一、风电功率预测概述
大家好，我是老张。在风电行业摸爬滚打了十几年，今天咱们聊聊功率预测这件事。
说实话，我刚入行那会儿，大家对预测这事并不重视。觉得风来了就发电，没风就歇着，有啥好预测的？直到有一次，电网调度打电话来骂人——说我们场站突然降功率，差点造成局部电网崩溃。嗯，从那以后，我再也不敢小看预测了。
1.1 风电功率预测的定义与意义
风电功率预测，说白了就是提前算出风电机组在未来一段时间能发多少电。你想想看，风这东西飘忽不定，电网调度却需要提前知道明天能并多少电、要不要启动备用火电机组。
我个人习惯把预测比作「天气预报的延伸」。只不过，我们不光要看风速，还要考虑机组状态、地形影响、尾流效应等等。
核心意义有三点：
- 电网安全：提前预判功率波动，避免冲击电网
- 经济调度：减少备用容量，降低运营成本
- 市场交易：在电力现货市场中，预测越准，收益越高
我在项目中遇到过这样一个案例：某风电场因为预测偏差大，被电网罚款一年就超过200万。后来我们优化了预测模型，罚款直接降到20万以内。你看，这就是预测的价值。
1.2 预测的时间尺度分类
预测不是一刀切的。不同时间尺度，用的方法、关注的重点都不一样。
| 分类 | 时间范围 | 主要用途 | 常用方法 |
|---|---|---|---|
| 超短期 | 0~4小时 | 实时调度、AGC控制 | 时间序列、机器学习 |
| 短期 | 4小时~3天 | 日前调度、市场交易 | 数值天气预报+统计 |
| 中期 | 3天~2周 | 检修计划、储能调度 | 集合预报、气候模式 |
| 长期 | 月/季/年 | 投资规划、风资源评估 | 气候统计、再分析数据 |
超短期预测，我习惯叫它「看眼前」。主要靠历史数据和实时监测，比如过去15分钟的功率变化趋势。我曾经用LSTM模型做过一个超短期预测，效果比传统ARIMA好不少，但训练时间也长——嗯，这里要注意，实时性要求高的场景，模型不能太复杂。
短期预测，这是电网调度最关心的。为什么？因为电力市场通常提前一天就要报量。我记得有一次，某风电场用欧洲中心的数值天气预报，结果风速预测偏差了3m/s，直接导致第二天发电量少报了30%。从那以后，我建议至少对比三家气象数据源。
中期和长期预测，说实话，精度有限。但做规划时又不得不用。我的经验是：中期预测看趋势，别太纠结具体数值。
1.3 预测的物理基础：风速-功率曲线
所有预测的根基，就是风速-功率曲线。你想想看，风能转换成电能，中间有个非线性关系。
标准的风速-功率曲线长这样：
风速(m/s) | 功率(kW)
----------------------
3 | 0 (切入风速)
5 | 150
8 | 500
12 | 1500 (额定功率)
25 | 0 (切出风速)
但实际运行中，曲线会「漂移」。为什么？
- 叶片结冰：功率下降10%~30%
- 空气密度变化：高原地区影响明显
- 尾流效应：下游机组功率降低
- 机组老化：齿轮箱效率下降
避坑指南：我曾经直接用厂家给的曲线做预测，结果误差大得离谱。后来实测发现，实际曲线和理论曲线偏差超过15%。所以，我建议用SCADA数据重新拟合曲线，至少每季度更新一次。
1.4 预测误差的来源分析
预测不准，原因很多。我总结了几大类：
- 气象数据误差：数值天气预报本身就有偏差，尤其是复杂地形区域
- 模型误差：再好的模型，也无法100%拟合真实物理过程
- 数据质量：SCADA数据缺失、异常值、通信中断
- 机组状态：故障停机、限功率运行、检修维护
- 外部因素：电网限电、市场规则变化
特别注意：很多新手只关注模型精度，忽略了数据质量。我见过一个项目，花了大价钱买算法，结果数据预处理没做好，预测误差反而比简单模型还大。记住：垃圾进，垃圾出。
我个人习惯把误差分析做成一个「误差归因表」，每次预测偏差超过10%，就逐项排查。这样做久了，你就能摸清自己场站的「脾气」——比如，哪个风向的预测最不准，哪个季节的误差最大。
好了，这一章的内容就到这里。记住一句话：预测不是万能的，但没有预测是万万不能的。下一章咱们聊聊数据预处理——那才是预测工作的第一步。