沈小軍 周沖成,2 付雪嬌

（1. 同濟(jì)大學(xué)電子與信息工程學(xué)院 上海 200092 2. 國(guó)網(wǎng)上海市電力公司嘉定供電公司 上海 201800）

0 引言

風(fēng)電機(jī)組精確、高效、實(shí)時(shí)的風(fēng)速預(yù)測(cè)不僅可以提高風(fēng)電并網(wǎng)的友好性，還能為風(fēng)電機(jī)組的控制性能提升提供可靠的數(shù)據(jù)支撐。隨著風(fēng)電場(chǎng)的大規(guī)模建設(shè)和現(xiàn)場(chǎng)運(yùn)維經(jīng)驗(yàn)的不斷增加，提高風(fēng)電機(jī)組的控制性能和風(fēng)能利用率已經(jīng)成為風(fēng)電研究的熱點(diǎn)。研究表明，提前分鐘級(jí)準(zhǔn)確獲取風(fēng)電機(jī)組的風(fēng)速預(yù)測(cè)值，可提高6%～10%風(fēng)電機(jī)組的風(fēng)能捕獲率，降低風(fēng)機(jī)16%～25%的疲勞載荷，延長(zhǎng)風(fēng)機(jī)槳葉的使用壽命[1-3]，對(duì)風(fēng)電場(chǎng)的經(jīng)濟(jì)安全運(yùn)行具有重要的意義。

國(guó)內(nèi)外學(xué)者對(duì)風(fēng)速預(yù)測(cè)開(kāi)展了大量的研究工作，并取得了一系列的成果。目前，風(fēng)速預(yù)測(cè)的主要方法有持續(xù)預(yù)測(cè)法[4-5]、時(shí)間序列法[6-7]、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[8-10]、數(shù)值天氣預(yù)報(bào)預(yù)測(cè)法[11-12]和空間相關(guān)性預(yù)測(cè)法[13-16]。其中，持續(xù)預(yù)測(cè)法原理簡(jiǎn)單，容易實(shí)現(xiàn)。持續(xù)預(yù)測(cè)法是將最近時(shí)刻的風(fēng)速觀測(cè)值作為下一時(shí)刻的風(fēng)速預(yù)測(cè)值，在風(fēng)速短期預(yù)測(cè)中，該方法的預(yù)測(cè)精度較高，在風(fēng)速預(yù)測(cè)領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。持續(xù)預(yù)測(cè)法的不足是要求風(fēng)速前后數(shù)據(jù)具有很強(qiáng)的相似度，受季節(jié)變化、氣壓、地形、溫度等因素影響較大[4]。時(shí)間序列法利用大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)模型識(shí)別、參數(shù)估計(jì)和模型檢驗(yàn)確定一個(gè)能夠描述風(fēng)速時(shí)序的模型，最后根據(jù)當(dāng)前觀測(cè)值進(jìn)行風(fēng)速預(yù)測(cè)，但時(shí)間序列法精準(zhǔn)預(yù)測(cè)的前提是歷史數(shù)據(jù)序列和外部環(huán)境因素不會(huì)發(fā)生突變，其適用性和強(qiáng)壯性有待加強(qiáng)[7]。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法是模擬人腦神經(jīng)元結(jié)構(gòu)，通過(guò)大量數(shù)據(jù)學(xué)習(xí)、分類(lèi)、識(shí)別、進(jìn)化確定神經(jīng)元節(jié)點(diǎn)和隱性非線性映射的模型，具有自學(xué)習(xí)和自適應(yīng)的能力，廣泛應(yīng)用于風(fēng)速短期預(yù)測(cè)，但難以確定科學(xué)的網(wǎng)絡(luò)結(jié)構(gòu)，易陷入局部最小點(diǎn)，預(yù)測(cè)結(jié)果不穩(wěn)定，精度難以滿(mǎn)足要求。數(shù)值天氣預(yù)測(cè)主要利用風(fēng)速、風(fēng)向等氣象預(yù)測(cè)信息，結(jié)合預(yù)測(cè)點(diǎn)的空間位置、地形特征推算出下一時(shí)刻的風(fēng)速值，該方法計(jì)算量大，且依賴(lài)大量的天氣預(yù)測(cè)數(shù)據(jù)，預(yù)測(cè)精度較差?？臻g相關(guān)性法利用風(fēng)能在空間位置上存在的風(fēng)速相關(guān)性，選擇相關(guān)性較高的測(cè)風(fēng)塔數(shù)據(jù)進(jìn)行短期/超短期的風(fēng)速預(yù)測(cè)，結(jié)合人工智能算法模型，空間相關(guān)性預(yù)測(cè)法表現(xiàn)出了良好的預(yù)測(cè)精度和可靠的預(yù)測(cè)性能，已經(jīng)受到了專(zhuān)家學(xué)者們的普遍關(guān)注[13-20]。

上述風(fēng)速預(yù)測(cè)的方法各有特點(diǎn)，在面向并網(wǎng)調(diào)度的中長(zhǎng)期風(fēng)速預(yù)測(cè)研究方面取得了豐碩的成果，短期/超短期的風(fēng)速預(yù)測(cè)也廣泛應(yīng)用于電力系統(tǒng)的可靠性評(píng)估和潮流計(jì)算等領(lǐng)域。文獻(xiàn)分析可知，當(dāng)前的風(fēng)速預(yù)測(cè)主要面向風(fēng)電場(chǎng)場(chǎng)域的風(fēng)功率預(yù)測(cè)和風(fēng)電安全并網(wǎng)研究領(lǐng)域，面向風(fēng)電機(jī)組控制性能提升方面，風(fēng)速的超短時(shí)/實(shí)時(shí)預(yù)測(cè)研究鮮有開(kāi)展。相關(guān)研究指出，提前10min 準(zhǔn)確獲取風(fēng)速風(fēng)向預(yù)測(cè)值，有利于風(fēng)電機(jī)組保持最大風(fēng)功率跟蹤和強(qiáng)湍流效應(yīng)預(yù)測(cè)，對(duì)提高風(fēng)能捕獲量，降低風(fēng)機(jī)的極限載荷具有重要意義[21]。

風(fēng)能在風(fēng)電機(jī)組之間傳播，上、下風(fēng)位的機(jī)組間相互影響，充分考慮各機(jī)組的地理分布，利用風(fēng)電機(jī)組間廣泛存在的風(fēng)速空間相關(guān)性，在風(fēng)電場(chǎng)既有的拓?fù)浣Y(jié)構(gòu)和通信網(wǎng)絡(luò)的基礎(chǔ)上，實(shí)現(xiàn)風(fēng)機(jī)之間的信息交互，將每臺(tái)風(fēng)電機(jī)組上獨(dú)立風(fēng)速/風(fēng)向傳感器組成感知陣列，可形成風(fēng)電場(chǎng)風(fēng)速/風(fēng)向感知機(jī)聯(lián)網(wǎng)。通過(guò)上風(fēng)位關(guān)聯(lián)機(jī)組的風(fēng)速信息向下風(fēng)位機(jī)組的傳遞共享，理論上可獲得min 級(jí)的風(fēng)速實(shí)時(shí)預(yù)測(cè)值[17]?；跈C(jī)聯(lián)網(wǎng)“關(guān)聯(lián)-共享”的風(fēng)速預(yù)測(cè)模式，為風(fēng)電機(jī)組風(fēng)速實(shí)時(shí)預(yù)測(cè)提供了新的思路[18]，也為風(fēng)電機(jī)組的前饋控制和風(fēng)能高效利用打開(kāi)廣闊的想象空間，具有顯著的經(jīng)濟(jì)效益和工程應(yīng)用價(jià)值，值得關(guān)注與研究。

鑒于此，本文提出了基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)框架，構(gòu)建了一種實(shí)時(shí)預(yù)測(cè)模型及流程，基于卡爾曼濾波算法，對(duì)提出方法的可行性及有效性進(jìn)行了驗(yàn)證。

1 基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)速預(yù)測(cè)框架

1.1 可行性分析

由于大氣壓差的存在，在特定的地理環(huán)境和復(fù)雜的大氣運(yùn)動(dòng)作用下，風(fēng)能在不同風(fēng)電機(jī)組間傳播時(shí)，其風(fēng)速和風(fēng)向都會(huì)有很強(qiáng)的時(shí)空聯(lián)系，相鄰機(jī)組的風(fēng)速值往往存在廣泛的相關(guān)性。并且風(fēng)速越大，上下游之間的風(fēng)速相關(guān)性越顯著，空間相關(guān)性風(fēng)速預(yù)測(cè)的效果越好，能可靠地降低大風(fēng)時(shí)期的風(fēng)速預(yù)測(cè)誤差[20]；另外，季風(fēng)氣候也是直接影響風(fēng)電機(jī)組風(fēng)速相關(guān)性的主要因素之一，我國(guó)的千萬(wàn)kW 級(jí)風(fēng)電基地均處于季風(fēng)區(qū)或蒙古高壓之下，冬季風(fēng)和夏季風(fēng)的持續(xù)時(shí)間往往在7 個(gè)月以上，相比于歐美（季風(fēng)現(xiàn)象不明顯，北美不存在擴(kuò)展的季風(fēng)現(xiàn)象）利用空間相關(guān)性進(jìn)行風(fēng)速預(yù)測(cè)具有客觀明顯的優(yōu)勢(shì)[21-22]。綜合我國(guó)風(fēng)電基地分布位置和風(fēng)速相關(guān)性預(yù)測(cè)的優(yōu)勢(shì)，本文基于風(fēng)電機(jī)組間的風(fēng)速相關(guān)性，利用風(fēng)電場(chǎng)歷史運(yùn)行數(shù)據(jù)和當(dāng)前風(fēng)速觀測(cè)值，重點(diǎn)開(kāi)展風(fēng)速實(shí)時(shí)預(yù)測(cè)研究。

查閱文獻(xiàn)可知，風(fēng)電場(chǎng)內(nèi)風(fēng)能傳播受到季風(fēng)氣候的影響，其主導(dǎo)風(fēng)向在一段時(shí)間內(nèi)往往變化不大，處于同風(fēng)帶下空間位置相鄰的風(fēng)電機(jī)組間存在很強(qiáng)的風(fēng)速空間相關(guān)性。理論上，當(dāng)其風(fēng)速相關(guān)系數(shù)達(dá)到一定的閾值范圍，相鄰風(fēng)電機(jī)組間的風(fēng)速大小相近，可以將上風(fēng)位風(fēng)機(jī)作為關(guān)聯(lián)種子機(jī)組，利用其風(fēng)速歷史運(yùn)行數(shù)據(jù)和當(dāng)前觀測(cè)值來(lái)預(yù)測(cè)下風(fēng)位目標(biāo)機(jī)組的下一時(shí)刻風(fēng)速值。然而，風(fēng)電機(jī)組間的風(fēng)速相關(guān)性具有時(shí)變性和差異性，不同季節(jié)、不同時(shí)段、不同風(fēng)速風(fēng)向下存在較大差異，表現(xiàn)出季節(jié)性變化，在主導(dǎo)風(fēng)向和中高風(fēng)速區(qū)相關(guān)性高且穩(wěn)定的特點(diǎn)[23]。利用單臺(tái)風(fēng)速關(guān)聯(lián)的風(fēng)電機(jī)組進(jìn)行空間相關(guān)性風(fēng)速實(shí)時(shí)預(yù)測(cè)，其預(yù)測(cè)誤差會(huì)受關(guān)聯(lián)種子機(jī)組選擇的影響，若種子機(jī)組與目標(biāo)機(jī)組在一段時(shí)間內(nèi)風(fēng)速相關(guān)性變化較大，則會(huì)給風(fēng)速實(shí)時(shí)預(yù)測(cè)值造成很大的誤差，因此單臺(tái)關(guān)聯(lián)風(fēng)機(jī)空間相關(guān)性預(yù)測(cè)模式下的預(yù)測(cè)精度抗干擾性和容錯(cuò)性較差。相關(guān)研究已表明：以待測(cè)風(fēng)電機(jī)組為目標(biāo)機(jī)組，選取周邊幾個(gè)測(cè)風(fēng)塔風(fēng)速歷史觀測(cè)值為基礎(chǔ)數(shù)據(jù)，采用風(fēng)速空間相關(guān)性來(lái)預(yù)測(cè)目標(biāo)機(jī)組未來(lái)風(fēng)速，可有效降低預(yù)測(cè)誤差[24]?？梢?jiàn)在主導(dǎo)風(fēng)向下選擇目標(biāo)機(jī)組上風(fēng)位的多臺(tái)鄰近風(fēng)電機(jī)組作為關(guān)聯(lián)種子機(jī)組，根據(jù)不同時(shí)間窗口下各機(jī)組與目標(biāo)機(jī)組的風(fēng)速相關(guān)性，動(dòng)態(tài)調(diào)整種子關(guān)聯(lián)機(jī)組，可大幅提升關(guān)聯(lián)機(jī)組篩選的容錯(cuò)性，保證風(fēng)速預(yù)測(cè)精度的可靠性與強(qiáng)壯性。

此外，相關(guān)研究表明風(fēng)能除具有風(fēng)速相關(guān)性外，還具有傳播路徑空間上的時(shí)延性。風(fēng)在通過(guò)風(fēng)電機(jī)組風(fēng)輪后速度會(huì)下降，即存在“尾流效應(yīng)”，需要經(jīng)過(guò)一定的空間距離才能恢復(fù)。工程上為減少尾流效益帶來(lái)的風(fēng)能衰減，在主風(fēng)向上，風(fēng)電機(jī)組的空間地理距離典型值為8～10 倍的機(jī)組風(fēng)輪直徑，典型距離為500～800m 之間。統(tǒng)計(jì)表明實(shí)際風(fēng)場(chǎng)90%以上時(shí)間風(fēng)速小于12m/s，那么對(duì)于12m/s 以下的風(fēng)，比如10m/s 的風(fēng)，從上風(fēng)位機(jī)組傳到下風(fēng)位機(jī)組時(shí)間Ti+1將不小于50s（對(duì)應(yīng)500m 的行距），在時(shí)間尺度上可很好地匹配與風(fēng)電機(jī)組偏航、變槳和發(fā)電控制的響應(yīng)時(shí)間。再者，在拓?fù)浣Y(jié)構(gòu)上安裝于風(fēng)電機(jī)組上的傳感器形成了風(fēng)速風(fēng)向等風(fēng)參數(shù)密集型分布式傳感器陣列，可為風(fēng)電機(jī)組間的信息交互共享提供天然平臺(tái)；在通信上，全場(chǎng)域分布的光纖通信網(wǎng)絡(luò)，保證了風(fēng)電機(jī)組風(fēng)參數(shù)獲取共享的時(shí)效性。

綜上所述，由于風(fēng)電機(jī)組間的空間位置/地面表面粗糙度短時(shí)間內(nèi)不會(huì)發(fā)生改變。短時(shí)間內(nèi)，利用上、下游風(fēng)機(jī)之間風(fēng)速存在的關(guān)聯(lián)性和時(shí)延性，由風(fēng)速相關(guān)性較強(qiáng)的相鄰上風(fēng)位機(jī)組的風(fēng)速觀測(cè)值，獲得下風(fēng)位風(fēng)機(jī)的實(shí)時(shí)預(yù)測(cè)風(fēng)速值，實(shí)現(xiàn)min 級(jí)的風(fēng)速預(yù)測(cè)是可行的。

1.2 預(yù)測(cè)框架

圖1 是構(gòu)建的基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)電機(jī)組實(shí)時(shí)風(fēng)速預(yù)測(cè)架構(gòu)。主要包括信息共享機(jī)聯(lián)網(wǎng)搭建與數(shù)據(jù)處理、關(guān)聯(lián)共享風(fēng)電機(jī)組種子篩選、目標(biāo)機(jī)組風(fēng)速實(shí)時(shí)預(yù)測(cè)模型三部分。

圖1 基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)架構(gòu)Fig.1 Framework of real-time wind speed prediction with multi-turbine information sharing

1.2.1 信息共享機(jī)聯(lián)網(wǎng)搭建與數(shù)據(jù)處理

風(fēng)電機(jī)組的運(yùn)行數(shù)據(jù)獲取是多機(jī)信息共享的風(fēng)速實(shí)時(shí)預(yù)測(cè)及后續(xù)分析的基礎(chǔ)，運(yùn)行數(shù)據(jù)可分為歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)兩部分。其中，歷史數(shù)據(jù)是目標(biāo)機(jī)組相關(guān)性分析的主要數(shù)據(jù)源，決定著關(guān)聯(lián)風(fēng)電機(jī)組種子的篩選。從風(fēng)電場(chǎng)SCADA 系統(tǒng)采集各風(fēng)電機(jī)組的風(fēng)速、風(fēng)向歷史時(shí)序數(shù)據(jù)后，需要進(jìn)行以下數(shù)據(jù)預(yù)處理：

1）風(fēng)電數(shù)據(jù)清洗：風(fēng)電機(jī)組的運(yùn)行異常停機(jī)和數(shù)據(jù)異常會(huì)使得風(fēng)電歷史數(shù)據(jù)存在一定的臟數(shù)據(jù)，在統(tǒng)計(jì)風(fēng)電機(jī)組風(fēng)速相關(guān)性前需要進(jìn)行風(fēng)電數(shù)據(jù)的清洗整定。

2）關(guān)聯(lián)種子機(jī)組區(qū)域劃分：空間距離越近的風(fēng)電機(jī)組，其風(fēng)速相關(guān)性越強(qiáng)[24]，根據(jù)此原則，以待預(yù)測(cè)的風(fēng)電機(jī)組為目標(biāo)機(jī)組，選擇距離最近場(chǎng)域內(nèi)的N臺(tái)風(fēng)電機(jī)組作為備選種子機(jī)組。

3）風(fēng)向區(qū)篩選：風(fēng)電機(jī)組間的風(fēng)速相關(guān)性是具有氣象條件性的，在主導(dǎo)風(fēng)向上其風(fēng)速相關(guān)性表現(xiàn)出很強(qiáng)的穩(wěn)定性[27]，因此本文考慮風(fēng)向變化的影響，篩選出主風(fēng)向下的風(fēng)電機(jī)組作為研究對(duì)象機(jī)組。

風(fēng)速實(shí)時(shí)數(shù)據(jù)的時(shí)效性和可靠性是影響目標(biāo)機(jī)組風(fēng)速預(yù)測(cè)結(jié)果的另一重要因素。理論上，風(fēng)電機(jī)組自身的風(fēng)速、風(fēng)向等傳感器可實(shí)時(shí)監(jiān)測(cè)風(fēng)機(jī)的各項(xiàng)風(fēng)參數(shù)數(shù)據(jù)，通過(guò)風(fēng)電機(jī)組間廣泛互聯(lián)的光纖通信，就形成了分布式風(fēng)參數(shù)傳感網(wǎng)絡(luò)，因此，在風(fēng)電場(chǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上即可建立風(fēng)電機(jī)組風(fēng)速信息共享的機(jī)聯(lián)網(wǎng)。利用風(fēng)電機(jī)組間的信息共享機(jī)制，可實(shí)時(shí)獲取每臺(tái)機(jī)組的風(fēng)速、風(fēng)向、溫度、濕度等風(fēng)參數(shù)信息，上傳至控制中心，通過(guò)數(shù)據(jù)篩選并輸入風(fēng)速實(shí)時(shí)預(yù)測(cè)模型，即可獲取目標(biāo)機(jī)組的風(fēng)速預(yù)測(cè)值。

1.2.2 信息共享風(fēng)電機(jī)組篩選

風(fēng)電機(jī)組間的風(fēng)速相關(guān)性強(qiáng)弱直接決定了基于風(fēng)速空間相關(guān)性風(fēng)速預(yù)測(cè)結(jié)果的精度，所以關(guān)聯(lián)風(fēng)電機(jī)組的種子優(yōu)選是風(fēng)電機(jī)組實(shí)時(shí)預(yù)測(cè)體系中的關(guān)鍵部分。針對(duì)風(fēng)速實(shí)時(shí)感知預(yù)測(cè)，目標(biāo)機(jī)組的關(guān)聯(lián)種子機(jī)組一般應(yīng)為兩臺(tái)以上，方能保證其風(fēng)速預(yù)測(cè)值的可靠性與抗干擾性。關(guān)聯(lián)風(fēng)電機(jī)組的篩選可按如下步驟進(jìn)行：

1）風(fēng)速相關(guān)性時(shí)序分析：由于風(fēng)速相關(guān)性具有很強(qiáng)的時(shí)變性，因此要考慮關(guān)聯(lián)機(jī)組的風(fēng)速相關(guān)性時(shí)序變化，根據(jù)實(shí)際運(yùn)行歷史數(shù)據(jù)，分析備選種子機(jī)組與目標(biāo)機(jī)組的風(fēng)速相關(guān)系數(shù)隨時(shí)段的變化特征，為后續(xù)的關(guān)聯(lián)機(jī)組種子動(dòng)態(tài)篩選提供依據(jù)。

2）動(dòng)態(tài)關(guān)聯(lián)種子機(jī)組篩選：根據(jù)不同時(shí)段待選風(fēng)電機(jī)組與目標(biāo)機(jī)組的相關(guān)系數(shù)，設(shè)定一個(gè)關(guān)聯(lián)機(jī)組的閾值，當(dāng)備選機(jī)組的風(fēng)速相關(guān)系數(shù)達(dá)到閾值范圍即可優(yōu)選為關(guān)聯(lián)種子機(jī)組。依此原則，即可獲得不同時(shí)段下的動(dòng)態(tài)關(guān)聯(lián)種子機(jī)組的優(yōu)選結(jié)果。

1.2.3 風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)模型

基于多機(jī)關(guān)聯(lián)的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)實(shí)質(zhì)上是多臺(tái)關(guān)聯(lián)種子機(jī)組的組合風(fēng)速預(yù)測(cè)，在空間相關(guān)性風(fēng)速預(yù)測(cè)的基礎(chǔ)上，以單臺(tái)關(guān)聯(lián)風(fēng)電機(jī)組進(jìn)行風(fēng)速空間相關(guān)性實(shí)時(shí)預(yù)測(cè)，然后再對(duì)不同關(guān)聯(lián)種子機(jī)組進(jìn)行動(dòng)態(tài)權(quán)重分析，最后將每臺(tái)關(guān)聯(lián)種子機(jī)組的預(yù)測(cè)結(jié)果進(jìn)行動(dòng)態(tài)加權(quán)組合獲得最后的目標(biāo)機(jī)組風(fēng)速實(shí)時(shí)預(yù)測(cè)值。預(yù)測(cè)模型核心內(nèi)容是關(guān)聯(lián)種子機(jī)組預(yù)測(cè)組合權(quán)重的確定，其步驟如下：

1）預(yù)測(cè)時(shí)間窗口進(jìn)行時(shí)間分段：由于風(fēng)速相關(guān)性存在時(shí)變性，不同時(shí)間段內(nèi)，同一臺(tái)風(fēng)機(jī)與目標(biāo)機(jī)組的風(fēng)速相關(guān)性存在波動(dòng)性，需根據(jù)季節(jié)和地理位置下風(fēng)電機(jī)組風(fēng)速相關(guān)性的分布特征，選擇適當(dāng)?shù)臅r(shí)間周期進(jìn)行相關(guān)性統(tǒng)計(jì)，作為關(guān)聯(lián)種子篩選的依據(jù)。

2）關(guān)聯(lián)種子機(jī)組組合預(yù)測(cè)權(quán)重計(jì)算：以種子機(jī)組與目標(biāo)機(jī)組的風(fēng)速相關(guān)系數(shù)為對(duì)象，首先剔除相關(guān)性較低的種子機(jī)組，然后進(jìn)行風(fēng)速相關(guān)系數(shù)的歸一化，由相關(guān)系數(shù)大小確定各時(shí)段內(nèi)的動(dòng)態(tài)組合權(quán)重系數(shù)。

2 機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)模型

2.1 預(yù)測(cè)模型

由上文可知，機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)首先應(yīng)該進(jìn)行單臺(tái)關(guān)聯(lián)風(fēng)電機(jī)組的風(fēng)速空間預(yù)測(cè)，其預(yù)測(cè)方差可簡(jiǎn)述為

式中，vit為利用第i臺(tái)關(guān)聯(lián)種子機(jī)組得到的風(fēng)速實(shí)時(shí)預(yù)測(cè)值；vi,t1-為第i臺(tái)關(guān)聯(lián)種子機(jī)組的前一時(shí)刻風(fēng)速觀測(cè)值；τi為第i臺(tái)關(guān)聯(lián)種子機(jī)組與目標(biāo)機(jī)組間的時(shí)間延時(shí)。

風(fēng)速預(yù)測(cè)輸出不僅與關(guān)聯(lián)機(jī)組的觀測(cè)值有關(guān)，還應(yīng)考慮關(guān)聯(lián)風(fēng)電機(jī)組與目標(biāo)機(jī)組在空間上存在的時(shí)間延遲。由于時(shí)間延遲與空間距離di和風(fēng)速vi大小有關(guān)，風(fēng)速在短時(shí)間內(nèi)不會(huì)突變，故可用平均風(fēng)速代替，時(shí)間延遲為

由于風(fēng)速預(yù)測(cè)結(jié)果受風(fēng)速相關(guān)性的時(shí)變性特征影響較大，在利用風(fēng)速相關(guān)性進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，需隨時(shí)間變化統(tǒng)計(jì)風(fēng)速相關(guān)性，以便進(jìn)行種子機(jī)組的更新和動(dòng)態(tài)權(quán)重系數(shù)計(jì)算。設(shè)定用于種子機(jī)組更新的風(fēng)速相關(guān)性統(tǒng)計(jì)時(shí)間周期為T(mén)，目標(biāo)機(jī)組風(fēng)速預(yù)測(cè)的時(shí)間周期為T(mén)F，則第j個(gè)預(yù)測(cè)周期下種子機(jī)組更新周期起止時(shí)刻的滾動(dòng)過(guò)程如式（3）所示。

式中，ts0為樣本數(shù)據(jù)起始時(shí)刻；tsj為第j個(gè)預(yù)測(cè)時(shí)刻的風(fēng)速相關(guān)性統(tǒng)計(jì)開(kāi)始時(shí)刻；tej為第j個(gè)預(yù)測(cè)時(shí)刻的風(fēng)速相關(guān)性統(tǒng)計(jì)周期結(jié)束時(shí)刻。

由于風(fēng)速預(yù)測(cè)結(jié)果受風(fēng)速相關(guān)性的時(shí)變性特征影響較大，在利用風(fēng)速相關(guān)性進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，需隨時(shí)間變化統(tǒng)計(jì)風(fēng)速相關(guān)性，以便進(jìn)行種子機(jī)組的更新和動(dòng)態(tài)權(quán)重系數(shù)計(jì)算。考慮到風(fēng)速預(yù)測(cè)的實(shí)時(shí)性，不宜頻繁更換種子機(jī)組。設(shè)定用于種子機(jī)組更新的風(fēng)速相關(guān)性統(tǒng)計(jì)時(shí)間周期為T(mén)，目標(biāo)機(jī)組風(fēng)速預(yù)測(cè)的時(shí)間周期為T(mén)F，則第j個(gè)預(yù)測(cè)周期下種子機(jī)組更新周期起止時(shí)刻的滾動(dòng)過(guò)程如圖2 所示。

圖2 關(guān)聯(lián)機(jī)組更新周期示意圖Fig.2 Renewal period diagram of associated wind turbines

由圖2 可知風(fēng)速相關(guān)性統(tǒng)計(jì)周期T保持不變，在第j個(gè)更新周期內(nèi)，風(fēng)速相關(guān)性分析周期的初始時(shí)刻tsj應(yīng)在上一更新周期初始時(shí)刻的基礎(chǔ)上推遲一個(gè)風(fēng)速預(yù)測(cè)周期TF；其結(jié)束時(shí)刻tej與之同理。種子機(jī)組更新周期的開(kāi)始時(shí)刻tsj和結(jié)束時(shí)刻tej計(jì)算如式（3）。

在關(guān)聯(lián)種子的更新周期內(nèi)，描述種子機(jī)組與目標(biāo)機(jī)組的風(fēng)速相關(guān)性，常用的有皮爾遜相關(guān)系數(shù)和Copula 函數(shù)。Copula 函數(shù)能較好地刻畫(huà)變量之間多維度的非線性相關(guān)性，但計(jì)算過(guò)程較為復(fù)雜。本文主要為了驗(yàn)證機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)模型的有效性與可行性，故采用應(yīng)用廣泛，計(jì)算較簡(jiǎn)單的皮爾遜相關(guān)系數(shù)，其計(jì)算公式和組合權(quán)重因子分別為

式中，ri為關(guān)聯(lián)機(jī)組i與目標(biāo)機(jī)組的風(fēng)速相關(guān)系數(shù)；ki為關(guān)聯(lián)機(jī)組i的組合權(quán)重因子。風(fēng)速相關(guān)系數(shù)ri越高，權(quán)重因子ki就越大，關(guān)聯(lián)種子機(jī)組i在目標(biāo)機(jī)組的風(fēng)速預(yù)測(cè)結(jié)果中占的比例也就越大。

綜上，風(fēng)電機(jī)組的多機(jī)關(guān)聯(lián)預(yù)測(cè)模型可表示為

式中，Vt為目標(biāo)機(jī)組的實(shí)時(shí)風(fēng)速預(yù)測(cè)輸出值。

2.2 預(yù)測(cè)流程

基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)流程如圖3 所示，主要包括風(fēng)速風(fēng)向時(shí)序采集預(yù)處理、關(guān)聯(lián)風(fēng)電機(jī)組種子篩選、多機(jī)關(guān)聯(lián)預(yù)測(cè)模型搭建與風(fēng)速預(yù)測(cè)輸出等步驟。

圖3 機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)流程Fig.3 Real-time wind speed forecasting process with multi-turbine information sharing

3 算例分析

本節(jié)以張北某風(fēng)電場(chǎng)實(shí)際數(shù)據(jù)為樣本，基于卡爾曼濾波算法實(shí)現(xiàn)前述建立的風(fēng)速預(yù)測(cè)模型，并將其與持續(xù)預(yù)測(cè)法、傳統(tǒng)空間預(yù)測(cè)方法預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，以驗(yàn)證所提方法的可行性與有效性。

3.1 卡爾曼濾波算法

卡爾曼濾波算法是一種有效的以最小方均誤差來(lái)估計(jì)系統(tǒng)狀態(tài)的計(jì)算方法，即通過(guò)將前一時(shí)刻預(yù)報(bào)誤差反饋到原來(lái)的預(yù)報(bào)方程中，及時(shí)修正預(yù)報(bào)方程系數(shù)，以提高下一時(shí)刻的預(yù)報(bào)精度。在風(fēng)速實(shí)時(shí)預(yù)測(cè)中，通過(guò)風(fēng)速預(yù)測(cè)值的實(shí)時(shí)修正可以不斷接近實(shí)際風(fēng)速值，提高實(shí)時(shí)風(fēng)速預(yù)測(cè)的精度。在卡爾曼濾波算法中，描述系統(tǒng)的數(shù)學(xué)模型是狀態(tài)方程和量測(cè)方程，即

式中，xt為未知過(guò)程在t時(shí)刻的狀態(tài)向量；ty為t時(shí)刻的觀測(cè)向量；Ft和Ht分別為系統(tǒng)矩陣及觀測(cè)矩陣，且必須在濾波器應(yīng)用之前確定；wt和vt分別為系統(tǒng)噪聲和量測(cè)噪聲，均假定為高斯白噪聲且相互獨(dú)立，與其相對(duì)應(yīng)的協(xié)方差矩陣分別為Wt和Vt。

3.2 案例分析數(shù)據(jù)及風(fēng)電機(jī)組選擇

案例數(shù)據(jù)來(lái)源于張北某風(fēng)電場(chǎng)風(fēng)電機(jī)組 2016年3 月份的實(shí)際運(yùn)行數(shù)據(jù)，該樣本數(shù)據(jù)的采樣間隔為15min。以其中2016 年3 月1 日至2016 年3 月25 日的實(shí)際運(yùn)行數(shù)據(jù)作為預(yù)測(cè)模型學(xué)習(xí)的訓(xùn)練集，利用2016 年3 月26 日至2016 年3 月30 日數(shù)據(jù)進(jìn)行目標(biāo)機(jī)組的風(fēng)速預(yù)測(cè)及誤差分析。

所選風(fēng)電場(chǎng)地處華北平原與內(nèi)蒙古高原連接帶，地勢(shì)平坦，冬季季風(fēng)現(xiàn)象明顯，風(fēng)機(jī)為SE8215-L3/1 500kW 型風(fēng)電機(jī)組，切入風(fēng)速和切出風(fēng)速分別為3m/s、20m/s，期間風(fēng)電場(chǎng)主風(fēng)向?yàn)闁|南方向。該風(fēng)電場(chǎng)風(fēng)電機(jī)組空間布局如圖4 所示。

圖4 風(fēng)電場(chǎng)風(fēng)機(jī)分布拓?fù)銯ig.4 Wind turbine distribution diagram

綜合空間距離及沿風(fēng)向布置關(guān)系，理論上若選擇24 號(hào)機(jī)組為目標(biāo)機(jī)組，21 號(hào)、22 號(hào)、23 號(hào)風(fēng)電機(jī)組理論上均可作為種子機(jī)組?；跉v史運(yùn)行數(shù)據(jù)的相關(guān)性統(tǒng)計(jì)計(jì)算結(jié)果表明[23]，上游21 號(hào)、22 號(hào)、23 號(hào)風(fēng)電機(jī)組與24 號(hào)目標(biāo)機(jī)組的風(fēng)速相關(guān)性分別為0.676 5、0.905 67、0.868 59，參照風(fēng)速相關(guān)性的判斷準(zhǔn)則，22 號(hào)、23 號(hào)兩臺(tái)風(fēng)電機(jī)組屬于高度相關(guān)機(jī)組，這兩臺(tái)機(jī)組可作為目標(biāo)機(jī)組24 號(hào)風(fēng)速關(guān)聯(lián)種子機(jī)組。

3.3 不同風(fēng)速預(yù)測(cè)方法預(yù)測(cè)結(jié)果對(duì)比分析

3.3.1 持續(xù)預(yù)測(cè)法預(yù)測(cè)結(jié)果

持續(xù)預(yù)測(cè)法是一種原理簡(jiǎn)單、容易實(shí)現(xiàn)、經(jīng)濟(jì)實(shí)用的預(yù)測(cè)方法。為了評(píng)估信息共享關(guān)聯(lián)預(yù)測(cè)法對(duì)于小時(shí)間尺度的風(fēng)速預(yù)測(cè)效果，本文選擇24 號(hào)風(fēng)電機(jī)組作為目標(biāo)機(jī)組開(kāi)展了持續(xù)法風(fēng)速預(yù)測(cè)案例分析，預(yù)測(cè)結(jié)果如圖5 所示。

圖5 持續(xù)預(yù)測(cè)法風(fēng)速預(yù)測(cè)Fig.5 Wind speed forecasting based on continuous method

由圖5 可知，基于持續(xù)預(yù)測(cè)法的風(fēng)速預(yù)測(cè)結(jié)果整體精度較高，預(yù)測(cè)結(jié)果能較好地追蹤風(fēng)速變化。但是，在某些風(fēng)速突變的樣本點(diǎn)處，風(fēng)速預(yù)測(cè)的誤差較大。可見(jiàn)持續(xù)預(yù)測(cè)法對(duì)于風(fēng)速前后數(shù)據(jù)相似度的依賴(lài)性較高，對(duì)于風(fēng)速高頻信號(hào)的預(yù)測(cè)，需改進(jìn)并完善持續(xù)預(yù)測(cè)模型，以進(jìn)一步提高風(fēng)速預(yù)測(cè)精度。

3.3.2 傳統(tǒng)空間相關(guān)性法預(yù)測(cè)結(jié)果

空間相關(guān)性法因其良好的預(yù)測(cè)精度與可靠性，已成為風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)領(lǐng)域的主流方法[15-20]。為了對(duì)比驗(yàn)證信息共享關(guān)聯(lián)預(yù)測(cè)方法在相關(guān)性風(fēng)速預(yù)測(cè)方面的優(yōu)點(diǎn)，本文基于卡爾曼濾波算法利用傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)模型開(kāi)展了傳統(tǒng)空間相關(guān)性法風(fēng)速預(yù)測(cè)算例分析。分別以22 號(hào)、23 號(hào)機(jī)組作為24號(hào)目標(biāo)機(jī)組的關(guān)聯(lián)預(yù)測(cè)機(jī)組，24 號(hào)機(jī)組風(fēng)速實(shí)時(shí)預(yù)測(cè)值的預(yù)測(cè)結(jié)果如圖6 所示。

圖6 傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)結(jié)果Fig.6 Single-turbine wind speed prediction based on spatial correlation

由圖6 可知，24 號(hào)風(fēng)電機(jī)組的實(shí)時(shí)風(fēng)速預(yù)測(cè)精度和穩(wěn)定性會(huì)因關(guān)聯(lián)種子的不同而產(chǎn)生較大的差異性。以100h 的預(yù)測(cè)窗口為例，如圖6a 中在前20h內(nèi)的預(yù)測(cè)值與實(shí)際值誤差很小，計(jì)算其平均絕對(duì)百分比誤差為12.87%，但在后40h 時(shí)間段內(nèi)其誤差達(dá)到了30.34%；分析圖6b 可知，在預(yù)測(cè)時(shí)間窗口內(nèi)，以23 號(hào)風(fēng)電機(jī)組為關(guān)聯(lián)種子機(jī)組，目標(biāo)機(jī)組的風(fēng)速預(yù)測(cè)誤差范圍為8.23%～40.23%。統(tǒng)計(jì)22 號(hào)和23 號(hào)風(fēng)電機(jī)組在預(yù)測(cè)時(shí)間窗口內(nèi)的風(fēng)速相關(guān)性發(fā)現(xiàn)，其風(fēng)速相關(guān)系數(shù)具有強(qiáng)的時(shí)變性，導(dǎo)致預(yù)測(cè)誤差的波動(dòng)性比較大，可見(jiàn)，傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)模式下，風(fēng)速預(yù)測(cè)的精度受關(guān)聯(lián)種子機(jī)組及其與目標(biāo)機(jī)組的風(fēng)速相關(guān)性的影響較大。

3.3.3 機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)法預(yù)測(cè)結(jié)果

基于卡爾曼濾波算法的機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)流程，選擇多臺(tái)風(fēng)速相關(guān)性較強(qiáng)的關(guān)聯(lián)風(fēng)電機(jī)組，采用“多機(jī)共享關(guān)聯(lián)+動(dòng)態(tài)權(quán)重”模式對(duì)目標(biāo)機(jī)組開(kāi)展實(shí)時(shí)風(fēng)速預(yù)測(cè)分析。設(shè)定種子機(jī)組更新時(shí)間周期T=10h，風(fēng)速預(yù)測(cè)時(shí)間周期TF=10h，則關(guān)聯(lián)種子機(jī)組的風(fēng)速相關(guān)性的時(shí)變性統(tǒng)計(jì)和共享關(guān)聯(lián)機(jī)組的動(dòng)態(tài)權(quán)重計(jì)算結(jié)果見(jiàn)表1。

表1 關(guān)聯(lián)風(fēng)電機(jī)組的風(fēng)速相關(guān)系數(shù)及動(dòng)態(tài)權(quán)重Tab.1 Wind speed correlation coefficient and dynamic weight of wind turbines

由表1 可知，22 號(hào)與23 號(hào)風(fēng)電機(jī)組雖與24 號(hào)風(fēng)電機(jī)組存在很顯著的風(fēng)速相關(guān)性，但在不同時(shí)間窗口內(nèi)，其風(fēng)速相關(guān)性差異變化可能會(huì)比較大。比如20～30h 時(shí)間窗口內(nèi)，23 號(hào)風(fēng)電機(jī)組與目標(biāo)機(jī)組的風(fēng)速相關(guān)性很微弱，不適合作為目標(biāo)機(jī)組風(fēng)速預(yù)測(cè)的種子機(jī)組，其組合預(yù)測(cè)權(quán)重應(yīng)設(shè)置為零。圖7為利用22 號(hào)、23 號(hào)風(fēng)電機(jī)組多機(jī)共享關(guān)聯(lián)預(yù)測(cè)得到的24 號(hào)風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)結(jié)果。

圖7 多機(jī)信息共享的風(fēng)速預(yù)測(cè)結(jié)果Fig.7 Wind speed forecasting results with multi-turbine information sharing

由圖7 可得，基于提出的風(fēng)速預(yù)測(cè)模式得到的24 號(hào)目標(biāo)風(fēng)電機(jī)組的風(fēng)速預(yù)測(cè)值與實(shí)際值吻合度好，預(yù)測(cè)精度高，且預(yù)測(cè)結(jié)果穩(wěn)定性好。

3.3.4 預(yù)測(cè)誤差分析

圖8 為案例分析中傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)和本文提出的機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)的時(shí)序誤差結(jié)果對(duì)比。

圖8 風(fēng)速預(yù)測(cè)結(jié)果誤差分析Fig.8 Error analysis of wind speed prediction results

由圖8 可知，提出的風(fēng)速預(yù)測(cè)方法時(shí)序預(yù)測(cè)誤差普遍比傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)誤差小，預(yù)測(cè)結(jié)果與實(shí)際值差別較大的情況也很少發(fā)生；在誤差分布上，傳統(tǒng)單機(jī)空間相關(guān)性風(fēng)速預(yù)測(cè)和多機(jī)共享關(guān)聯(lián)預(yù)測(cè)的誤差分布大致呈Weibull 分布。傳統(tǒng)空間相關(guān)性風(fēng)速預(yù)測(cè)的誤差主要分布在25%以?xún)?nèi)，提出的機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)的誤差集中分布在15%以?xún)?nèi)，預(yù)測(cè)誤差大于50%的鮮有分布。

表2 所示為案例分析中不同預(yù)測(cè)方法的方均根誤差RMSE、平均絕對(duì)誤差MAE 和平均絕對(duì)百分比誤差MAPE 量化分析結(jié)果。相關(guān)研究成果表明，持續(xù)預(yù)測(cè)法風(fēng)速超短期預(yù)測(cè)時(shí)精度可靠，空間相關(guān)性法在數(shù)小時(shí)（天）的風(fēng)速預(yù)測(cè)上與持續(xù)預(yù)測(cè)法相比具有更好的表現(xiàn)[13,15]。

表2 風(fēng)速預(yù)測(cè)誤差指標(biāo)對(duì)比Tab.2 Comparison of wind speed prediction error

由表2 可知，持續(xù)預(yù)測(cè)法平均百分比誤差約為13%，傳統(tǒng)空間相關(guān)性法預(yù)測(cè)百分比誤差在15%左右，平均絕對(duì)誤差在0.85m/s 左右；機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)法平均絕對(duì)誤差和百分比誤差分別為0.426 5m/s 和7%左右，預(yù)測(cè)精度與穩(wěn)定性均有較明顯的提升。

3.4 討論與展望

1）持續(xù)預(yù)測(cè)法將最近一點(diǎn)的風(fēng)速值作為下一時(shí)刻的風(fēng)速預(yù)測(cè)值，其預(yù)測(cè)精度依賴(lài)前后風(fēng)速數(shù)據(jù)的相似度，理論上風(fēng)速觀測(cè)值的采樣時(shí)間越短，其風(fēng)速預(yù)測(cè)值就越接近其實(shí)測(cè)值。但是，隨著樣本時(shí)間的增大，當(dāng)前一時(shí)刻的風(fēng)速觀測(cè)值與后一時(shí)刻的風(fēng)速值相似度不高時(shí)，利用持續(xù)法進(jìn)行預(yù)測(cè)，就會(huì)帶來(lái)較大的局部誤差。如圖5 中100～140、190～210 樣本點(diǎn)時(shí)段內(nèi)，風(fēng)速序列并非平穩(wěn)變化，持續(xù)法不能較好地處理風(fēng)速突變的情況，造成了較大的局部預(yù)測(cè)誤差，這也正是限制持續(xù)預(yù)測(cè)法不能進(jìn)一步提高預(yù)測(cè)精度的原因。

2）傳統(tǒng)的空間相關(guān)性風(fēng)速預(yù)測(cè)方法的準(zhǔn)確性依賴(lài)風(fēng)電機(jī)組間的相關(guān)系數(shù)，風(fēng)速相關(guān)性越強(qiáng)，預(yù)測(cè)精度越好[15]。研究已表明，風(fēng)速相關(guān)性除了與空間位置有關(guān)，還受時(shí)序和氣象的影響，具有時(shí)變性的特征[15,23]。圖6 中80～105h 時(shí)序內(nèi)正是因?yàn)轱L(fēng)速相關(guān)系數(shù)的降低使得風(fēng)速預(yù)測(cè)精度下降。

3）本文提出的機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)法，通過(guò)選擇多臺(tái)風(fēng)速相關(guān)的風(fēng)電機(jī)組作為關(guān)聯(lián)種子，基于風(fēng)速相關(guān)系數(shù)時(shí)序的變化計(jì)算動(dòng)態(tài)權(quán)重因子，實(shí)現(xiàn)多種子機(jī)組間的風(fēng)速信息共享與互補(bǔ)，有效降低了風(fēng)速空間相關(guān)性的波動(dòng)的影響，提高了風(fēng)速預(yù)測(cè)精度和穩(wěn)定性。

4）由于受樣本數(shù)據(jù)的限制，案例分析中的數(shù)據(jù)樣本采樣時(shí)間為15min，限制了目標(biāo)風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)最小時(shí)間尺度為15min。理論上，基于信息共享的關(guān)聯(lián)組合預(yù)測(cè)模型，根據(jù)所選樣本數(shù)據(jù)的時(shí)間尺度，可以實(shí)現(xiàn)多尺度的風(fēng)速預(yù)測(cè)。當(dāng)采樣周期為天，可進(jìn)行中長(zhǎng)期風(fēng)速預(yù)測(cè)，有利于制定并網(wǎng)調(diào)度策略和風(fēng)電場(chǎng)的規(guī)劃設(shè)計(jì)；當(dāng)采樣周期為數(shù)小時(shí)，可實(shí)現(xiàn)風(fēng)速短期預(yù)測(cè)，提高風(fēng)電場(chǎng)的風(fēng)能利用率；當(dāng)風(fēng)電場(chǎng)的運(yùn)行數(shù)據(jù)存儲(chǔ)采樣周期達(dá)到數(shù)十秒或分鐘級(jí)，即可進(jìn)行風(fēng)速實(shí)時(shí)預(yù)測(cè)，提高風(fēng)電機(jī)組控制性能。縮短動(dòng)態(tài)權(quán)重的更新時(shí)間間隔周期，有利于進(jìn)一步提高目標(biāo)機(jī)組的預(yù)測(cè)結(jié)果的精度，但會(huì)增加模型計(jì)算量，影響風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)的計(jì)算效率。實(shí)際工程應(yīng)用中，需綜合考慮預(yù)測(cè)精度與時(shí)效性。

4 結(jié)論

本文提出的基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)電機(jī)組風(fēng)速實(shí)時(shí)預(yù)測(cè)模型及流程是可行有效的，具有預(yù)測(cè)精度高、容錯(cuò)性和穩(wěn)健性好的特點(diǎn)。算例結(jié)果表明提出的機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重風(fēng)速預(yù)測(cè)法可有效克服風(fēng)速序列風(fēng)速突變及風(fēng)速空間相關(guān)性波動(dòng)的影響，不僅適用于面向風(fēng)機(jī)控制小時(shí)間尺度的風(fēng)速預(yù)測(cè)，同樣適用于面向并網(wǎng)風(fēng)電功率預(yù)測(cè)中長(zhǎng)時(shí)間尺度的風(fēng)速預(yù)測(cè)，具有普適性。