單機風電功率預測依據風機輪轂風速的歷史數據預測風電功率。風速與功率的高比例關系使得電力調度系統對風電功率預測精度的要求較高，此外，風速具有間隙波動性和隨機性，使得風速和風電功率序列呈現出很強的非線性。人工智能在處理非線性預測問題上具有優(yōu)勢，對單機風電功率預測建模有一定的價值。

因此，湖南工業(yè)大學的研究人員郭茜、匡洪海、王建輝、周宇健、高閏國，在2020年第2期《電氣技術》雜志上撰文，介紹了基于人工智能的單機風電功率預測模型的建立過程，闡述了模糊邏輯等人工智能方法在單機風電功率預測中的應用與特點，探討了單機風電功率預測模型存在的問題，提出了對提高單機風電功率預測模型性能的一些見解。

2019年5月，國家發(fā)展改革委及國家能源局在《關于建立健全可再生能源電力消納保障機制的通知》中指出，自2020年1月1日起將對各省級可再生能源的消納水平全面進行監(jiān)測評價和正式考核。2018年風電利用率達92.8%，但由于受自然條件影響大，風能明顯的波動性使得電力系統的調度壓力較大，電力系統還不能完全適應大規(guī)模風能并網。2020年的風電利用率指標為95%。因此，調度系統對準確快速地預估風電功率有著切實需求。

風機分為離網型和并網型。前者的功率預測準確率在分布式風力發(fā)電中要求較高，單機功率預測的性能將直接影響其投入使用時的可靠性。從集群風電網的角度來看，并網型單機功率預測的誤差對集群功率預測的影響是成倍的。

對電場中的每一單機都進行預測的成本很高，鑒于同一范圍內風速等氣象的相似性很高，往往由一臺或多臺電機的功率預測推算集群風電網功率。無論是離網型單機還是并網型單機，單機的風電功率預測精度都是影響風力發(fā)電普及率的重要因素。因此，對單機功率預測模型及方法的研究變得尤為重要。

目前學術界已對電場級和集群級功率預測系統中的風電功率預測方法展開了大量研究，國外對風電功率預測的研究起步較國內早，尤其在工程應用方面，國外已有相對完整的全套風電功率預測工具。近十年的國內外學術界對功率預測模型研究中，約17%采用人工智能預測模型，組合模型占比20%左右，可見風電功率人工智能預測模型是近年來的研究熱點，但相比占比54%的統計模型來說還相差較遠；研究方向的偏好上，只有約10%是針對建模問題的研究，大部分的研究集中在預測方法和仿真上?？梢娙斯ぶ悄茴A測模型的研究空間仍較大。

現有的對風電功率人工智能預測模型的研究多集中于電場級和集群級預測，不能滿足分散式風機準確快速供能的需求。因此，有部分國內外學者對單機風電功率預測展開了有益的研究。

有學者綜述了風電功率預測技術，指出由于氣象等隨機因素的影響使得單機風電功率預測難度較大，且許多研究都圍繞電場級和集群級預測；

有學者研究了單機輸出功率的波動特性，表明預測精度和時間尺度成反比，在空間尺度上單機功率的波動性比電場與集群要強；

楊俊友等人提出考慮尾流響應的單機功率物理預測方法，在預測模型的建立中考慮了隨機因素，改善了預測效果，并將單機功率預測引入無功控制策略中，充分利用單機預測的精確性優(yōu)勢，改善了分散式電場的無功調節(jié)效果；

葉林等人提出利用單機有功預測實現有功控制及校正。

可見針對單機功率預測隨機性大的特性，國內更多采用或結合物理建模技術來建立單機風電預測模型，且在有功功率和無功功率的控制上進行了突破性的應用探索；國外則更傾向于采用統計建模技術建立單機風電功率預測模型。

單機風電功率預測模型的建立，根據預測策略的不同分為兩類，即物理建模和統計建模。

1）物理建模技術借助氣象學對復雜的大氣物理過程進行分析預測，由于風速序列在時間、空間上無規(guī)律、大幅波動的特點，難以針對不同機組建立統一的物理模型，對數值天氣預報（numerical weather prediction， NWP）的依賴性強，但具有不需要歷史數據的優(yōu)點。

2）統計建模技術是基于統計學思想，利用風速/風電功率時間序列等歷史值對未來值進行回歸預測或概率預測。統計模型主要包括人工智能預測模型。人工智能預測模型對非線性序列的預測問題具有優(yōu)勢，包括人工神經網絡（artificial neural network， ANN）預測模型和支持向量機（support vector machine， SVM）預測模型。

湖南工業(yè)大學的研究人員分析了基于ANN及SVM建立的單機風電功率預測模型，梳理了基于模糊邏輯法、啟發(fā)式算法（heurisTIc algorithm， HA）等人工智能技術的單機風電功率預測方法，對單機風電功率預測模型和方法進行總結，對不同模型及方法的優(yōu)劣進行比較，重點梳理了預測過程中可能產生誤差的方面，并展望了可能的研究方向。

圖1 模糊推理過程

圖2 ANFIS預測模型的拓撲結構

研究人員指出，單機風電功率預測模型中，ANN預測模型的拓撲結構緊湊、預測精度較高、遷移性能很好，但需要大量歷史數據，且訓練模型的時間長、不易找到全局最優(yōu)解；SVM預測模型較簡單、魯棒性能好、預測精度比ANN高，但是核函數的選擇條件要求嚴格、易出現過擬合的問題。

單機風電功率預測方法中，模糊邏輯法針對風速的不確定性和隨機性，采用ANFIS提取有效信息并預測風電功率，彌補了原預測模型不能準確預測功率序列中非光滑部分的缺點；HA對隨機信息的捕捉能力強，用于調節(jié)模型參數。

ANN預測模型在超短期和短期預測中的整體表現優(yōu)于SVM預測模型，超短期預測結果可輔助風力發(fā)電機調節(jié)槳葉節(jié)距角，短期預測結果可輔助風機控制決策。SVM預測模型更適于中長期風電功率預測，如果在并網運行情況下，小時級的中期預測用于對風機及其他能源的調度判斷，包括設計儲能設備的調度計劃，以滿足對電能質量和功率容量的要求；在分散式分布式發(fā)電的情況下，同樣可作為對分布式能源調度的重要參照。

此外，基于SVM的長期風電功率預測在風電場規(guī)劃、年檢修計劃和風光互補等多能源組合發(fā)電的規(guī)劃中都是重要的指標依據。

單機風電功率預測是多能源智能電網中調配發(fā)電容量、儲能容量和年度檢修計劃的重要依據，為微電網的推廣奠定了重要基礎。除此之外，超短期單機風電功率預測在精度足夠的情況下，預測誤差還有望作為未來預測風機故障的方法，以推進堅強電網建設。

目前，單機風電功率人工智能預測模型還存在一些問題：①預測模型對輸入數據的依賴度較高，實際工程上幾乎無法為每個風機提供精確的微觀氣象數據，置信度低且許多模型未充分考慮風速計與風機輪轂之間的空間差；②預測模型的超參數及參數的設定方式主要通過經驗及交叉驗證法取得，無法給出物理意義的解釋；③對模型的評價環(huán)節(jié)中，由于不能完全脫離數據討論模型性能而急需有準確統一的評價標準。

因此，研究人員在文中最后展望了未來單機風電功率人工智能預測模型的研究方向。

1）提高模型輸入數據質量。可以從3個角度優(yōu)化。

①采用分辨率更高的NWP數據并結合地理信息系統（geographic informaTIon system， GIS）進行風速修正，提升精確度；②在選取預測特征時充分考慮所處地理條件對風速的影響，提升準確度；③考慮構建與物理模型、動力模型和流體力學模型結合的組合模型，從模型的建立上提升預測系統的性能。

2）建立專門的評價數據庫。

風電功率模型的固有特性決定了不同的方法在不同的數據中得出的結論沒有直接可比性，必須對同一數據采用不同方法才可以通過誤差的量值差得到其間的差別?，F如今，新型模型越來越多，但針對每一模型性能的完備評估卻較少，這對未來的實踐是十分不利的。因此，建立專用的風電功率數據庫用于預測系統性能的評估參考，并從可靠性、運行效率、合格率和復雜性等角度全面評估模型是十分必要的。

3）建立高性能云運算平臺。

單機風電功率人工智能預測模型的定時更新有助于預測系統跟蹤風速的實時變化，這需要強大的運算能力支撐。此外，在分散式發(fā)電中應用單機功率預測系統，還需要有云計算的輔助，降低配置服務器的成本。人工智能領域中的數據挖掘、大數據處理、智能算法和模型等技術都能為單機功率預測提供支持。