單機(jī)風(fēng)電功率預(yù)測(cè)依據(jù)風(fēng)機(jī)輪轂風(fēng)速的歷史數(shù)據(jù)預(yù)測(cè)風(fēng)電功率。風(fēng)速與功率的高比例關(guān)系使得電力調(diào)度系統(tǒng)對(duì)風(fēng)電功率預(yù)測(cè)精度的要求較高，此外，風(fēng)速具有間隙波動(dòng)性和隨機(jī)性，使得風(fēng)速和風(fēng)電功率序列呈現(xiàn)出很強(qiáng)的非線性。人工智能在處理非線性預(yù)測(cè)問(wèn)題上具有優(yōu)勢(shì)，對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)建模有一定的價(jià)值。

因此，湖南工業(yè)大學(xué)的研究人員郭茜、匡洪海、王建輝、周宇健、高閏國(guó)，在2020年第2期《電氣技術(shù)》雜志上撰文，介紹了基于人工智能的單機(jī)風(fēng)電功率預(yù)測(cè)模型的建立過(guò)程，闡述了模糊邏輯等人工智能方法在單機(jī)風(fēng)電功率預(yù)測(cè)中的應(yīng)用與特點(diǎn)，探討了單機(jī)風(fēng)電功率預(yù)測(cè)模型存在的問(wèn)題，提出了對(duì)提高單機(jī)風(fēng)電功率預(yù)測(cè)模型性能的一些見(jiàn)解。

2019年5月，國(guó)家發(fā)展改革委及國(guó)家能源局在《關(guān)于建立健全可再生能源電力消納保障機(jī)制的通知》中指出，自2020年1月1日起將對(duì)各省級(jí)可再生能源的消納水平全面進(jìn)行監(jiān)測(cè)評(píng)價(jià)和正式考核。2018年風(fēng)電利用率達(dá)92.8%，但由于受自然條件影響大，風(fēng)能明顯的波動(dòng)性使得電力系統(tǒng)的調(diào)度壓力較大，電力系統(tǒng)還不能完全適應(yīng)大規(guī)模風(fēng)能并網(wǎng)。2020年的風(fēng)電利用率指標(biāo)為95%。因此，調(diào)度系統(tǒng)對(duì)準(zhǔn)確快速地預(yù)估風(fēng)電功率有著切實(shí)需求。

風(fēng)機(jī)分為離網(wǎng)型和并網(wǎng)型。前者的功率預(yù)測(cè)準(zhǔn)確率在分布式風(fēng)力發(fā)電中要求較高，單機(jī)功率預(yù)測(cè)的性能將直接影響其投入使用時(shí)的可靠性。從集群風(fēng)電網(wǎng)的角度來(lái)看，并網(wǎng)型單機(jī)功率預(yù)測(cè)的誤差對(duì)集群功率預(yù)測(cè)的影響是成倍的。

對(duì)電場(chǎng)中的每一單機(jī)都進(jìn)行預(yù)測(cè)的成本很高，鑒于同一范圍內(nèi)風(fēng)速等氣象的相似性很高，往往由一臺(tái)或多臺(tái)電機(jī)的功率預(yù)測(cè)推算集群風(fēng)電網(wǎng)功率。無(wú)論是離網(wǎng)型單機(jī)還是并網(wǎng)型單機(jī)，單機(jī)的風(fēng)電功率預(yù)測(cè)精度都是影響風(fēng)力發(fā)電普及率的重要因素。因此，對(duì)單機(jī)功率預(yù)測(cè)模型及方法的研究變得尤為重要。

目前學(xué)術(shù)界已對(duì)電場(chǎng)級(jí)和集群級(jí)功率預(yù)測(cè)系統(tǒng)中的風(fēng)電功率預(yù)測(cè)方法展開(kāi)了大量研究，國(guó)外對(duì)風(fēng)電功率預(yù)測(cè)的研究起步較國(guó)內(nèi)早，尤其在工程應(yīng)用方面，國(guó)外已有相對(duì)完整的全套風(fēng)電功率預(yù)測(cè)工具。近十年的國(guó)內(nèi)外學(xué)術(shù)界對(duì)功率預(yù)測(cè)模型研究中，約17%采用人工智能預(yù)測(cè)模型，組合模型占比20%左右，可見(jiàn)風(fēng)電功率人工智能預(yù)測(cè)模型是近年來(lái)的研究熱點(diǎn)，但相比占比54%的統(tǒng)計(jì)模型來(lái)說(shuō)還相差較遠(yuǎn)；研究方向的偏好上，只有約10%是針對(duì)建模問(wèn)題的研究，大部分的研究集中在預(yù)測(cè)方法和仿真上。可見(jiàn)人工智能預(yù)測(cè)模型的研究空間仍較大。

現(xiàn)有的對(duì)風(fēng)電功率人工智能預(yù)測(cè)模型的研究多集中于電場(chǎng)級(jí)和集群級(jí)預(yù)測(cè)，不能滿足分散式風(fēng)機(jī)準(zhǔn)確快速供能的需求。因此，有部分國(guó)內(nèi)外學(xué)者對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)展開(kāi)了有益的研究。

有學(xué)者綜述了風(fēng)電功率預(yù)測(cè)技術(shù)，指出由于氣象等隨機(jī)因素的影響使得單機(jī)風(fēng)電功率預(yù)測(cè)難度較大，且許多研究都圍繞電場(chǎng)級(jí)和集群級(jí)預(yù)測(cè)；

有學(xué)者研究了單機(jī)輸出功率的波動(dòng)特性，表明預(yù)測(cè)精度和時(shí)間尺度成反比，在空間尺度上單機(jī)功率的波動(dòng)性比電場(chǎng)與集群要強(qiáng)；

楊俊友等人提出考慮尾流響應(yīng)的單機(jī)功率物理預(yù)測(cè)方法，在預(yù)測(cè)模型的建立中考慮了隨機(jī)因素，改善了預(yù)測(cè)效果，并將單機(jī)功率預(yù)測(cè)引入無(wú)功控制策略中，充分利用單機(jī)預(yù)測(cè)的精確性優(yōu)勢(shì)，改善了分散式電場(chǎng)的無(wú)功調(diào)節(jié)效果；

葉林等人提出利用單機(jī)有功預(yù)測(cè)實(shí)現(xiàn)有功控制及校正。

可見(jiàn)針對(duì)單機(jī)功率預(yù)測(cè)隨機(jī)性大的特性，國(guó)內(nèi)更多采用或結(jié)合物理建模技術(shù)來(lái)建立單機(jī)風(fēng)電預(yù)測(cè)模型，且在有功功率和無(wú)功功率的控制上進(jìn)行了突破性的應(yīng)用探索；國(guó)外則更傾向于采用統(tǒng)計(jì)建模技術(shù)建立單機(jī)風(fēng)電功率預(yù)測(cè)模型。

單機(jī)風(fēng)電功率預(yù)測(cè)模型的建立，根據(jù)預(yù)測(cè)策略的不同分為兩類，即物理建模和統(tǒng)計(jì)建模。

1）物理建模技術(shù)借助氣象學(xué)對(duì)復(fù)雜的大氣物理過(guò)程進(jìn)行分析預(yù)測(cè)，由于風(fēng)速序列在時(shí)間、空間上無(wú)規(guī)律、大幅波動(dòng)的特點(diǎn)，難以針對(duì)不同機(jī)組建立統(tǒng)一的物理模型，對(duì)數(shù)值天氣預(yù)報(bào)（numerical weather prediction， NWP）的依賴性強(qiáng)，但具有不需要?dú)v史數(shù)據(jù)的優(yōu)點(diǎn)。

2）統(tǒng)計(jì)建模技術(shù)是基于統(tǒng)計(jì)學(xué)思想，利用風(fēng)速/風(fēng)電功率時(shí)間序列等歷史值對(duì)未來(lái)值進(jìn)行回歸預(yù)測(cè)或概率預(yù)測(cè)。統(tǒng)計(jì)模型主要包括人工智能預(yù)測(cè)模型。人工智能預(yù)測(cè)模型對(duì)非線性序列的預(yù)測(cè)問(wèn)題具有優(yōu)勢(shì)，包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）預(yù)測(cè)模型和支持向量機(jī)（support vector machine， SVM）預(yù)測(cè)模型。

湖南工業(yè)大學(xué)的研究人員分析了基于ANN及SVM建立的單機(jī)風(fēng)電功率預(yù)測(cè)模型，梳理了基于模糊邏輯法、啟發(fā)式算法（heurisTIc algorithm， HA）等人工智能技術(shù)的單機(jī)風(fēng)電功率預(yù)測(cè)方法，對(duì)單機(jī)風(fēng)電功率預(yù)測(cè)模型和方法進(jìn)行總結(jié)，對(duì)不同模型及方法的優(yōu)劣進(jìn)行比較，重點(diǎn)梳理了預(yù)測(cè)過(guò)程中可能產(chǎn)生誤差的方面，并展望了可能的研究方向。

圖1 模糊推理過(guò)程

圖2 ANFIS預(yù)測(cè)模型的拓?fù)浣Y(jié)構(gòu)

研究人員指出，單機(jī)風(fēng)電功率預(yù)測(cè)模型中，ANN預(yù)測(cè)模型的拓?fù)浣Y(jié)構(gòu)緊湊、預(yù)測(cè)精度較高、遷移性能很好，但需要大量歷史數(shù)據(jù)，且訓(xùn)練模型的時(shí)間長(zhǎng)、不易找到全局最優(yōu)解；SVM預(yù)測(cè)模型較簡(jiǎn)單、魯棒性能好、預(yù)測(cè)精度比ANN高，但是核函數(shù)的選擇條件要求嚴(yán)格、易出現(xiàn)過(guò)擬合的問(wèn)題。

單機(jī)風(fēng)電功率預(yù)測(cè)方法中，模糊邏輯法針對(duì)風(fēng)速的不確定性和隨機(jī)性，采用ANFIS提取有效信息并預(yù)測(cè)風(fēng)電功率，彌補(bǔ)了原預(yù)測(cè)模型不能準(zhǔn)確預(yù)測(cè)功率序列中非光滑部分的缺點(diǎn)；HA對(duì)隨機(jī)信息的捕捉能力強(qiáng)，用于調(diào)節(jié)模型參數(shù)。

ANN預(yù)測(cè)模型在超短期和短期預(yù)測(cè)中的整體表現(xiàn)優(yōu)于SVM預(yù)測(cè)模型，超短期預(yù)測(cè)結(jié)果可輔助風(fēng)力發(fā)電機(jī)調(diào)節(jié)槳葉節(jié)距角，短期預(yù)測(cè)結(jié)果可輔助風(fēng)機(jī)控制決策。SVM預(yù)測(cè)模型更適于中長(zhǎng)期風(fēng)電功率預(yù)測(cè)，如果在并網(wǎng)運(yùn)行情況下，小時(shí)級(jí)的中期預(yù)測(cè)用于對(duì)風(fēng)機(jī)及其他能源的調(diào)度判斷，包括設(shè)計(jì)儲(chǔ)能設(shè)備的調(diào)度計(jì)劃，以滿足對(duì)電能質(zhì)量和功率容量的要求；在分散式分布式發(fā)電的情況下，同樣可作為對(duì)分布式能源調(diào)度的重要參照。

此外，基于SVM的長(zhǎng)期風(fēng)電功率預(yù)測(cè)在風(fēng)電場(chǎng)規(guī)劃、年檢修計(jì)劃和風(fēng)光互補(bǔ)等多能源組合發(fā)電的規(guī)劃中都是重要的指標(biāo)依據(jù)。

單機(jī)風(fēng)電功率預(yù)測(cè)是多能源智能電網(wǎng)中調(diào)配發(fā)電容量、儲(chǔ)能容量和年度檢修計(jì)劃的重要依據(jù)，為微電網(wǎng)的推廣奠定了重要基礎(chǔ)。除此之外，超短期單機(jī)風(fēng)電功率預(yù)測(cè)在精度足夠的情況下，預(yù)測(cè)誤差還有望作為未來(lái)預(yù)測(cè)風(fēng)機(jī)故障的方法，以推進(jìn)堅(jiān)強(qiáng)電網(wǎng)建設(shè)。

目前，單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型還存在一些問(wèn)題：①預(yù)測(cè)模型對(duì)輸入數(shù)據(jù)的依賴度較高，實(shí)際工程上幾乎無(wú)法為每個(gè)風(fēng)機(jī)提供精確的微觀氣象數(shù)據(jù)，置信度低且許多模型未充分考慮風(fēng)速計(jì)與風(fēng)機(jī)輪轂之間的空間差；②預(yù)測(cè)模型的超參數(shù)及參數(shù)的設(shè)定方式主要通過(guò)經(jīng)驗(yàn)及交叉驗(yàn)證法取得，無(wú)法給出物理意義的解釋；③對(duì)模型的評(píng)價(jià)環(huán)節(jié)中，由于不能完全脫離數(shù)據(jù)討論模型性能而急需有準(zhǔn)確統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)。

因此，研究人員在文中最后展望了未來(lái)單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型的研究方向。

1）提高模型輸入數(shù)據(jù)質(zhì)量。可以從3個(gè)角度優(yōu)化。

①采用分辨率更高的NWP數(shù)據(jù)并結(jié)合地理信息系統(tǒng)（geographic informaTIon system， GIS）進(jìn)行風(fēng)速修正，提升精確度；②在選取預(yù)測(cè)特征時(shí)充分考慮所處地理?xiàng)l件對(duì)風(fēng)速的影響，提升準(zhǔn)確度；③考慮構(gòu)建與物理模型、動(dòng)力模型和流體力學(xué)模型結(jié)合的組合模型，從模型的建立上提升預(yù)測(cè)系統(tǒng)的性能。

2）建立專門的評(píng)價(jià)數(shù)據(jù)庫(kù)。

風(fēng)電功率模型的固有特性決定了不同的方法在不同的數(shù)據(jù)中得出的結(jié)論沒(méi)有直接可比性，必須對(duì)同一數(shù)據(jù)采用不同方法才可以通過(guò)誤差的量值差得到其間的差別?，F(xiàn)如今，新型模型越來(lái)越多，但針對(duì)每一模型性能的完備評(píng)估卻較少，這對(duì)未來(lái)的實(shí)踐是十分不利的。因此，建立專用的風(fēng)電功率數(shù)據(jù)庫(kù)用于預(yù)測(cè)系統(tǒng)性能的評(píng)估參考，并從可靠性、運(yùn)行效率、合格率和復(fù)雜性等角度全面評(píng)估模型是十分必要的。

3）建立高性能云運(yùn)算平臺(tái)。

單機(jī)風(fēng)電功率人工智能預(yù)測(cè)模型的定時(shí)更新有助于預(yù)測(cè)系統(tǒng)跟蹤風(fēng)速的實(shí)時(shí)變化，這需要強(qiáng)大的運(yùn)算能力支撐。此外，在分散式發(fā)電中應(yīng)用單機(jī)功率預(yù)測(cè)系統(tǒng)，還需要有云計(jì)算的輔助，降低配置服務(wù)器的成本。人工智能領(lǐng)域中的數(shù)據(jù)挖掘、大數(shù)據(jù)處理、智能算法和模型等技術(shù)都能為單機(jī)功率預(yù)測(cè)提供支持。