簡介
風能預測系統是進行風力發電生產安排及整合風電機組併網所需的重要技術，主要是利用氣象數據並結合風力發電機組或風電場的功率曲線， 預測風電機組或風電場未來發電功率。受技術、經濟以及其他因素的影響，中國風能預測系統的發展較為緩慢。風能預測系統主要分為統計型、物理型以及混合型3 種。統計型風能預測系統通過對大量歷史數據進行分析，建立歷史數據與預測發電功率之間的關係。根據使用的模型不同，統計型風能預測系統可分為時間序列系統和人工智慧系統。
物理型風能預測系統主要是利用低層大氣的詳細信息來進行預測，利用數值天氣預報提供的風場中風力發電機組上空的風速變化信息，推導出風力發電機組中心處的風速值，在綜合考慮地形、障礙以及粗糙度等條件下，利用功率曲線推導出發電功率。物理型風能預測系統使用數值天氣預報作
為輸入數據， 所以預測時間界限為數值天氣預報預測時間期限，可以滿足實際要求。但是該型系統沒有對歷史數據進行分析， 所以誤差與統計型風能預測系統相比較高。混合型風能預測系統既使用數值天氣預報作為輸入數據，又利用歷史數據進行分析、建模，兼有物理型和統計型風能預測系統的優點，預測誤差最低，是最優的風能預測系統。西方已開發國家現階段主要使用的就是混合型風能預測系統。
隨著集合數值天氣預報技術的大力發展，其預測的精度提高很快，這就促進了各種新的風能預測模型的發展。一種基於數值天氣預報以及人工神經網路的混合型風能預測模型。該風能預測模型以風速數據為基準，對所有數據進行分級，並且按各級別進行預測，有較為理想的預測精度 。
風能預測系統的建立
數據預處理
將風向、風速和發電量數據輸入到風能預處理模型中，以風速數據為基準，對同一時刻的所有數據同時進行保留或刪除操作。操作的依據是：若風速數據在切入風速和切出風速之間， 保留該時刻所有數據，參加預測；若風速在切入風速及切出風速之外，刪除該時刻所有數據，不參加預測。這是由於在進行實際套用時， 當風速在切入風速以下及切出風速以上時，發電功率恆為零；當風速在額定風速以上及切出風速以下時，發電功率為額定功率。經過上述處理的各數據有著不同的量綱， 為了將有量綱的物理量轉化為無量綱的相對量，需要將得到的數據進行歸一化處理 。
人工神經網路模型的建立
人工神經網路是一種套用類似於人大腦神經突觸連線的結構進行信息處理的數學模型，由大量的節點和節點之間的連線構成。每個節點代表一種特定的輸出函式，兩個節點之間的連線代表一個通過該連線信號的加權值。這樣就構成了一個能進行人工感知的網路。人工神經網路模型包括自組織神經網路模型以及徑向基函式網路模型。
誤差分析
將預測發電功率與實際發電功率進行比較，得到各級的預測誤差及誤差的統計量，數據為各級別預測發電功率的誤差，均為標準值。對數據進行分析，可以發現：高速級的誤差最大，並且有極大誤差點存在，而隨著風速的逐漸降低，預測誤差逐漸減小。這是因為在樣本數據中，風向數據的記錄不夠準確，有部分數據為零，這就造成了不同的風速在同一風向情況下發電量不同的情況，導致了預測的不準確。所以可以認為，風向數據的不準確性是預測誤差的主要原因。同時，風電機組的工作狀況以及模型的誤差也是造成預測誤差的原因 。
總結
風能預測系統利用歷史數據建立人工神經網路模型， 並利用數值天氣預報作為輸入數據來預測某發電機組的發電功率。本系統可以用來進行48 h 的風能預測。
計算實例表明， 本風能預測系統預測平均誤差在10%以內，已經可以用於實際生產。可以認為，該模型基本符合實際套用要求。預測誤差隨著風速的降低而降低，可認為本系統主要適用於中、低風速的風能預測。
通過對數據和誤差的分析， 可知高風速條件下風能預測誤差最大。這是由於高風速時風向難以測定，造成風向誤差較大，從而導致風能預測在高風速條件下誤差最大 。
