在建立針對山區(qū)的優(yōu)化的風(fēng)電場物理模型后，還需要人工智能模型進(jìn)行修正，根據(jù)現(xiàn)場的發(fā)電情況，需要根據(jù)現(xiàn)場是否限電、各風(fēng)機(jī)的運(yùn)行狀況，對各臺風(fēng)機(jī)進(jìn)行計(jì)算，從而得出全場的預(yù)測功率。另外，還要考慮到檢修計(jì)劃，電網(wǎng)調(diào)度以及其他受限情況進(jìn)行人工輸入已知邊界情況，對風(fēng)電場上網(wǎng)預(yù)測功率實(shí)時(shí)調(diào)整。

　　《水電與新能源》辦刊的宗旨及業(yè)務(wù)范圍為：服務(wù)于湖北省及全國水電建設(shè)和新能源開發(fā)，為水電與新能源工作者交流技術(shù)經(jīng)驗(yàn)和溝通技術(shù)信息提供平臺，促進(jìn)我國水電與新能源的研究與開發(fā)。獲獎(jiǎng)情況：全國高職高專優(yōu)秀學(xué)報(bào)稱號;湖北省優(yōu)秀期刊。

　　隨著全球能源高速增長，氣候變化和生態(tài)環(huán)境問題日益突出，風(fēng)能作為一種可再生能源，受到各國重視。2013年，中國新增裝機(jī)容量16088.7MW，累計(jì)裝機(jī)容量91412.89MW，新增裝機(jī)和累計(jì)裝機(jī)均居世界第一，風(fēng)電已成為我國繼火電、水電后的第三大能源。風(fēng)能具有獨(dú)特的波動(dòng)性、間歇性和反調(diào)峰特性，大量風(fēng)電場并網(wǎng)為電網(wǎng)的安全、穩(wěn)定及正常運(yùn)行帶來挑戰(zhàn)。通過風(fēng)功率預(yù)測系統(tǒng)的預(yù)測結(jié)果，可提供電網(wǎng)的安全性和可靠性和電網(wǎng)接納風(fēng)電的能力。《風(fēng)電場接入電力系統(tǒng)技術(shù)規(guī)定》(GB19963-2011)中對風(fēng)電場功率預(yù)測做了強(qiáng)制性規(guī)定，《風(fēng)電場并網(wǎng)標(biāo)準(zhǔn)》中也對風(fēng)速及風(fēng)功率預(yù)測的分辨率和準(zhǔn)確性提出了要求，風(fēng)電場應(yīng)向電網(wǎng)調(diào)度部門提供未來15分鐘～4 小時(shí)、次日24 小時(shí)的風(fēng)電場輸出功率預(yù)測值(時(shí)間分辨率為15分鐘)，預(yù)測誤差(平均相對誤差)應(yīng)不大于25%。現(xiàn)階段國外內(nèi)學(xué)者提出了各種理論來進(jìn)行風(fēng)功率預(yù)測，典型的預(yù)測模型有統(tǒng)計(jì)模型、物理模型、動(dòng)態(tài)時(shí)空的相關(guān)模型以及基于人工神經(jīng)網(wǎng)絡(luò)的智能模型。

　　1 各預(yù)測模型評價(jià)

　　1.1 統(tǒng)計(jì)模型

　　統(tǒng)計(jì)模型也稱為時(shí)間序列模型，主要基于測風(fēng)歷史數(shù)據(jù)，依據(jù)統(tǒng)計(jì)學(xué)的參數(shù)估計(jì)的方法并結(jié)合模式識別來建立數(shù)學(xué)模型，該模型適合小時(shí)尺度的短期(6h以內(nèi))預(yù)測。

　　1.2 物理模型

　　典型的物理模型為數(shù)值天氣預(yù)報(bào)，主要依據(jù)取得的大氣風(fēng)向、風(fēng)速數(shù)據(jù)，通過給定初始、邊界條件，依據(jù)流體力學(xué)和熱力學(xué)的方程，進(jìn)行數(shù)據(jù)計(jì)算后的結(jié)果，該方法比較適合中期(一般大于6h)的風(fēng)速預(yù)測。

　　1.3 動(dòng)態(tài)時(shí)空模型

　　該模型需要考慮風(fēng)電場與周邊測風(fēng)點(diǎn)的風(fēng)速時(shí)間序列情況，依據(jù)周邊測風(fēng)點(diǎn)風(fēng)速與風(fēng)電場的相關(guān)性進(jìn)行預(yù)測。一般需要在風(fēng)電場周圍設(shè)置幾個(gè)遠(yuǎn)程監(jiān)測點(diǎn)，依據(jù)風(fēng)速和風(fēng)向的相關(guān)性結(jié)果，預(yù)測誤差更小，一般在短時(shí)間(1～4h)內(nèi)預(yù)測效果較好。事實(shí)上，其誤差主要和風(fēng)電場的監(jiān)測點(diǎn)的數(shù)量有關(guān)。

　　1.4 人工神經(jīng)網(wǎng)絡(luò)的智能模型

　　人工智能的發(fā)展得益于人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯及向量計(jì)算技術(shù)的發(fā)展。通過模糊邏輯與向量機(jī)學(xué)習(xí)理論的方法，以歷史數(shù)據(jù)、氣壓、溫度作為輸入，對風(fēng)速建立預(yù)測模型，結(jié)果表明，預(yù)測值與實(shí)測值基本一致。構(gòu)建的風(fēng)速預(yù)測結(jié)果比時(shí)間序列法更好。

　　1.5 組合預(yù)測模型

　　各預(yù)測模型都有理論上的局限，為了優(yōu)化預(yù)測流程和提供預(yù)測精度，組合預(yù)測在實(shí)際應(yīng)用中越來越廣。如優(yōu)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(jié)合風(fēng)電場信息數(shù)據(jù)，將數(shù)值天氣預(yù)報(bào)作為輸入，進(jìn)行計(jì)算的物理模型，并利用人工智能模型中系統(tǒng)主動(dòng)自適應(yīng)的捕捉電場風(fēng)電機(jī)組的運(yùn)行模式，輸出結(jié)合現(xiàn)實(shí)運(yùn)行情況和未來風(fēng)資源情況的功率預(yù)報(bào)。該雙模型可以實(shí)現(xiàn)未來72小時(shí)短期預(yù)測精度大于80%;未來4小時(shí)超短期預(yù)測精度大于90%;未來168小時(shí)中期預(yù)測精度大于75%。

　　2 復(fù)雜地形條件下的風(fēng)功率預(yù)測特點(diǎn)

　　復(fù)雜地形風(fēng)電場，以山地風(fēng)場為例，因地形復(fù)雜，風(fēng)機(jī)標(biāo)高差別較大，風(fēng)速、風(fēng)向差別顯著，尾流影響更無規(guī)律，湍流影響結(jié)果也不同，從而導(dǎo)致風(fēng)速和發(fā)電量的差異變化較大，這些因素使復(fù)雜地形下的風(fēng)電場風(fēng)電功率預(yù)測難度更大。一般預(yù)測模型在地形相對簡單的地區(qū)，效果較好，但在復(fù)雜地形地區(qū)，需要針對風(fēng)電場進(jìn)行優(yōu)化調(diào)整。

　　一般在大型山地風(fēng)電場中，由于各機(jī)位所處微觀環(huán)境差別較大，各機(jī)位高度也不同，風(fēng)速差別較大，上網(wǎng)電量最高的機(jī)位比最低的機(jī)位高出約50%～80%。受微地形影響，風(fēng)向差別可在20～90度，風(fēng)向差別較大。而山區(qū)地形湍流強(qiáng)度更易受地形和地表粗糙度影響，各機(jī)位湍流強(qiáng)度差別也較大，在風(fēng)電場設(shè)計(jì)時(shí)，采用CFD模擬結(jié)果看，從IEC C級到A級都有，加上運(yùn)行后各位尾流影響，風(fēng)速和風(fēng)功率更呈現(xiàn)出無規(guī)律性。

　　如在高海拔地區(qū)，特有的條件(海拔高、雷暴頻繁、風(fēng)密度低、平均風(fēng)速偏低、風(fēng)向變化頻繁、山地風(fēng)電場地形條件復(fù)雜)使風(fēng)電場風(fēng)功率預(yù)測難度更大。

　　3 復(fù)雜地形條件下的風(fēng)功率預(yù)測方法

　　無論采用單一模型方法還是組合模型預(yù)測方法，均需對復(fù)雜地形條件下的風(fēng)電場進(jìn)行專門優(yōu)化，以適應(yīng)風(fēng)電場風(fēng)功率預(yù)測精度的要求。

　　以優(yōu)化的物理模型+人工智能模型為例，采用微觀氣象學(xué)和計(jì)算流體力學(xué)(CFD)分析軟件，以風(fēng)電場的地理數(shù)據(jù)(地形、地表粗糙度)、風(fēng)電機(jī)組坐標(biāo)和輪轂高度、風(fēng)廓線、熱效應(yīng)、風(fēng)機(jī)功率曲線作為邊界條件;建立包含湍流、尾流、風(fēng)速、發(fā)電量結(jié)果的預(yù)測物理模型，再以數(shù)值天氣預(yù)報(bào)作為輸入數(shù)據(jù)，通過數(shù)學(xué)方法外推，得出每一臺風(fēng)機(jī)輪轂處的風(fēng)速，進(jìn)而得到每一臺風(fēng)機(jī)的輸出功功率。

　　此外，如風(fēng)電場處于限負(fù)荷運(yùn)行狀態(tài)，系統(tǒng)會主動(dòng)自適應(yīng)的捕捉電場風(fēng)電機(jī)組的運(yùn)行模式，從而給出結(jié)合了現(xiàn)實(shí)運(yùn)行情況和未來風(fēng)資源情況的功率預(yù)報(bào)。

　　一般，設(shè)置在風(fēng)場主導(dǎo)風(fēng)向上的即使位于3公里范圍內(nèi)的單獨(dú)測風(fēng)塔的數(shù)據(jù)也無法代表整個(gè)風(fēng)場的風(fēng)資源情況，為提供準(zhǔn)確的預(yù)測結(jié)果，不僅需要采集實(shí)時(shí)測風(fēng)塔數(shù)據(jù)，也要采集各風(fēng)機(jī)的SCADA數(shù)據(jù)，對每臺風(fēng)機(jī)，結(jié)合CFD計(jì)算模型，經(jīng)過數(shù)據(jù)修正算法消除了尾流、湍流、風(fēng)向等影響因素。

　　通過人工智能和優(yōu)化物理模型，即可滿足電網(wǎng)對測風(fēng)數(shù)據(jù)以及其他氣象數(shù)據(jù)的采集和上傳要求，時(shí)間分辨率可以根據(jù)計(jì)算模型要求選取，從而使預(yù)測精度大幅提高。

　　4 結(jié)論

　　復(fù)雜地形條件下，風(fēng)功率預(yù)測需要根據(jù)復(fù)雜地形下風(fēng)況特點(diǎn)、風(fēng)功率變化情況，結(jié)合CFD計(jì)算方法，采用優(yōu)化的物理模型，結(jié)合人工智能模型，滿足復(fù)雜地形條件下預(yù)測精度的要求。