短期風(fēng)電功率預(yù)測概念和模型與方法

陶玉波， 陳 昊， 秦曉輝， 孟昭軍

(1. 國網(wǎng)江蘇省電力有限公司檢修分公司, 江蘇 南京 211102；2. 中國電力科學(xué)研究院有限公司, 北京100192；3.南瑞集團有限公司，江蘇 南京 211106)

0 引言

當(dāng)今能源危機、環(huán)境污染及氣候變化等問題日益凸顯，各國政府越來越關(guān)注以風(fēng)力發(fā)電為代表的新能源發(fā)電技術(shù)的發(fā)展。如何立足長遠，謀劃確保能源供應(yīng)的可持續(xù)發(fā)展之道，搶占未來科技創(chuàng)新和經(jīng)濟發(fā)展的制高點，已成為世界各國重點考慮的戰(zhàn)略問題[1]。以風(fēng)力發(fā)電為代表的新能源發(fā)電技術(shù)具有清潔、低碳、可再生等優(yōu)點，為各國開展節(jié)能減排與環(huán)境保護工作提供了強大的支撐，其規(guī)模化發(fā)展已成為世界各國政府努力研究的方向[2]。風(fēng)力發(fā)電技術(shù)在我國發(fā)展尤其迅猛，根據(jù)國家能源局2017年發(fā)布的數(shù)據(jù)顯示，新增并網(wǎng)風(fēng)電裝機容量為15 030 MW，累計并網(wǎng)裝機容量達到164 GW，占全部發(fā)電裝機容量的9.2%。風(fēng)電年發(fā)電量為3057 億kW·h，占全部發(fā)電量的4.8%，比2016年提高了0.7%[3]。

電力系統(tǒng)的調(diào)控目的是保證發(fā)電量和負荷量的動態(tài)平衡，通過火電、水電等出力穩(wěn)定機組的組合、經(jīng)濟調(diào)度和一次調(diào)頻等調(diào)控策略，使發(fā)電量追蹤可準確預(yù)測的負荷量，維持電網(wǎng)功率的動態(tài)平衡。隨著電力系統(tǒng)中風(fēng)電規(guī)模的增加，風(fēng)電具有的空間尺度分散性與時間尺度強隨機波動性，使風(fēng)電機組發(fā)電量的可控性降低，影響了電力系統(tǒng)中發(fā)電量追蹤負荷量的能力，給電力系統(tǒng)運行的安全性、穩(wěn)定性和經(jīng)濟性帶來了新的挑戰(zhàn)。目前解決該矛盾的重要手段之一是及時準確地預(yù)測未來一段時間的風(fēng)電出力，準確的預(yù)測結(jié)果可降低成本，提高風(fēng)電并網(wǎng)的可靠性。

1 風(fēng)電預(yù)測基本概念

1.1 預(yù)測的時間范疇

由風(fēng)能的產(chǎn)生機理可知，風(fēng)電場采集到的風(fēng)速數(shù)據(jù)在時間上一定是關(guān)聯(lián)的。風(fēng)是風(fēng)力發(fā)電機的原動力，經(jīng)過風(fēng)力發(fā)電機的發(fā)電系統(tǒng)，還會保持風(fēng)的強隨機性、強波動性和間歇性，風(fēng)電功率數(shù)據(jù)在時間維度上也存在著一定的關(guān)聯(lián)，即前一時刻的風(fēng)電功率采樣值與后一時刻的風(fēng)電功率采樣值具有相關(guān)性[4]。

風(fēng)電功率預(yù)測可以按照預(yù)測的不同時間尺度進行分類。按照預(yù)測時間尺度可以分為4類：超短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測。

超短期預(yù)測是時間間隔以不大于15 min為單位，提前預(yù)測未來0～4 h的風(fēng)電功率變化，一般用于對風(fēng)力發(fā)電機的控制與在線機組組合優(yōu)化。

短期預(yù)測是時間間隔以分鐘或者小時為單位，提前預(yù)測未來1～3 d(1～72 h)的風(fēng)電功率，一般用于制定電網(wǎng)調(diào)度計劃和優(yōu)化常規(guī)電源的日發(fā)電計劃。

中期預(yù)測是時間間隔以天為單位，提前預(yù)測數(shù)周或者數(shù)月的風(fēng)電功率，一般用于風(fēng)電場內(nèi)機組和線路檢修或者安裝調(diào)試新的風(fēng)電機組。

長期預(yù)測是時間間隔以月為單位，提前預(yù)測整年或者數(shù)年的風(fēng)電功率，一般用于風(fēng)電場規(guī)劃選址及年度發(fā)電計劃制定等可行性研究。

1.2 預(yù)測的空間范疇

通常風(fēng)電場群所處地域分布比較廣闊，從風(fēng)能產(chǎn)生的機理來看，同一風(fēng)帶相鄰位置的風(fēng)速一定具有關(guān)聯(lián)性。因此在同一風(fēng)電場不同風(fēng)電機組采集到的風(fēng)電功率序列，或者在同一風(fēng)帶相鄰風(fēng)電場間采集到的風(fēng)電功率序列，在空間上并非完全統(tǒng)計獨立，而是具有千絲萬縷的關(guān)聯(lián)。

風(fēng)電功率的空間相關(guān)性除了受對風(fēng)速影響較大的氣壓、溫度等自然條件環(huán)境的影響外，還受風(fēng)電場所處的地形、地表粗糙度等地形條件的影響，也會受到風(fēng)電場內(nèi)風(fēng)電機組的布置和尾流效應(yīng)的影響。風(fēng)電機組或者風(fēng)電場之間連線越趨同于風(fēng)向，則風(fēng)電機組之間或風(fēng)電場之間的空間相關(guān)性就越顯著，因為處在同一風(fēng)向上的風(fēng)電機組或風(fēng)電場輸出的風(fēng)電功率將會趨于一致，處在下風(fēng)處的風(fēng)電機組輸出的功率與在其上風(fēng)處的風(fēng)電機組輸出的功率時間序列相比表現(xiàn)出相似的波動規(guī)律，但具有一定的延時性。所以風(fēng)電場上2個相鄰點測得的功率時序曲線會有相似性和延時性。

文獻[5]指出，隨著風(fēng)電場規(guī)模增大，風(fēng)電場內(nèi)風(fēng)電機組之間距離以及數(shù)量增加，不同位置風(fēng)資源的波動性相互抵消，因此風(fēng)電場總出力的波動性減弱。對風(fēng)電場群進行風(fēng)功率預(yù)測，為了獲得高精度的預(yù)測結(jié)果，須要考慮風(fēng)電功率的空間相關(guān)性。

2 風(fēng)電功率預(yù)測法

2.1 確定性風(fēng)電功率預(yù)測方法

確定性預(yù)測是指運用某種預(yù)測模型依據(jù)當(dāng)前時刻的各種測量值，計算未來某時刻風(fēng)電功率預(yù)測具體值。按照預(yù)測模型的不同，可以分為3類：物理預(yù)測法、統(tǒng)計學(xué)習(xí)預(yù)測法和混合集成預(yù)測法[6-7]。

2.1.1 物理預(yù)測法

物理預(yù)測法本質(zhì)上是數(shù)值天氣預(yù)報(numerical weather prediction, NWP)，基于制定風(fēng)電場高精度的數(shù)值天氣預(yù)報的物理模型，主要依據(jù)大氣層空氣運動的情況提煉出風(fēng)速的影響因素，例如：風(fēng)向、空氣壓強、空氣溫度、空氣濕度等作為預(yù)測模型的參考輸入變量，采用數(shù)值計算方法，通過設(shè)置計算初值和計算邊界條件,以實現(xiàn)求解出反映空氣運動過程的流體力學(xué)方程組合熱力學(xué)方程組的計算目標，進一步計算出各參考變量的分布，最終制成數(shù)值天氣預(yù)報結(jié)果，換算至風(fēng)力發(fā)電機輪轂處的等效風(fēng)速，利用功率曲線得到風(fēng)機的輸出功率。

物理預(yù)測法的優(yōu)點在于不需要長期大量的歷史數(shù)據(jù)就能得到預(yù)測結(jié)果，特別適用于新建風(fēng)電場的預(yù)測和中長期風(fēng)電功率的預(yù)測，短期預(yù)測和超短期預(yù)測不適用單純的物理方法進行預(yù)測，因為氣象條件是不穩(wěn)定系統(tǒng)，演變需要數(shù)小時才能被監(jiān)測到，并且NWP需要進行大量的耗時計算，目前較少單純使用該方法進行超短期預(yù)測。

提升NWP精度須要提高偏微分方程組建模的準確性，提高物理網(wǎng)格劃分密度和提高計算初值和計算邊界條件的準確性[8]。

2.1.2 統(tǒng)計學(xué)習(xí)預(yù)測法

統(tǒng)計學(xué)習(xí)預(yù)測法本質(zhì)上是通過歷史風(fēng)電功率、歷史風(fēng)速、風(fēng)向、氣壓、溫度等數(shù)據(jù)與風(fēng)電場的風(fēng)電功率或者風(fēng)速建立一定的關(guān)系來進行推斷，要求預(yù)測對象演化速度較為緩慢，其建模方法簡單有效，被廣泛應(yīng)用于超短期和短期預(yù)測。風(fēng)電功率序列是典型的非線性時間過程，風(fēng)電場中多臺風(fēng)機由于尾流效應(yīng)等影響的存在，風(fēng)電功率序列間還包含著一定的空間信息，通過深入挖掘數(shù)據(jù)序列中時間和空間的信息有助于提高預(yù)測精度。近年來，基于統(tǒng)計學(xué)習(xí)的方法發(fā)展迅速，這種方法采用“黑箱”的建模思路，模型函數(shù)不是以解析的形式顯示描述，而是用人工智能的方法找出輸入與輸出的對應(yīng)關(guān)系，通過對長期積累的歷史數(shù)據(jù)的學(xué)習(xí)，建立輸入與輸出的關(guān)系，進而采用這種方式建立的模型進行預(yù)測，具有適應(yīng)性強，便于推廣等優(yōu)點。常見的統(tǒng)計學(xué)習(xí)預(yù)測方法有時間序列分析法、人工神經(jīng)網(wǎng)絡(luò)法(artificial neural network, ANN)、支持向量機法(support vector machine, SVM)、卡爾曼濾波法、考慮時空相關(guān)性法等方法。

(1) 時間序列分析是對大量的時間數(shù)據(jù)序列進行參數(shù)估計、模型識別、檢驗等過程后確定一個數(shù)學(xué)模型進行預(yù)測。目前文獻中主要有經(jīng)典時間序列分析模型和現(xiàn)代時間序列分析模型兩大類，經(jīng)典時間序列分析模型有自回歸模型、滑動平均模型、自回歸積分滑動平均模型、分數(shù)自回歸滑動平均模型；現(xiàn)代時間序列分析模型有廣義自回歸條件異方差模型、隨機波動模型、平滑轉(zhuǎn)換自回歸模型等。風(fēng)電功率和風(fēng)速數(shù)據(jù)通常是非平穩(wěn)時間序列，應(yīng)用時間序列分析模型前一般需要經(jīng)過差分之后才能變?yōu)槠椒€(wěn)時間序列[9-11]。文獻[12—13]研究了風(fēng)電功率序列的二階矩，提出了基于廣義自回歸條件異方差模型的風(fēng)電功率預(yù)測方法，使用條件最大似然估計法辨識參數(shù)，預(yù)測結(jié)果優(yōu)于經(jīng)典時間序列分析模型。文獻[14]基于廣義自回歸條件異方差偏度峰度模型的風(fēng)電功率預(yù)測新方法，針對風(fēng)電時間序列高階條件矩時變性的檢驗問題，提出鏈式檢驗新方法，結(jié)合提出的實用化參數(shù)約束處理方法，提升了預(yù)測效果。

(2) ANN是通過復(fù)制人類大腦工作過程的方法，用某種結(jié)構(gòu)連接需要處理的大量元件，有較強的自學(xué)習(xí)、自組織、自適應(yīng)的能力，可以處理復(fù)雜的非線性問題。如何防止人工神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)和過學(xué)習(xí)的問題，是其改進的研究方向。在1996年就有學(xué)者將ANN用于風(fēng)功率的超短期預(yù)測[15]。后來，眾多學(xué)者將ANN模型進行了不同的改進，預(yù)測精度不斷提高[16-17]。

(3) SVM是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展的一種學(xué)習(xí)方法，基于結(jié)構(gòu)風(fēng)險最小化原則，適用于小樣本情形下模型的建立。SVM預(yù)測方法通過核函數(shù)，將樣本空間的輸入映射到高維特征空間，解決了傳統(tǒng)方法中的維數(shù)災(zāi)難、學(xué)習(xí)時間長、模型適應(yīng)性弱等問題。文獻[18]提出了一種新的N-SVM回歸模型，對傳統(tǒng)的SVM核函數(shù)進行了修正，進一步提高了預(yù)測精度。

(4) 卡爾曼濾波法通過建立狀態(tài)空間方程，需要已知噪聲的統(tǒng)計特征，將預(yù)測對象作為狀態(tài)變量?？柭鼮V波具有穩(wěn)定性高、無偏性等特點，但如何得到噪聲的統(tǒng)計特征是其方法的難點?？柭鼮V波在預(yù)測過程中不斷地進行修正，不需要存儲大量數(shù)據(jù)，其計算速度非?？?。文獻[19]通過卡爾曼濾波法對NWP的結(jié)果進行修正，取得了較好的預(yù)測結(jié)果，使預(yù)測的均方根誤差從未修正的17.73%降低至11.32%。

(5) 考慮時空相關(guān)性的方法基于多個相互關(guān)聯(lián)的風(fēng)電場信息共享的數(shù)據(jù)平臺，風(fēng)電功率時間序列在不同空間點之間有很強的關(guān)聯(lián)性，根據(jù)由風(fēng)電場內(nèi)風(fēng)電機組間空間排布關(guān)系推導(dǎo)出的空間相關(guān)矩陣，得到其他風(fēng)電機組的風(fēng)速、風(fēng)向，進一步可得到風(fēng)電功率預(yù)測值。文獻[20]分析了新西蘭不同地形條件下風(fēng)速數(shù)據(jù)，發(fā)現(xiàn)不同地表粗糙度下風(fēng)速的相關(guān)性不同。將不同地形特征的影響分為4類：第一類為地勢平坦區(qū)域，不同點的風(fēng)速相關(guān)性較強；第二類為峽谷地區(qū)，不同點的風(fēng)速相關(guān)性根據(jù)不同地形條件不同；第三類為山區(qū)，地表粗糙度較高，遮擋物多，風(fēng)速相關(guān)性較弱；第四類為不規(guī)則地形區(qū)，風(fēng)速相關(guān)性不確定。文獻[21]得出了月份、季節(jié)的不同，風(fēng)速表現(xiàn)出的特征模式不同的結(jié)論。

2.1.3 集成預(yù)測法

集成預(yù)測法是目前風(fēng)電功率研究的熱點方法之一，一般分為多模型組合和多算法混合。多模型組合由于它結(jié)合各個單一模型的有用信息，所以預(yù)測精度有一定的提高，其主要目的是對各種單一模型取長避短，利用每種模型的優(yōu)點組合起來超越單一模型的預(yù)測精度。其研究難點在于如何穩(wěn)定的發(fā)揮某一種模型的優(yōu)點和各個單一模型之間如何組合。文獻[22]基于最大信息熵的原理，建立了基于多種預(yù)測模型的風(fēng)電功率組合模型，相對于單一的模型來說，文中提出的方法提高了預(yù)測精度。文獻[23]建立基于支持向量機和人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，通過采用不同確定性權(quán)重因子來對預(yù)測模型進行混合。研究結(jié)果表明，這種組合方法雖然與權(quán)重的選擇有一定的關(guān)系，但是不同的權(quán)重下均能夠降低預(yù)測誤差。多算法混合是針對風(fēng)電功率的數(shù)據(jù)特點，針對算法本身的優(yōu)勢，將多種算法進行混合，以便在一次預(yù)測過程使用，提高預(yù)測精度。文獻[24]采用經(jīng)驗?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)進行混合，首先對風(fēng)電功率序列進行分解，進而針對分解后的子序列分別使用人工神經(jīng)網(wǎng)絡(luò)進行預(yù)測，再將各個子序列的預(yù)測結(jié)果進行重構(gòu)，最終得到功率預(yù)測結(jié)果，研究結(jié)果表明效果較好。

2.2 概率性風(fēng)電功率預(yù)測方法

風(fēng)電功率預(yù)測的最大挑戰(zhàn)是存在預(yù)測誤差。電力系統(tǒng)高效安全穩(wěn)定運行需要電網(wǎng)功率時刻與負荷平衡，風(fēng)電功率預(yù)測的不確定性給這一目標的實現(xiàn)帶來了困難，為了更有效保證電力系統(tǒng)運行，需要預(yù)測模型能在一定程度上描述預(yù)測結(jié)果的不確定性。概率預(yù)測方法是確定性預(yù)測方法的拓展，風(fēng)電功率的數(shù)據(jù)序列可以看作是隨機過程，可以在隨機優(yōu)化的框架下進行研究，使用概率密度函數(shù)和概率分布函數(shù)來描述風(fēng)電功率的不確定性。與風(fēng)電功率的確定性單點預(yù)測相比，概率性風(fēng)電功率預(yù)測方法不僅能提供預(yù)測結(jié)果變動范圍，還能估計出確定性預(yù)測值出現(xiàn)的概率，相比于確定性預(yù)測方法，能提供更多的量化信息表征不確定性，有助于發(fā)電計劃的提前安排，確保電力系統(tǒng)安全穩(wěn)定運行。概率性風(fēng)電功率預(yù)測方法可以預(yù)測風(fēng)電功率按照多大的概率落在某個區(qū)間內(nèi)，預(yù)測方法一定時，預(yù)測的區(qū)間越大，預(yù)測值落在區(qū)間內(nèi)的概率越大。

概率性預(yù)測方法繁復(fù)多樣[25-26]，根據(jù)建模時是否適用確定性預(yù)測結(jié)果，可以分為風(fēng)電功率概率預(yù)測和確定性風(fēng)電功率預(yù)測誤差概率預(yù)測。前者直接在建模時根據(jù)實測數(shù)據(jù)得到風(fēng)電功率概率分布；后者根據(jù)確定性預(yù)測誤差為研究對象，得出誤差的概率分布，迭代回確定性預(yù)測結(jié)果中，得到概率預(yù)測區(qū)間。

如何求得研究對象的概率分布，可以根據(jù)研究對象概率分布的已知情況，分為參數(shù)估計、非參數(shù)估計和半?yún)?shù)估計。

(1) 參數(shù)估計即風(fēng)電功率或預(yù)測誤差概率分布可以用已知的概率密度函數(shù)來描述，由此可以將概率性風(fēng)電功率預(yù)測問題轉(zhuǎn)化為參數(shù)估計的問題，計算復(fù)雜度較低，但是由于假設(shè)了已知的概率分布，當(dāng)實際情況與假設(shè)不一致時，預(yù)測結(jié)果將不理想。

(2) 非參數(shù)估計即不假設(shè)風(fēng)電功率或預(yù)測誤差概率分布已知，通過數(shù)據(jù)挖掘的方法，比如核密度估計法[27]來計算分布函數(shù)。由于不存在假設(shè)不合理的情況，預(yù)測效果比參數(shù)估計的效果好，但是計算復(fù)雜度高。

(3) 半?yún)?shù)估計利用某種理論或先驗知限制識對風(fēng)電功率或預(yù)測誤差概率分布的具體形式進行限制。如運用得當(dāng)，有望改善預(yù)測精度，且計算復(fù)雜度顯著低于非參數(shù)估計。

概率性風(fēng)功率預(yù)測方法與確定性預(yù)測中統(tǒng)計學(xué)習(xí)方法相結(jié)合，可以將確定性預(yù)測結(jié)果拓展到區(qū)間預(yù)測。文獻[28]提到的極限學(xué)習(xí)機(extreme learning machine, ELM)就是其中一種，以廣義逆矩陣理論為基礎(chǔ)提出的新單隱層前向網(wǎng)絡(luò)，與傳統(tǒng)的ANN相比，具有較好的非線性擬合能力，可以通過非線性映射直接計算出風(fēng)電功率區(qū)間預(yù)測結(jié)果，計算復(fù)雜度也不高。

3 風(fēng)電功率預(yù)測熱點問題

3.1 風(fēng)電爬坡事件預(yù)測

風(fēng)電爬坡事件是指風(fēng)電功率在較短的時間尺度內(nèi)發(fā)生較大變化，嚴重影響電力系統(tǒng)安全穩(wěn)定運行。一般使用爬坡方向、爬坡時間、爬坡率、爬坡幅度和起始時間這5個量來描述風(fēng)電爬坡事件[29]。將風(fēng)電功率突然增大的事件稱為上爬坡事件，主要由于大氣低空急流、低壓氣旋、雷雨等極端氣象事件引起；將風(fēng)電功率突然變小的事件，稱為下爬坡事件，主要由于風(fēng)機風(fēng)速過大，超出了切出風(fēng)速閾值，機組被迫退出運行引起。風(fēng)電爬坡事件是風(fēng)電功率強隨機性、強波動性和間歇性的極端體現(xiàn)，美國曾在2008年2月發(fā)生過由于風(fēng)電場發(fā)生爬坡事件，造成頻率下降至59.85 Hz，切除負荷1150 MW的事件。進行爬坡事件預(yù)測，可以提前從風(fēng)電機組本體和電網(wǎng)控制角度來調(diào)節(jié)爬坡事件，降低危害。爬坡事件預(yù)測有直接預(yù)測和間接預(yù)測兩種方法：

(1) 直接預(yù)測法是從風(fēng)電場歷史數(shù)據(jù)中挑選出爬坡數(shù)據(jù)，使用機器學(xué)習(xí)模型進行學(xué)習(xí)，直接預(yù)測爬坡事件。此方法需要大量爬坡數(shù)據(jù)，但實際上爬坡事件是小概率極端事件，發(fā)生次數(shù)有限，故訓(xùn)練集缺失比較嚴重。

(2) 間接預(yù)測法是先進行風(fēng)功率預(yù)測，再根據(jù)爬坡事件的定義進行識別。目前間接預(yù)測法為爬坡事件預(yù)測的熱點內(nèi)容。常用的預(yù)測方法有基于統(tǒng)計學(xué)習(xí)模型、基于NWP的物理模型和混合集成預(yù)測方法。

文獻[30]采用改進旋轉(zhuǎn)門算法對爬坡事件檢測方法，使用動態(tài)規(guī)劃算法對傳分段時間區(qū)間進行優(yōu)化整合，表明改進旋轉(zhuǎn)門算法能夠有效地檢測出風(fēng)電功率爬坡事件，并且比傳統(tǒng)旋轉(zhuǎn)門算法的表現(xiàn)效果更好，同時該算法比L1滑窗算法消耗更少的計算時間。文獻[30]提出了采用多個NWP模型的風(fēng)電爬坡預(yù)測結(jié)果較好。文獻[32]利用原子稀疏分解對原始數(shù)據(jù)進行分解后分別采用自預(yù)測和BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測，提高了爬坡預(yù)測的精度。

3.2 基于大數(shù)據(jù)的深度學(xué)習(xí)預(yù)測

深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支。主要特點是通過多層次的學(xué)習(xí)而得到對于原始數(shù)據(jù)的不同抽象層度的表示，進而提高分類和預(yù)測等任務(wù)的準確性。深度學(xué)習(xí)的一個重要特點是不需要人工輸入或標注特征(標簽)，而是通過海量數(shù)據(jù)自動學(xué)習(xí)特征，也就是無監(jiān)督學(xué)習(xí)，所以深度學(xué)習(xí)常常和大數(shù)據(jù)聯(lián)系在一起[33-35]。深度學(xué)習(xí)具有強大的搜索計算能力，為提高風(fēng)電功率預(yù)測的準確性增加了一種可行的方法。目前深度學(xué)習(xí)已在電力系統(tǒng)的靜、動態(tài)安全評估、故障診斷、負荷預(yù)測、線損計算、經(jīng)濟調(diào)度控制策略等方面開展應(yīng)用。

與傳統(tǒng)前饋人工神經(jīng)網(wǎng)絡(luò)相比，深度學(xué)習(xí)使用多個隱含層，前一層可使用無監(jiān)督學(xué)習(xí)算法獲得數(shù)據(jù)特征，輸入到下一個隱含層，從而通過多個隱含層逐步抽象出數(shù)據(jù)特征。所以深度學(xué)習(xí)算法有強大的處理非線性問題和特征提取的能力，適合處理具有非線性和非平穩(wěn)特征的風(fēng)電功率時間序列。

大數(shù)據(jù)是深度學(xué)習(xí)應(yīng)用的基本條件。大數(shù)據(jù)理論可以對全時空數(shù)據(jù)集合內(nèi)關(guān)聯(lián)關(guān)系進行有效識別和提取，一定程度上彌補物理因果關(guān)系分析的不足，但當(dāng)前電力系統(tǒng)已有的數(shù)據(jù)采集系統(tǒng)還難以完全滿足應(yīng)用需求，如何獲取高質(zhì)量的全時空數(shù)據(jù)集，仍然制約著這一技術(shù)的應(yīng)用。

文獻[36]將層疊受限玻爾茲曼機深信度網(wǎng)絡(luò)用于風(fēng)電功率預(yù)測，取得了不錯的預(yù)測效果。

3.3 預(yù)測評價

投入商業(yè)運行的風(fēng)電場需要接受國家能源部門的監(jiān)管，滿足電網(wǎng)的調(diào)度要求，對風(fēng)電場運行是否滿足調(diào)度并網(wǎng)要求進行獎懲。對常規(guī)風(fēng)功率點預(yù)測的評價標準主要有平均絕對誤差(average absolute error,MAE)、均方誤差(mean square error, MSE)、均方根誤差(root mean square error ,RMSE)、標準差(standard deviation error, SDE)等。MAE表示預(yù)測誤差的實際情況；MSE和RMSE表示誤差的分散程度；SDE表示誤差分布的標準差估計。國家能源局發(fā)布的《風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法》中要求，風(fēng)電場功率預(yù)測系統(tǒng)提供的日預(yù)測曲線最大誤差不超過25%，實時預(yù)測誤差不超過15%，全天預(yù)測結(jié)果的RMSE應(yīng)小于20%。

概率性風(fēng)功率預(yù)測的評價標準主要從概率性預(yù)測結(jié)果的可靠性和預(yù)測區(qū)間應(yīng)盡量窄兩方面考量。即要求風(fēng)功率落在預(yù)測區(qū)間的概率應(yīng)盡可能接近置信度，且不確定性盡量集中，若預(yù)測區(qū)間過大，將對決策沒有任何意義。

當(dāng)前風(fēng)電預(yù)測模型理論高精度和應(yīng)用時的實際精度之間存在著一條鴻溝，該問題影響了風(fēng)電預(yù)測模型的工程實際應(yīng)用。對風(fēng)電預(yù)測方法的正確評價，是彌合這條鴻溝的重要手段。當(dāng)前文獻中最常見的MAE、MSE比較法，可能存在著受結(jié)果隨機性干擾、透支使用建模以外數(shù)據(jù)、不能評價不對稱損失等問題。

IEEE PES能源預(yù)測工作組長期致力于預(yù)測評價方面的研究，結(jié)合三屆(2012，2014和2017)具有廣泛影響力的全球能源預(yù)測競賽對該問題進行了一系列有價值的探索[37-38]。

CIGRE C1.32工作組針對包括預(yù)測評價在內(nèi)的能源預(yù)測技術(shù)開展了廣泛的國際調(diào)研工作,通過深入分析調(diào)查問卷后發(fā)現(xiàn)：風(fēng)電等新能源發(fā)電技術(shù)的大量應(yīng)用將對能源預(yù)測帶來深遠的影響[39]。

4 結(jié)論

文中從風(fēng)電功率的特點出發(fā)，對風(fēng)電功率預(yù)測進行了分類歸納，對不同預(yù)測方法的發(fā)展水平進行了梳理和總結(jié)，對風(fēng)電功率預(yù)測的研究熱點進行了探討，得出以下結(jié)論：

(1) 風(fēng)功率預(yù)測的主要目標是盡可能快速準確的提供預(yù)測值，減少棄風(fēng)，優(yōu)化調(diào)度計劃和機組組合，使風(fēng)電機組盡可能多的并網(wǎng)。

(2) 統(tǒng)計學(xué)習(xí)預(yù)測方法在超短期、短期預(yù)測風(fēng)功率預(yù)測領(lǐng)域廣泛使用，但在某些復(fù)雜地形、范圍較大風(fēng)電場的預(yù)測中，與物理預(yù)測方法結(jié)合使用，預(yù)測效果會更優(yōu)。

(3) 概率性風(fēng)電功率預(yù)測是未來風(fēng)電預(yù)測的重點研究方向，該方法能對風(fēng)電功率預(yù)測不可避免的預(yù)測誤差提供較為詳細的描述，為電力系統(tǒng)運行控制提供更加全面的風(fēng)電功率信息支撐。

(4) 風(fēng)電功率爬坡事件預(yù)測能降低發(fā)生爬坡事件時對電力系統(tǒng)的影響，在對風(fēng)電功率進行預(yù)測的同時，也要對爬坡事件進行識別。目前爬坡預(yù)測研究處于起步階段，是需要關(guān)注的重要研究方向。

(5) 大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)的發(fā)展對提高風(fēng)電在不同時間尺度和空間的預(yù)測精度有積極作用。

(6) 提高預(yù)測精度一直是風(fēng)電預(yù)測領(lǐng)域追求的目標。隨著預(yù)測模型的逐漸完善和新模型的提出，預(yù)測精度逐步提高，RMSE從30%以上降到10%以下，但精度提高的程度日漸式微，風(fēng)能本身具有的強隨機性、強波動性和間歇性是實現(xiàn)這一目標的主要困難，也是未來一段時間研究的重點。