陶玉波， 陳 昊， 秦曉輝， 孟昭軍

(1. 國(guó)網(wǎng)江蘇省電力有限公司檢修分公司, 江蘇 南京 211102；2. 中國(guó)電力科學(xué)研究院有限公司, 北京100192；3.南瑞集團(tuán)有限公司，江蘇 南京 211106)

0 引言

當(dāng)今能源危機(jī)、環(huán)境污染及氣候變化等問(wèn)題日益凸顯，各國(guó)政府越來(lái)越關(guān)注以風(fēng)力發(fā)電為代表的新能源發(fā)電技術(shù)的發(fā)展。如何立足長(zhǎng)遠(yuǎn)，謀劃確保能源供應(yīng)的可持續(xù)發(fā)展之道，搶占未來(lái)科技創(chuàng)新和經(jīng)濟(jì)發(fā)展的制高點(diǎn)，已成為世界各國(guó)重點(diǎn)考慮的戰(zhàn)略問(wèn)題[1]。以風(fēng)力發(fā)電為代表的新能源發(fā)電技術(shù)具有清潔、低碳、可再生等優(yōu)點(diǎn)，為各國(guó)開(kāi)展節(jié)能減排與環(huán)境保護(hù)工作提供了強(qiáng)大的支撐，其規(guī)模化發(fā)展已成為世界各國(guó)政府努力研究的方向[2]。風(fēng)力發(fā)電技術(shù)在我國(guó)發(fā)展尤其迅猛，根據(jù)國(guó)家能源局2017年發(fā)布的數(shù)據(jù)顯示，新增并網(wǎng)風(fēng)電裝機(jī)容量為15 030 MW，累計(jì)并網(wǎng)裝機(jī)容量達(dá)到164 GW，占全部發(fā)電裝機(jī)容量的9.2%。風(fēng)電年發(fā)電量為3057 億kW·h，占全部發(fā)電量的4.8%，比2016年提高了0.7%[3]。

電力系統(tǒng)的調(diào)控目的是保證發(fā)電量和負(fù)荷量的動(dòng)態(tài)平衡，通過(guò)火電、水電等出力穩(wěn)定機(jī)組的組合、經(jīng)濟(jì)調(diào)度和一次調(diào)頻等調(diào)控策略，使發(fā)電量追蹤可準(zhǔn)確預(yù)測(cè)的負(fù)荷量，維持電網(wǎng)功率的動(dòng)態(tài)平衡。隨著電力系統(tǒng)中風(fēng)電規(guī)模的增加，風(fēng)電具有的空間尺度分散性與時(shí)間尺度強(qiáng)隨機(jī)波動(dòng)性，使風(fēng)電機(jī)組發(fā)電量的可控性降低，影響了電力系統(tǒng)中發(fā)電量追蹤負(fù)荷量的能力，給電力系統(tǒng)運(yùn)行的安全性、穩(wěn)定性和經(jīng)濟(jì)性帶來(lái)了新的挑戰(zhàn)。目前解決該矛盾的重要手段之一是及時(shí)準(zhǔn)確地預(yù)測(cè)未來(lái)一段時(shí)間的風(fēng)電出力，準(zhǔn)確的預(yù)測(cè)結(jié)果可降低成本，提高風(fēng)電并網(wǎng)的可靠性。

1 風(fēng)電預(yù)測(cè)基本概念

1.1 預(yù)測(cè)的時(shí)間范疇

由風(fēng)能的產(chǎn)生機(jī)理可知，風(fēng)電場(chǎng)采集到的風(fēng)速數(shù)據(jù)在時(shí)間上一定是關(guān)聯(lián)的。風(fēng)是風(fēng)力發(fā)電機(jī)的原動(dòng)力，經(jīng)過(guò)風(fēng)力發(fā)電機(jī)的發(fā)電系統(tǒng)，還會(huì)保持風(fēng)的強(qiáng)隨機(jī)性、強(qiáng)波動(dòng)性和間歇性，風(fēng)電功率數(shù)據(jù)在時(shí)間維度上也存在著一定的關(guān)聯(lián)，即前一時(shí)刻的風(fēng)電功率采樣值與后一時(shí)刻的風(fēng)電功率采樣值具有相關(guān)性[4]。

風(fēng)電功率預(yù)測(cè)可以按照預(yù)測(cè)的不同時(shí)間尺度進(jìn)行分類(lèi)。按照預(yù)測(cè)時(shí)間尺度可以分為4類(lèi)：超短期預(yù)測(cè)、短期預(yù)測(cè)、中期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)。

超短期預(yù)測(cè)是時(shí)間間隔以不大于15 min為單位，提前預(yù)測(cè)未來(lái)0～4 h的風(fēng)電功率變化，一般用于對(duì)風(fēng)力發(fā)電機(jī)的控制與在線(xiàn)機(jī)組組合優(yōu)化。

短期預(yù)測(cè)是時(shí)間間隔以分鐘或者小時(shí)為單位，提前預(yù)測(cè)未來(lái)1～3 d(1～72 h)的風(fēng)電功率，一般用于制定電網(wǎng)調(diào)度計(jì)劃和優(yōu)化常規(guī)電源的日發(fā)電計(jì)劃。

中期預(yù)測(cè)是時(shí)間間隔以天為單位，提前預(yù)測(cè)數(shù)周或者數(shù)月的風(fēng)電功率，一般用于風(fēng)電場(chǎng)內(nèi)機(jī)組和線(xiàn)路檢修或者安裝調(diào)試新的風(fēng)電機(jī)組。

長(zhǎng)期預(yù)測(cè)是時(shí)間間隔以月為單位，提前預(yù)測(cè)整年或者數(shù)年的風(fēng)電功率，一般用于風(fēng)電場(chǎng)規(guī)劃選址及年度發(fā)電計(jì)劃制定等可行性研究。

1.2 預(yù)測(cè)的空間范疇

通常風(fēng)電場(chǎng)群所處地域分布比較廣闊，從風(fēng)能產(chǎn)生的機(jī)理來(lái)看，同一風(fēng)帶相鄰位置的風(fēng)速一定具有關(guān)聯(lián)性。因此在同一風(fēng)電場(chǎng)不同風(fēng)電機(jī)組采集到的風(fēng)電功率序列，或者在同一風(fēng)帶相鄰風(fēng)電場(chǎng)間采集到的風(fēng)電功率序列，在空間上并非完全統(tǒng)計(jì)獨(dú)立，而是具有千絲萬(wàn)縷的關(guān)聯(lián)。

風(fēng)電功率的空間相關(guān)性除了受對(duì)風(fēng)速影響較大的氣壓、溫度等自然條件環(huán)境的影響外，還受風(fēng)電場(chǎng)所處的地形、地表粗糙度等地形條件的影響，也會(huì)受到風(fēng)電場(chǎng)內(nèi)風(fēng)電機(jī)組的布置和尾流效應(yīng)的影響。風(fēng)電機(jī)組或者風(fēng)電場(chǎng)之間連線(xiàn)越趨同于風(fēng)向，則風(fēng)電機(jī)組之間或風(fēng)電場(chǎng)之間的空間相關(guān)性就越顯著，因?yàn)樘幵谕伙L(fēng)向上的風(fēng)電機(jī)組或風(fēng)電場(chǎng)輸出的風(fēng)電功率將會(huì)趨于一致，處在下風(fēng)處的風(fēng)電機(jī)組輸出的功率與在其上風(fēng)處的風(fēng)電機(jī)組輸出的功率時(shí)間序列相比表現(xiàn)出相似的波動(dòng)規(guī)律，但具有一定的延時(shí)性。所以風(fēng)電場(chǎng)上2個(gè)相鄰點(diǎn)測(cè)得的功率時(shí)序曲線(xiàn)會(huì)有相似性和延時(shí)性。

文獻(xiàn)[5]指出，隨著風(fēng)電場(chǎng)規(guī)模增大，風(fēng)電場(chǎng)內(nèi)風(fēng)電機(jī)組之間距離以及數(shù)量增加，不同位置風(fēng)資源的波動(dòng)性相互抵消，因此風(fēng)電場(chǎng)總出力的波動(dòng)性減弱。對(duì)風(fēng)電場(chǎng)群進(jìn)行風(fēng)功率預(yù)測(cè)，為了獲得高精度的預(yù)測(cè)結(jié)果，須要考慮風(fēng)電功率的空間相關(guān)性。

2 風(fēng)電功率預(yù)測(cè)法

2.1 確定性風(fēng)電功率預(yù)測(cè)方法

確定性預(yù)測(cè)是指運(yùn)用某種預(yù)測(cè)模型依據(jù)當(dāng)前時(shí)刻的各種測(cè)量值，計(jì)算未來(lái)某時(shí)刻風(fēng)電功率預(yù)測(cè)具體值。按照預(yù)測(cè)模型的不同，可以分為3類(lèi)：物理預(yù)測(cè)法、統(tǒng)計(jì)學(xué)習(xí)預(yù)測(cè)法和混合集成預(yù)測(cè)法[6-7]。

2.1.1 物理預(yù)測(cè)法

物理預(yù)測(cè)法本質(zhì)上是數(shù)值天氣預(yù)報(bào)(numerical weather prediction, NWP)，基于制定風(fēng)電場(chǎng)高精度的數(shù)值天氣預(yù)報(bào)的物理模型，主要依據(jù)大氣層空氣運(yùn)動(dòng)的情況提煉出風(fēng)速的影響因素，例如：風(fēng)向、空氣壓強(qiáng)、空氣溫度、空氣濕度等作為預(yù)測(cè)模型的參考輸入變量，采用數(shù)值計(jì)算方法，通過(guò)設(shè)置計(jì)算初值和計(jì)算邊界條件,以實(shí)現(xiàn)求解出反映空氣運(yùn)動(dòng)過(guò)程的流體力學(xué)方程組合熱力學(xué)方程組的計(jì)算目標(biāo)，進(jìn)一步計(jì)算出各參考變量的分布，最終制成數(shù)值天氣預(yù)報(bào)結(jié)果，換算至風(fēng)力發(fā)電機(jī)輪轂處的等效風(fēng)速，利用功率曲線(xiàn)得到風(fēng)機(jī)的輸出功率。

物理預(yù)測(cè)法的優(yōu)點(diǎn)在于不需要長(zhǎng)期大量的歷史數(shù)據(jù)就能得到預(yù)測(cè)結(jié)果，特別適用于新建風(fēng)電場(chǎng)的預(yù)測(cè)和中長(zhǎng)期風(fēng)電功率的預(yù)測(cè)，短期預(yù)測(cè)和超短期預(yù)測(cè)不適用單純的物理方法進(jìn)行預(yù)測(cè)，因?yàn)闅庀髼l件是不穩(wěn)定系統(tǒng)，演變需要數(shù)小時(shí)才能被監(jiān)測(cè)到，并且NWP需要進(jìn)行大量的耗時(shí)計(jì)算，目前較少單純使用該方法進(jìn)行超短期預(yù)測(cè)。

提升NWP精度須要提高偏微分方程組建模的準(zhǔn)確性，提高物理網(wǎng)格劃分密度和提高計(jì)算初值和計(jì)算邊界條件的準(zhǔn)確性[8]。

2.1.2 統(tǒng)計(jì)學(xué)習(xí)預(yù)測(cè)法

統(tǒng)計(jì)學(xué)習(xí)預(yù)測(cè)法本質(zhì)上是通過(guò)歷史風(fēng)電功率、歷史風(fēng)速、風(fēng)向、氣壓、溫度等數(shù)據(jù)與風(fēng)電場(chǎng)的風(fēng)電功率或者風(fēng)速建立一定的關(guān)系來(lái)進(jìn)行推斷，要求預(yù)測(cè)對(duì)象演化速度較為緩慢，其建模方法簡(jiǎn)單有效，被廣泛應(yīng)用于超短期和短期預(yù)測(cè)。風(fēng)電功率序列是典型的非線(xiàn)性時(shí)間過(guò)程，風(fēng)電場(chǎng)中多臺(tái)風(fēng)機(jī)由于尾流效應(yīng)等影響的存在，風(fēng)電功率序列間還包含著一定的空間信息，通過(guò)深入挖掘數(shù)據(jù)序列中時(shí)間和空間的信息有助于提高預(yù)測(cè)精度。近年來(lái)，基于統(tǒng)計(jì)學(xué)習(xí)的方法發(fā)展迅速，這種方法采用“黑箱”的建模思路，模型函數(shù)不是以解析的形式顯示描述，而是用人工智能的方法找出輸入與輸出的對(duì)應(yīng)關(guān)系，通過(guò)對(duì)長(zhǎng)期積累的歷史數(shù)據(jù)的學(xué)習(xí)，建立輸入與輸出的關(guān)系，進(jìn)而采用這種方式建立的模型進(jìn)行預(yù)測(cè)，具有適應(yīng)性強(qiáng)，便于推廣等優(yōu)點(diǎn)。常見(jiàn)的統(tǒng)計(jì)學(xué)習(xí)預(yù)測(cè)方法有時(shí)間序列分析法、人工神經(jīng)網(wǎng)絡(luò)法(artificial neural network, ANN)、支持向量機(jī)法(support vector machine, SVM)、卡爾曼濾波法、考慮時(shí)空相關(guān)性法等方法。

(1) 時(shí)間序列分析是對(duì)大量的時(shí)間數(shù)據(jù)序列進(jìn)行參數(shù)估計(jì)、模型識(shí)別、檢驗(yàn)等過(guò)程后確定一個(gè)數(shù)學(xué)模型進(jìn)行預(yù)測(cè)。目前文獻(xiàn)中主要有經(jīng)典時(shí)間序列分析模型和現(xiàn)代時(shí)間序列分析模型兩大類(lèi)，經(jīng)典時(shí)間序列分析模型有自回歸模型、滑動(dòng)平均模型、自回歸積分滑動(dòng)平均模型、分?jǐn)?shù)自回歸滑動(dòng)平均模型；現(xiàn)代時(shí)間序列分析模型有廣義自回歸條件異方差模型、隨機(jī)波動(dòng)模型、平滑轉(zhuǎn)換自回歸模型等。風(fēng)電功率和風(fēng)速數(shù)據(jù)通常是非平穩(wěn)時(shí)間序列，應(yīng)用時(shí)間序列分析模型前一般需要經(jīng)過(guò)差分之后才能變?yōu)槠椒€(wěn)時(shí)間序列[9-11]。文獻(xiàn)[12—13]研究了風(fēng)電功率序列的二階矩，提出了基于廣義自回歸條件異方差模型的風(fēng)電功率預(yù)測(cè)方法，使用條件最大似然估計(jì)法辨識(shí)參數(shù)，預(yù)測(cè)結(jié)果優(yōu)于經(jīng)典時(shí)間序列分析模型。文獻(xiàn)[14]基于廣義自回歸條件異方差偏度峰度模型的風(fēng)電功率預(yù)測(cè)新方法，針對(duì)風(fēng)電時(shí)間序列高階條件矩時(shí)變性的檢驗(yàn)問(wèn)題，提出鏈?zhǔn)綑z驗(yàn)新方法，結(jié)合提出的實(shí)用化參數(shù)約束處理方法，提升了預(yù)測(cè)效果。

(2) ANN是通過(guò)復(fù)制人類(lèi)大腦工作過(guò)程的方法，用某種結(jié)構(gòu)連接需要處理的大量元件，有較強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)的能力，可以處理復(fù)雜的非線(xiàn)性問(wèn)題。如何防止人工神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)和過(guò)學(xué)習(xí)的問(wèn)題，是其改進(jìn)的研究方向。在1996年就有學(xué)者將ANN用于風(fēng)功率的超短期預(yù)測(cè)[15]。后來(lái)，眾多學(xué)者將ANN模型進(jìn)行了不同的改進(jìn)，預(yù)測(cè)精度不斷提高[16-17]。

(3) SVM是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展的一種學(xué)習(xí)方法，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，適用于小樣本情形下模型的建立。SVM預(yù)測(cè)方法通過(guò)核函數(shù)，將樣本空間的輸入映射到高維特征空間，解決了傳統(tǒng)方法中的維數(shù)災(zāi)難、學(xué)習(xí)時(shí)間長(zhǎng)、模型適應(yīng)性弱等問(wèn)題。文獻(xiàn)[18]提出了一種新的N-SVM回歸模型，對(duì)傳統(tǒng)的SVM核函數(shù)進(jìn)行了修正，進(jìn)一步提高了預(yù)測(cè)精度。

(4) 卡爾曼濾波法通過(guò)建立狀態(tài)空間方程，需要已知噪聲的統(tǒng)計(jì)特征，將預(yù)測(cè)對(duì)象作為狀態(tài)變量?？柭鼮V波具有穩(wěn)定性高、無(wú)偏性等特點(diǎn)，但如何得到噪聲的統(tǒng)計(jì)特征是其方法的難點(diǎn)。卡爾曼濾波在預(yù)測(cè)過(guò)程中不斷地進(jìn)行修正，不需要存儲(chǔ)大量數(shù)據(jù)，其計(jì)算速度非?？臁Ｎ墨I(xiàn)[19]通過(guò)卡爾曼濾波法對(duì)NWP的結(jié)果進(jìn)行修正，取得了較好的預(yù)測(cè)結(jié)果，使預(yù)測(cè)的均方根誤差從未修正的17.73%降低至11.32%。

(5) 考慮時(shí)空相關(guān)性的方法基于多個(gè)相互關(guān)聯(lián)的風(fēng)電場(chǎng)信息共享的數(shù)據(jù)平臺(tái)，風(fēng)電功率時(shí)間序列在不同空間點(diǎn)之間有很強(qiáng)的關(guān)聯(lián)性，根據(jù)由風(fēng)電場(chǎng)內(nèi)風(fēng)電機(jī)組間空間排布關(guān)系推導(dǎo)出的空間相關(guān)矩陣，得到其他風(fēng)電機(jī)組的風(fēng)速、風(fēng)向，進(jìn)一步可得到風(fēng)電功率預(yù)測(cè)值。文獻(xiàn)[20]分析了新西蘭不同地形條件下風(fēng)速數(shù)據(jù)，發(fā)現(xiàn)不同地表粗糙度下風(fēng)速的相關(guān)性不同。將不同地形特征的影響分為4類(lèi)：第一類(lèi)為地勢(shì)平坦區(qū)域，不同點(diǎn)的風(fēng)速相關(guān)性較強(qiáng)；第二類(lèi)為峽谷地區(qū)，不同點(diǎn)的風(fēng)速相關(guān)性根據(jù)不同地形條件不同；第三類(lèi)為山區(qū)，地表粗糙度較高，遮擋物多，風(fēng)速相關(guān)性較弱；第四類(lèi)為不規(guī)則地形區(qū)，風(fēng)速相關(guān)性不確定。文獻(xiàn)[21]得出了月份、季節(jié)的不同，風(fēng)速表現(xiàn)出的特征模式不同的結(jié)論。

2.1.3 集成預(yù)測(cè)法

集成預(yù)測(cè)法是目前風(fēng)電功率研究的熱點(diǎn)方法之一，一般分為多模型組合和多算法混合。多模型組合由于它結(jié)合各個(gè)單一模型的有用信息，所以預(yù)測(cè)精度有一定的提高，其主要目的是對(duì)各種單一模型取長(zhǎng)避短，利用每種模型的優(yōu)點(diǎn)組合起來(lái)超越單一模型的預(yù)測(cè)精度。其研究難點(diǎn)在于如何穩(wěn)定的發(fā)揮某一種模型的優(yōu)點(diǎn)和各個(gè)單一模型之間如何組合。文獻(xiàn)[22]基于最大信息熵的原理，建立了基于多種預(yù)測(cè)模型的風(fēng)電功率組合模型，相對(duì)于單一的模型來(lái)說(shuō)，文中提出的方法提高了預(yù)測(cè)精度。文獻(xiàn)[23]建立基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，通過(guò)采用不同確定性權(quán)重因子來(lái)對(duì)預(yù)測(cè)模型進(jìn)行混合。研究結(jié)果表明，這種組合方法雖然與權(quán)重的選擇有一定的關(guān)系，但是不同的權(quán)重下均能夠降低預(yù)測(cè)誤差。多算法混合是針對(duì)風(fēng)電功率的數(shù)據(jù)特點(diǎn)，針對(duì)算法本身的優(yōu)勢(shì)，將多種算法進(jìn)行混合，以便在一次預(yù)測(cè)過(guò)程使用，提高預(yù)測(cè)精度。文獻(xiàn)[24]采用經(jīng)驗(yàn)?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行混合，首先對(duì)風(fēng)電功率序列進(jìn)行分解，進(jìn)而針對(duì)分解后的子序列分別使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，再將各個(gè)子序列的預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)，最終得到功率預(yù)測(cè)結(jié)果，研究結(jié)果表明效果較好。

2.2 概率性風(fēng)電功率預(yù)測(cè)方法

風(fēng)電功率預(yù)測(cè)的最大挑戰(zhàn)是存在預(yù)測(cè)誤差。電力系統(tǒng)高效安全穩(wěn)定運(yùn)行需要電網(wǎng)功率時(shí)刻與負(fù)荷平衡，風(fēng)電功率預(yù)測(cè)的不確定性給這一目標(biāo)的實(shí)現(xiàn)帶來(lái)了困難，為了更有效保證電力系統(tǒng)運(yùn)行，需要預(yù)測(cè)模型能在一定程度上描述預(yù)測(cè)結(jié)果的不確定性。概率預(yù)測(cè)方法是確定性預(yù)測(cè)方法的拓展，風(fēng)電功率的數(shù)據(jù)序列可以看作是隨機(jī)過(guò)程，可以在隨機(jī)優(yōu)化的框架下進(jìn)行研究，使用概率密度函數(shù)和概率分布函數(shù)來(lái)描述風(fēng)電功率的不確定性。與風(fēng)電功率的確定性單點(diǎn)預(yù)測(cè)相比，概率性風(fēng)電功率預(yù)測(cè)方法不僅能提供預(yù)測(cè)結(jié)果變動(dòng)范圍，還能估計(jì)出確定性預(yù)測(cè)值出現(xiàn)的概率，相比于確定性預(yù)測(cè)方法，能提供更多的量化信息表征不確定性，有助于發(fā)電計(jì)劃的提前安排，確保電力系統(tǒng)安全穩(wěn)定運(yùn)行。概率性風(fēng)電功率預(yù)測(cè)方法可以預(yù)測(cè)風(fēng)電功率按照多大的概率落在某個(gè)區(qū)間內(nèi)，預(yù)測(cè)方法一定時(shí)，預(yù)測(cè)的區(qū)間越大，預(yù)測(cè)值落在區(qū)間內(nèi)的概率越大。

概率性預(yù)測(cè)方法繁復(fù)多樣[25-26]，根據(jù)建模時(shí)是否適用確定性預(yù)測(cè)結(jié)果，可以分為風(fēng)電功率概率預(yù)測(cè)和確定性風(fēng)電功率預(yù)測(cè)誤差概率預(yù)測(cè)。前者直接在建模時(shí)根據(jù)實(shí)測(cè)數(shù)據(jù)得到風(fēng)電功率概率分布；后者根據(jù)確定性預(yù)測(cè)誤差為研究對(duì)象，得出誤差的概率分布，迭代回確定性預(yù)測(cè)結(jié)果中，得到概率預(yù)測(cè)區(qū)間。

如何求得研究對(duì)象的概率分布，可以根據(jù)研究對(duì)象概率分布的已知情況，分為參數(shù)估計(jì)、非參數(shù)估計(jì)和半?yún)?shù)估計(jì)。

(1) 參數(shù)估計(jì)即風(fēng)電功率或預(yù)測(cè)誤差概率分布可以用已知的概率密度函數(shù)來(lái)描述，由此可以將概率性風(fēng)電功率預(yù)測(cè)問(wèn)題轉(zhuǎn)化為參數(shù)估計(jì)的問(wèn)題，計(jì)算復(fù)雜度較低，但是由于假設(shè)了已知的概率分布，當(dāng)實(shí)際情況與假設(shè)不一致時(shí)，預(yù)測(cè)結(jié)果將不理想。

(2) 非參數(shù)估計(jì)即不假設(shè)風(fēng)電功率或預(yù)測(cè)誤差概率分布已知，通過(guò)數(shù)據(jù)挖掘的方法，比如核密度估計(jì)法[27]來(lái)計(jì)算分布函數(shù)。由于不存在假設(shè)不合理的情況，預(yù)測(cè)效果比參數(shù)估計(jì)的效果好，但是計(jì)算復(fù)雜度高。

(3) 半?yún)?shù)估計(jì)利用某種理論或先驗(yàn)知限制識(shí)對(duì)風(fēng)電功率或預(yù)測(cè)誤差概率分布的具體形式進(jìn)行限制。如運(yùn)用得當(dāng)，有望改善預(yù)測(cè)精度，且計(jì)算復(fù)雜度顯著低于非參數(shù)估計(jì)。

概率性風(fēng)功率預(yù)測(cè)方法與確定性預(yù)測(cè)中統(tǒng)計(jì)學(xué)習(xí)方法相結(jié)合，可以將確定性預(yù)測(cè)結(jié)果拓展到區(qū)間預(yù)測(cè)。文獻(xiàn)[28]提到的極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)就是其中一種，以廣義逆矩陣?yán)碚摓榛A(chǔ)提出的新單隱層前向網(wǎng)絡(luò)，與傳統(tǒng)的ANN相比，具有較好的非線(xiàn)性擬合能力，可以通過(guò)非線(xiàn)性映射直接計(jì)算出風(fēng)電功率區(qū)間預(yù)測(cè)結(jié)果，計(jì)算復(fù)雜度也不高。

3 風(fēng)電功率預(yù)測(cè)熱點(diǎn)問(wèn)題

3.1 風(fēng)電爬坡事件預(yù)測(cè)

風(fēng)電爬坡事件是指風(fēng)電功率在較短的時(shí)間尺度內(nèi)發(fā)生較大變化，嚴(yán)重影響電力系統(tǒng)安全穩(wěn)定運(yùn)行。一般使用爬坡方向、爬坡時(shí)間、爬坡率、爬坡幅度和起始時(shí)間這5個(gè)量來(lái)描述風(fēng)電爬坡事件[29]。將風(fēng)電功率突然增大的事件稱(chēng)為上爬坡事件，主要由于大氣低空急流、低壓氣旋、雷雨等極端氣象事件引起；將風(fēng)電功率突然變小的事件，稱(chēng)為下爬坡事件，主要由于風(fēng)機(jī)風(fēng)速過(guò)大，超出了切出風(fēng)速閾值，機(jī)組被迫退出運(yùn)行引起。風(fēng)電爬坡事件是風(fēng)電功率強(qiáng)隨機(jī)性、強(qiáng)波動(dòng)性和間歇性的極端體現(xiàn)，美國(guó)曾在2008年2月發(fā)生過(guò)由于風(fēng)電場(chǎng)發(fā)生爬坡事件，造成頻率下降至59.85 Hz，切除負(fù)荷1150 MW的事件。進(jìn)行爬坡事件預(yù)測(cè)，可以提前從風(fēng)電機(jī)組本體和電網(wǎng)控制角度來(lái)調(diào)節(jié)爬坡事件，降低危害。爬坡事件預(yù)測(cè)有直接預(yù)測(cè)和間接預(yù)測(cè)兩種方法：

(1) 直接預(yù)測(cè)法是從風(fēng)電場(chǎng)歷史數(shù)據(jù)中挑選出爬坡數(shù)據(jù)，使用機(jī)器學(xué)習(xí)模型進(jìn)行學(xué)習(xí)，直接預(yù)測(cè)爬坡事件。此方法需要大量爬坡數(shù)據(jù)，但實(shí)際上爬坡事件是小概率極端事件，發(fā)生次數(shù)有限，故訓(xùn)練集缺失比較嚴(yán)重。

(2) 間接預(yù)測(cè)法是先進(jìn)行風(fēng)功率預(yù)測(cè)，再根據(jù)爬坡事件的定義進(jìn)行識(shí)別。目前間接預(yù)測(cè)法為爬坡事件預(yù)測(cè)的熱點(diǎn)內(nèi)容。常用的預(yù)測(cè)方法有基于統(tǒng)計(jì)學(xué)習(xí)模型、基于NWP的物理模型和混合集成預(yù)測(cè)方法。

文獻(xiàn)[30]采用改進(jìn)旋轉(zhuǎn)門(mén)算法對(duì)爬坡事件檢測(cè)方法，使用動(dòng)態(tài)規(guī)劃算法對(duì)傳分段時(shí)間區(qū)間進(jìn)行優(yōu)化整合，表明改進(jìn)旋轉(zhuǎn)門(mén)算法能夠有效地檢測(cè)出風(fēng)電功率爬坡事件，并且比傳統(tǒng)旋轉(zhuǎn)門(mén)算法的表現(xiàn)效果更好，同時(shí)該算法比L1滑窗算法消耗更少的計(jì)算時(shí)間。文獻(xiàn)[30]提出了采用多個(gè)NWP模型的風(fēng)電爬坡預(yù)測(cè)結(jié)果較好。文獻(xiàn)[32]利用原子稀疏分解對(duì)原始數(shù)據(jù)進(jìn)行分解后分別采用自預(yù)測(cè)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，提高了爬坡預(yù)測(cè)的精度。

3.2 基于大數(shù)據(jù)的深度學(xué)習(xí)預(yù)測(cè)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。主要特點(diǎn)是通過(guò)多層次的學(xué)習(xí)而得到對(duì)于原始數(shù)據(jù)的不同抽象層度的表示，進(jìn)而提高分類(lèi)和預(yù)測(cè)等任務(wù)的準(zhǔn)確性。深度學(xué)習(xí)的一個(gè)重要特點(diǎn)是不需要人工輸入或標(biāo)注特征(標(biāo)簽)，而是通過(guò)海量數(shù)據(jù)自動(dòng)學(xué)習(xí)特征，也就是無(wú)監(jiān)督學(xué)習(xí)，所以深度學(xué)習(xí)常常和大數(shù)據(jù)聯(lián)系在一起[33-35]。深度學(xué)習(xí)具有強(qiáng)大的搜索計(jì)算能力，為提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性增加了一種可行的方法。目前深度學(xué)習(xí)已在電力系統(tǒng)的靜、動(dòng)態(tài)安全評(píng)估、故障診斷、負(fù)荷預(yù)測(cè)、線(xiàn)損計(jì)算、經(jīng)濟(jì)調(diào)度控制策略等方面開(kāi)展應(yīng)用。

與傳統(tǒng)前饋人工神經(jīng)網(wǎng)絡(luò)相比，深度學(xué)習(xí)使用多個(gè)隱含層，前一層可使用無(wú)監(jiān)督學(xué)習(xí)算法獲得數(shù)據(jù)特征，輸入到下一個(gè)隱含層，從而通過(guò)多個(gè)隱含層逐步抽象出數(shù)據(jù)特征。所以深度學(xué)習(xí)算法有強(qiáng)大的處理非線(xiàn)性問(wèn)題和特征提取的能力，適合處理具有非線(xiàn)性和非平穩(wěn)特征的風(fēng)電功率時(shí)間序列。

大數(shù)據(jù)是深度學(xué)習(xí)應(yīng)用的基本條件。大數(shù)據(jù)理論可以對(duì)全時(shí)空數(shù)據(jù)集合內(nèi)關(guān)聯(lián)關(guān)系進(jìn)行有效識(shí)別和提取，一定程度上彌補(bǔ)物理因果關(guān)系分析的不足，但當(dāng)前電力系統(tǒng)已有的數(shù)據(jù)采集系統(tǒng)還難以完全滿(mǎn)足應(yīng)用需求，如何獲取高質(zhì)量的全時(shí)空數(shù)據(jù)集，仍然制約著這一技術(shù)的應(yīng)用。

文獻(xiàn)[36]將層疊受限玻爾茲曼機(jī)深信度網(wǎng)絡(luò)用于風(fēng)電功率預(yù)測(cè)，取得了不錯(cuò)的預(yù)測(cè)效果。

3.3 預(yù)測(cè)評(píng)價(jià)

投入商業(yè)運(yùn)行的風(fēng)電場(chǎng)需要接受?chē)?guó)家能源部門(mén)的監(jiān)管，滿(mǎn)足電網(wǎng)的調(diào)度要求，對(duì)風(fēng)電場(chǎng)運(yùn)行是否滿(mǎn)足調(diào)度并網(wǎng)要求進(jìn)行獎(jiǎng)懲。對(duì)常規(guī)風(fēng)功率點(diǎn)預(yù)測(cè)的評(píng)價(jià)標(biāo)準(zhǔn)主要有平均絕對(duì)誤差(average absolute error,MAE)、均方誤差(mean square error, MSE)、均方根誤差(root mean square error ,RMSE)、標(biāo)準(zhǔn)差(standard deviation error, SDE)等。MAE表示預(yù)測(cè)誤差的實(shí)際情況；MSE和RMSE表示誤差的分散程度；SDE表示誤差分布的標(biāo)準(zhǔn)差估計(jì)。國(guó)家能源局發(fā)布的《風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法》中要求，風(fēng)電場(chǎng)功率預(yù)測(cè)系統(tǒng)提供的日預(yù)測(cè)曲線(xiàn)最大誤差不超過(guò)25%，實(shí)時(shí)預(yù)測(cè)誤差不超過(guò)15%，全天預(yù)測(cè)結(jié)果的RMSE應(yīng)小于20%。

概率性風(fēng)功率預(yù)測(cè)的評(píng)價(jià)標(biāo)準(zhǔn)主要從概率性預(yù)測(cè)結(jié)果的可靠性和預(yù)測(cè)區(qū)間應(yīng)盡量窄兩方面考量。即要求風(fēng)功率落在預(yù)測(cè)區(qū)間的概率應(yīng)盡可能接近置信度，且不確定性盡量集中，若預(yù)測(cè)區(qū)間過(guò)大，將對(duì)決策沒(méi)有任何意義。

當(dāng)前風(fēng)電預(yù)測(cè)模型理論高精度和應(yīng)用時(shí)的實(shí)際精度之間存在著一條鴻溝，該問(wèn)題影響了風(fēng)電預(yù)測(cè)模型的工程實(shí)際應(yīng)用。對(duì)風(fēng)電預(yù)測(cè)方法的正確評(píng)價(jià)，是彌合這條鴻溝的重要手段。當(dāng)前文獻(xiàn)中最常見(jiàn)的MAE、MSE比較法，可能存在著受結(jié)果隨機(jī)性干擾、透支使用建模以外數(shù)據(jù)、不能評(píng)價(jià)不對(duì)稱(chēng)損失等問(wèn)題。

IEEE PES能源預(yù)測(cè)工作組長(zhǎng)期致力于預(yù)測(cè)評(píng)價(jià)方面的研究，結(jié)合三屆(2012，2014和2017)具有廣泛影響力的全球能源預(yù)測(cè)競(jìng)賽對(duì)該問(wèn)題進(jìn)行了一系列有價(jià)值的探索[37-38]。

CIGRE C1.32工作組針對(duì)包括預(yù)測(cè)評(píng)價(jià)在內(nèi)的能源預(yù)測(cè)技術(shù)開(kāi)展了廣泛的國(guó)際調(diào)研工作,通過(guò)深入分析調(diào)查問(wèn)卷后發(fā)現(xiàn)：風(fēng)電等新能源發(fā)電技術(shù)的大量應(yīng)用將對(duì)能源預(yù)測(cè)帶來(lái)深遠(yuǎn)的影響[39]。

4 結(jié)論

文中從風(fēng)電功率的特點(diǎn)出發(fā)，對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行了分類(lèi)歸納，對(duì)不同預(yù)測(cè)方法的發(fā)展水平進(jìn)行了梳理和總結(jié)，對(duì)風(fēng)電功率預(yù)測(cè)的研究熱點(diǎn)進(jìn)行了探討，得出以下結(jié)論：

(1) 風(fēng)功率預(yù)測(cè)的主要目標(biāo)是盡可能快速準(zhǔn)確的提供預(yù)測(cè)值，減少棄風(fēng)，優(yōu)化調(diào)度計(jì)劃和機(jī)組組合，使風(fēng)電機(jī)組盡可能多的并網(wǎng)。

(2) 統(tǒng)計(jì)學(xué)習(xí)預(yù)測(cè)方法在超短期、短期預(yù)測(cè)風(fēng)功率預(yù)測(cè)領(lǐng)域廣泛使用，但在某些復(fù)雜地形、范圍較大風(fēng)電場(chǎng)的預(yù)測(cè)中，與物理預(yù)測(cè)方法結(jié)合使用，預(yù)測(cè)效果會(huì)更優(yōu)。

(3) 概率性風(fēng)電功率預(yù)測(cè)是未來(lái)風(fēng)電預(yù)測(cè)的重點(diǎn)研究方向，該方法能對(duì)風(fēng)電功率預(yù)測(cè)不可避免的預(yù)測(cè)誤差提供較為詳細(xì)的描述，為電力系統(tǒng)運(yùn)行控制提供更加全面的風(fēng)電功率信息支撐。

(4) 風(fēng)電功率爬坡事件預(yù)測(cè)能降低發(fā)生爬坡事件時(shí)對(duì)電力系統(tǒng)的影響，在對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)的同時(shí)，也要對(duì)爬坡事件進(jìn)行識(shí)別。目前爬坡預(yù)測(cè)研究處于起步階段，是需要關(guān)注的重要研究方向。

(5) 大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)的發(fā)展對(duì)提高風(fēng)電在不同時(shí)間尺度和空間的預(yù)測(cè)精度有積極作用。

(6) 提高預(yù)測(cè)精度一直是風(fēng)電預(yù)測(cè)領(lǐng)域追求的目標(biāo)。隨著預(yù)測(cè)模型的逐漸完善和新模型的提出，預(yù)測(cè)精度逐步提高，RMSE從30%以上降到10%以下，但精度提高的程度日漸式微，風(fēng)能本身具有的強(qiáng)隨機(jī)性、強(qiáng)波動(dòng)性和間歇性是實(shí)現(xiàn)這一目標(biāo)的主要困難，也是未來(lái)一段時(shí)間研究的重點(diǎn)。