考虑地形影响的短期风电功率预测(3)
(3) 随机时间序列法
随机时间序列法是基于历史数据来建立预测模型，然后通过调整参数、训练模型、改
进和检验模型，再确定一个能够与所研究时间序列的输入和输出相吻合的数学模型，用这
个模型来预测风速或功率。该方法只要知道单一的风速或功率的时间序列就可以建立模型，
对于时间尺度是超短时预测的情况，随机时间系列法预测结果较为精确。此方法使用最多
的是累计式自回归滑动平均模型(ARMA方法)[5-7]。
(4) 模糊逻辑法
模糊逻辑法是根据预报人员的专业知识，利用语言运用模糊逻辑把数据形成模糊规则
库，再选择一个合适的数学模型，逼近非线性动态变化的风速。该方法预测的准确程度很
大程度上依赖于预报人员的专业水平，具有较强的主观性，其普适性相对比较差。在风电
功率预测方法中，单独使用这种方法对风功率进行预测的例子比较少见，通常是用模糊逻
辑结合其他预测方法进行预测。
(5) 空间相关法
空间相关法是通过空间中附近几点的风速数据， 考虑空间各点的延时后进行风速预测。
在运用空间相关法时，有必要在风电场内设置几个测风点， 再通过每个测风点的实测数据，
考虑各点之间的时间和空间关系以后，对风电场的风速进行预测。空间相关法需要考虑时
间上的连续性和地形的复杂性，这为风速的精确预测造成了很大的困难。目前，空间相关
法正处于研究阶段，离实际运用还有一段距离[8-10]。
(6) 卡尔曼滤波法 这种方法适用于实时风速预测[11-12]
。它是把风速作为状态变量，构建状态空间模型，
用卡尔曼滤波算法来预测实风速，该方法是在假设噪声的统计特征已知的前提下得出的，
实际上估算噪声的统计特征是应用卡尔曼滤波法的难点所在。
1.2.2 物理方法
物理方法是考虑实际物理信息的预测方法，物理信息主要包括地面障碍物、地表粗糙
度等地理信息和风电场的地形信息，以及数值天气预报提供的风速、风向、气温、气压和
湿度等气象信息。根据这些物理信息，运用计算流体力学(CFD)的计算方法，计算得出每
台风力发电机轮毂高度处的风速、风向、湿度和温度等信息，然后根据每台风力发电机的
功率曲线计算每台风力发电机的输出功率，再算出整个风电场的输出功率，尾流效应的影
响在物理方法中必须被考虑。在用物理方法预测时要进行大量的数值计算。
1.3 国内外研究现状
风功率预测的分类标准很多，根据使用数值气象预报(Numerical Weather Prediction,
NWP)与否，短期风电功率预测可以分为两类：一类是使用NWP 的预测方法，另一类是不
使用气象预报的预测方法，称为基于历史数据的预测方法[1]
。
欧洲以及美国等风电发展较为成熟的地区，已经研发出多个短期风电功率预测系统并
交付使用，如丹麦里索国家实验室开发的 Prediktor，德国 Eurowind GmbH开发的SOWIE
系统和 University of Oldenburg开发的 Priviento，这三个系统使用的都是物理模型方法；另
一个物理模型方法的例子是美国 TrueWind 开发的 Ewind 模型，但后面又用自适应统计方
法来减小系统误差。丹麦技术大学开发的WPPT(Wind Power Prediction Tool)系统，使用自
回归统计方法；德国ISET开发的 WPMS(Wind Power Management System)系统，使用神经
网络(ANN)方法；英国Garrad Hassan公司开发的 GH Forecaster功率预测系统，使用自适
应统计回归分析方法，这三个系统使用的都是统计方法。这些系统都属于使用数值气象预