一、风电并网功率预测概述

1.1 为什么需要功率预测？

说实话，这个问题我当年刚入行时也问过自己。

风电场建好了，风机转起来了，电也发了——那为什么还要费劲去做预测？

嗯，这里有个关键点：电网不是你想并就能并的。

我参与过几个大型风电场的并网调试，印象最深的是西北那个项目。当时调度那边直接跟我说：“你们的风电，说白了就是‘看天吃饭’。今天风大，突然满发；明天没风，直接趴窝。你让我怎么调度？”

你看，问题就出在这里：

• 风电具有强随机性——风速说变就变，功率跟着上蹿下跳
• 反调峰特性——白天用电高峰时，风偏偏小；晚上用电低谷时，风反而大
• 对电网冲击大——大规模风电并网，频率和电压稳定性都会受影响

我个人的习惯是，把功率预测比作“风电场的天气预报”。你想想看，调度中心拿到你的预测数据，才能提前安排火电、水电的出力，才能保证整个电网的平衡。

1.2 功率预测的定义

功率预测，说白了就是：利用历史数据和气象信息，预估未来一段时间内风电场的输出功率。

这里有几个关键参数：

参数	说明
预测时间尺度	超短期（0~4小时）、短期（0~72小时）、中长期（周/月）
预测分辨率	通常为15分钟或1小时一个点
预测误差	常用RMSE（均方根误差）、MAE（平均绝对误差）衡量

我记得有一次，某风电场因为预测误差太大，被电网罚款了。后来我们复盘发现，问题出在——他们把“超短期预测”和“短期预测”混为一谈了。超短期看的是未来几小时，主要靠实时风速外推；短期看的是未来几天，必须依赖数值天气预报（NWP）。

1.3 功率预测的分类

目前主流的预测方法，我把它分成三大类。咱们一个一个说。

1.3.1 物理法

物理法，说白了就是“从风到电”一步步算出来。

流程大概是：

1. 获取数值天气预报（NWP）数据——风速、风向、温度、气压
2. 考虑地形、粗糙度、尾流效应——修正到风机轮毂高度
3. 通过风机功率曲线——把风速换算成单机功率
4. 累加所有风机——得到全场总功率

我在内蒙古的一个项目用过物理法。那个风场地形特别复杂，有山丘、有沟壑。物理法最大的好处是——不需要历史数据，新风场也能用。但缺点也很明显：建模复杂，误差累积大。

1.3.2 统计法

统计法，就是“用数据说话”。

核心思路：找到历史功率数据和气象数据之间的映射关系。

常用的方法有：

• 时间序列法——ARIMA、卡尔曼滤波等
• 机器学习法——支持向量机（SVM）、随机森林、神经网络
• 深度学习法——LSTM、CNN、Transformer

举个例子，我曾经用LSTM做过一个短期预测项目。代码大概长这样：

# 一个简单的LSTM功率预测模型
import numpy as np
from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(64, input_shape=(lookback, n_features)))
model.add(Dense(1))  # 输出预测功率
model.compile(optimizer='adam', loss='mse')

统计法的优点是——精度高、实现快。但缺点也很致命：需要大量高质量历史数据。新风场数据不够，模型就“学不出来”。

1.3.3 混合法

混合法，就是把物理法和统计法结合起来。

为什么要混合？因为——物理法擅长处理物理机理，统计法擅长拟合数据规律。两者互补，效果往往1+1>2。

常见的混合方式：

• 串行混合：先用物理法算出初步结果，再用统计法修正误差
• 并行混合：物理法和统计法各自独立预测，最后加权融合
• 嵌入混合：把物理约束嵌入到神经网络中（比如PINN）

我个人比较推荐串行混合。为什么呢？因为物理法给出的结果虽然不准，但趋势是对的；统计法擅长“纠偏”。两者结合，既保证了物理合理性，又提高了精度。

1.4 三种方法的对比

方法	优点	缺点	适用场景
物理法	无需历史数据，物理可解释性强	建模复杂，误差累积大	新风场、数据不足时
统计法	精度高，实现快	依赖历史数据，易过拟合	数据充足、运行稳定的风场
混合法	综合两者优势，鲁棒性好	模型复杂，调参困难	对精度要求高的场景

1.5 知识体系总览

下面这张图，是我自己总结的功率预测知识体系。你一看就明白了：

这张图把整个知识体系串起来了。你从“为什么需要”出发，到“定义”，再到“三大分类”，最后落到“核心目标”——这就是功率预测的完整逻辑链。

---

公众号:蓝海资料掘金营，微信deep3321