期预测结果可辅助风力发电机调节桨叶节距角，短期预测结果可辅助风机控制决策。SVM预测模型更适于中长期风电功率预测，如果在并网运行情况下，小时级的中期预测用于对风机及其他能源的调度判断，包括设计储能设备的调度计划，以满足对电能质量和功率容量的要求；在分散式分布式发电的情况下，同样可作为对分布式能源调度的重要参照。

此外，基于SVM的长期风电功率预测在风电场规划、年检修计划和风光互补等多能源组合发电的规划中都是重要的指标依据。

单机风电功率预测是多能源智能电网中调配发电容量、储能容量和年度检修计划的重要依据，为微电网的推广奠定了重要基础。除此之外，超短期单机风电功率预测在精度足够的情况下，预测误差还有望作为未来预测风机故障的方法，以推进坚强电网建设。

目前，单机风电功率人工智能预测模型还存在一些问题：①预测模型对输入数据的依赖度较高，实际工程上几乎无法为每个风机提供精确的微观气象数据，置信度低且许多模型未充分考虑风速计与风机轮毂之间的空间差；②预测模型的超参数及参数的设定方式主要通过经验及交叉验证法取得，无法给出物理意义的解释；③对模型的评价环节中，由于不能完全脱离数据讨论模型性能而急需有准确统一的评价标准。

因此，研究人员在文中最后展望了未来单机风电功率人工智能预测模型的研究方向。

1）提高模型输入数据质量。可以从3个角度优化。

①采用分辨率更高的NWP数据并结合地理信息系统（geographic informaTIon system， GIS）进行风速修正，提升精确度；②在选取预测特征时充分考虑所处地理条件对风速的影响，提升准确度；③考虑构建与物理模型、动力模型和流体力学模型结合的组合模型，从模型的建立上提升预测系统的性能。

2）建立专门的评价数据库。

风电功率模型的固有特性决定了不同的方法在不同的数据中得出的结论没有直接可比性，必须对同一数据采用不同方法才可以通过误差的量值差得到其间的差别。现如今，新型模型越来越多，但针对每一模型性能的完备评估却较少，这对未来的实践是十分不利的。因此，建立专用的风电功率数据库用于预测系统性能的评估参考，并从可靠性、运行效率、合格率和复杂性等角度全面评估模型是十分必要的。

3）建立高性能云运算平台。

单机风电功率人工智能预测模型的定时更新有助于预测系统跟踪风速的实时变化，这需要强大的运算能力支撑。此外，在分散式发电中应用单机功率预测系统，还需要有云计算的辅助，降低配置服务器的成本。人工智能领域中的数据挖掘、大数据处理、智能算法和模型等技术都能为单机功率预测提供支持。