4.1 风电功率短期预测的影响因素分析

本章以微网能量管理实验平台为研究对象，针对风电短期功率进行建模。该平台风力发电系统模拟风力机容量为1.5MW，采样数据分辨率为5分钟，提供每个预测日288个预测数据点，包括风速、风向、温度、大气压力和相对湿度等特征数据。短期风力发电功率预测模型的建立过程如图4-1所示。

风力发电短期功率预测主要针对预测时间在72小时以内的功率预测，本部分关于风功率预测的研究限定在未来24小时，模型的基本建立过程大致分为采集气象历史数据、数据分析和处理、筛选输入因子、建立预测模型几个过程。

4.1.1 风电场历史数据的处理

本章采用微网实验平台SCADA提供的风力机在2017年1月27日～3月9日之间运行时的历史数据作为实验数据进行风电功率预测模型的搭建，包括了NWP提供的气象数据，其分辨率为5分钟。

实现风力发电风速-风功率的准确预测，首先要做好历史气象数据的采集。风速、风向、大气压力等是影响风能的关键因素，所以需要对这些气象要素进行检测和记录。为了获得准确、可靠的气象要素，气象传感器性能指标必须满足一定的要求，具体气象要素监测技术指标见表4-1。

在实际运行过程中，数据采集系统不可避免地会发生一些故障，导致一些异常数据的产生，从而严重影响风电预测模型的精度。因此，需要对系统采集的数据进行预处理，将缺失数据补充完整，将异常数据进行合理替换，以保证能够符合预测模型的运行要求。

图4-1 风力发电短期功率预测模型建模示意图

表4-1 气象要素监测技术指标

系统采集到的风速、风向和功率等数据发生异常时，通常由以下情况产生：

1）输出功率值过大，超过了风力机的装机容量，这种情况可用装机容量额定值取代。

2）当风速值小于切入风速时，现实情况下风力机输出功率应为零，但实际记录数据不为零，设输出功率为零，将所有风速值为负的值置为零。

3）当存在缺失数据时，采用线性差值法补充完整。

4.1.2 气象特征参数分析

在风力发电中，风力机受风能影响并将所获动能转化为电能。风电场的风能受到多种气象特征因素的影响，主要有风速、风向、气温、气压和湿度等，若未经处理直接将这些气象因素作为预测模型的输入，会导致模型复杂度过高，影响模型的泛化性能，降低模型的鲁棒性。因此，在建立预测模型之前，应该分析特征数据的性质，提取与风电场功率输出相关性显著的输入因子。

1）风速。地球表面受太阳辐射，造成不均匀受热所形成的气压梯度力，其度量指标即为风速。风速预测对于提高整体风电场稳定运行和改进风电功率预测具有重要意义，对于风电功率而言，风速无疑是影响最大的气象特征因素。风速的波动性和不平稳性研究是风功率预测的关键。由式（4-1）可以看出，风能与气流速度的立方成正比。

式中 ρ——空气密度；

A——气体对流的截面积；

v——风速。

图4-2为分辨率为1小时的8日归一化风功率、风速对比图。由图可见，风速值和对应时间内该风电场风力机所发出的功率具有高度相似性，通过数据分析其相关性可得其相关系数达到0.9以上。

图4-2 风速风功率归一化曲线

2）风向。对风电场的环境进行资源状况分析评价时，风况数据不仅包括风速，还需考虑风向的变化。风向一般包括16个方位：N（北），NNE（北北东），NE（北东），ENE（东北东），E（东），ESE（东南东），SE（南东），SSE（南南东），S（南），SSW（南南西），SW（南西），WSW（西南西），W（西），WNW（西北西），NW（北西），NNW（北北西）。为了更直观地刻画这一变化，通常采用风玫瑰图进行风能资源测量数据的统计，风能玫瑰图如图4-3所示。

图4-3 风能玫瑰图

为了记录和量化分析风向的性质，将风向转化为正弦和余弦的表达方式。

综上所述，影响风电场功率的主要气象因素是风速，而风速根据地理位置和时间的不同，其风向有较大的变动。计算风速与大气压力和空气相对湿度的相关系数分别约为0.54和0.33，这表明在进行风速时间序列的回归分析时，需考虑多个相关气象因素的特征。