在建立針對山區的優化的風電場物理模型后，還需要人工智能模型進行修正，根據現場的發電情況，需要根據現場是否限電、各風機的運行狀況，對各臺風機進行計算，從而得出全場的預測功率。另外，還要考慮到檢修計劃，電網調度以及其他受限情況進行人工輸入已知邊界情況，對風電場上網預測功率實時調整。

　　《水電與新能源》辦刊的宗旨及業務范圍為：服務于湖北省及全國水電建設和新能源開發，為水電與新能源工作者交流技術經驗和溝通技術信息提供平臺，促進我國水電與新能源的研究與開發。獲獎情況：全國高職高專優秀學報稱號;湖北省優秀期刊。

　　隨著全球能源高速增長，氣候變化和生態環境問題日益突出，風能作為一種可再生能源，受到各國重視。2013年，中國新增裝機容量16088.7MW，累計裝機容量91412.89MW，新增裝機和累計裝機均居世界第一，風電已成為我國繼火電、水電后的第三大能源。風能具有獨特的波動性、間歇性和反調峰特性，大量風電場并網為電網的安全、穩定及正常運行帶來挑戰。通過風功率預測系統的預測結果，可提供電網的安全性和可靠性和電網接納風電的能力。《風電場接入電力系統技術規定》(GB19963-2011)中對風電場功率預測做了強制性規定，《風電場并網標準》中也對風速及風功率預測的分辨率和準確性提出了要求，風電場應向電網調度部門提供未來15分鐘～4 小時、次日24 小時的風電場輸出功率預測值(時間分辨率為15分鐘)，預測誤差(平均相對誤差)應不大于25%。現階段國外內學者提出了各種理論來進行風功率預測，典型的預測模型有統計模型、物理模型、動態時空的相關模型以及基于人工神經網絡的智能模型。

　　1 各預測模型評價

　　1.1 統計模型

　　統計模型也稱為時間序列模型，主要基于測風歷史數據，依據統計學的參數估計的方法并結合模式識別來建立數學模型，該模型適合小時尺度的短期(6h以內)預測。

　　1.2 物理模型

　　典型的物理模型為數值天氣預報，主要依據取得的大氣風向、風速數據，通過給定初始、邊界條件，依據流體力學和熱力學的方程，進行數據計算后的結果，該方法比較適合中期(一般大于6h)的風速預測。

　　1.3 動態時空模型

　　該模型需要考慮風電場與周邊測風點的風速時間序列情況，依據周邊測風點風速與風電場的相關性進行預測。一般需要在風電場周圍設置幾個遠程監測點，依據風速和風向的相關性結果，預測誤差更小，一般在短時間(1～4h)內預測效果較好。事實上，其誤差主要和風電場的監測點的數量有關。

　　1.4 人工神經網絡的智能模型

　　人工智能的發展得益于人工神經網絡、模糊邏輯及向量計算技術的發展。通過模糊邏輯與向量機學習理論的方法，以歷史數據、氣壓、溫度作為輸入，對風速建立預測模型，結果表明，預測值與實測值基本一致。構建的風速預測結果比時間序列法更好。

　　1.5 組合預測模型

　　各預測模型都有理論上的局限，為了優化預測流程和提供預測精度，組合預測在實際應用中越來越廣。如優化的物理模型和人工智能模型組合的雙模型，采用CFD方法，結合風電場信息數據，將數值天氣預報作為輸入，進行計算的物理模型，并利用人工智能模型中系統主動自適應的捕捉電場風電機組的運行模式，輸出結合現實運行情況和未來風資源情況的功率預報。該雙模型可以實現未來72小時短期預測精度大于80%;未來4小時超短期預測精度大于90%;未來168小時中期預測精度大于75%。

　　2 復雜地形條件下的風功率預測特點

　　復雜地形風電場，以山地風場為例，因地形復雜，風機標高差別較大，風速、風向差別顯著，尾流影響更無規律，湍流影響結果也不同，從而導致風速和發電量的差異變化較大，這些因素使復雜地形下的風電場風電功率預測難度更大。一般預測模型在地形相對簡單的地區，效果較好，但在復雜地形地區，需要針對風電場進行優化調整。

　　一般在大型山地風電場中，由于各機位所處微觀環境差別較大，各機位高度也不同，風速差別較大，上網電量最高的機位比最低的機位高出約50%～80%。受微地形影響，風向差別可在20～90度，風向差別較大。而山區地形湍流強度更易受地形和地表粗糙度影響，各機位湍流強度差別也較大，在風電場設計時，采用CFD模擬結果看，從IEC C級到A級都有，加上運行后各位尾流影響，風速和風功率更呈現出無規律性。

　　如在高海拔地區，特有的條件(海拔高、雷暴頻繁、風密度低、平均風速偏低、風向變化頻繁、山地風電場地形條件復雜)使風電場風功率預測難度更大。

　　3 復雜地形條件下的風功率預測方法

　　無論采用單一模型方法還是組合模型預測方法，均需對復雜地形條件下的風電場進行專門優化，以適應風電場風功率預測精度的要求。

　　以優化的物理模型+人工智能模型為例，采用微觀氣象學和計算流體力學(CFD)分析軟件，以風電場的地理數據(地形、地表粗糙度)、風電機組坐標和輪轂高度、風廓線、熱效應、風機功率曲線作為邊界條件;建立包含湍流、尾流、風速、發電量結果的預測物理模型，再以數值天氣預報作為輸入數據，通過數學方法外推，得出每一臺風機輪轂處的風速，進而得到每一臺風機的輸出功功率。

　　此外，如風電場處于限負荷運行狀態，系統會主動自適應的捕捉電場風電機組的運行模式，從而給出結合了現實運行情況和未來風資源情況的功率預報。

　　一般，設置在風場主導風向上的即使位于3公里范圍內的單獨測風塔的數據也無法代表整個風場的風資源情況，為提供準確的預測結果，不僅需要采集實時測風塔數據，也要采集各風機的SCADA數據，對每臺風機，結合CFD計算模型，經過數據修正算法消除了尾流、湍流、風向等影響因素。

　　通過人工智能和優化物理模型，即可滿足電網對測風數據以及其他氣象數據的采集和上傳要求，時間分辨率可以根據計算模型要求選取，從而使預測精度大幅提高。

　　4 結論

　　復雜地形條件下，風功率預測需要根據復雜地形下風況特點、風功率變化情況，結合CFD計算方法，采用優化的物理模型，結合人工智能模型，滿足復雜地形條件下預測精度的要求。