2. 风电出力特性：风速的随机性与间歇性，风电功率预测技术，风电出力对电力系统的影响

各位好，我是老张。在电力市场摸爬滚打了十几年，今天咱们聊聊风电的“脾气”。你想想看，风这个东西，它不像煤，说烧就烧；也不像水，说放就放。风是老天爷给的，它高兴了就刮一阵，不高兴了就歇着。这就是咱们搞风电最头疼的地方——随机性与间歇性。

2.1 风速的随机性与间歇性

先说随机性。风速的大小和方向，在时间和空间上都是随机的。我举个例子，你站在一个风电场里，这一秒风速是8米/秒，下一秒可能就掉到3米/秒了。这种变化毫无规律可言。我个人习惯把这种随机性比作“醉汉走路”——你永远猜不到他下一步往哪儿迈。

再说间歇性。间歇性是指风速会在一段时间内持续很低，甚至为零。比如夏天午后，很多地方会出现“静风期”，风机就转不动了。我在内蒙古的一个项目上遇到过，连续三天风速低于切入风速，整个风电场几乎零出力。那叫一个尴尬。

2.2 风电功率预测技术

既然风这么不听话，那咱们就得想办法“猜”它下一步要干嘛。这就是风电功率预测。说白了，就是给风“算命”。目前主流的方法有三种：物理法、统计法、学习法。

2.2.1 物理法

物理法，就是基于大气物理学原理，用数值天气预报（NWP）的数据来推算风速和功率。它的优点是物理意义明确，适合长期预测（比如未来3-7天）。但缺点也很明显——计算量大，而且对地形复杂的区域，误差很大。我曾经在山区风电场用过物理法，结果预测值和实际值差了30%以上。嗯，这里要注意，物理法更适合平坦地形。

2.2.2 统计法

统计法，说白了就是“用历史数据说话”。它不关心风是怎么来的，只关心历史风速和功率之间的关系。常用的模型有ARIMA、卡尔曼滤波等。统计法的优点是计算快，适合短期预测（比如未来几小时）。但它的缺点也很致命——一旦天气系统发生突变，模型就“懵”了。我记得有一次，一个冷锋过境，统计法模型完全没反应过来，预测功率比实际低了40%。

2.2.3 学习法

学习法，就是现在很火的机器学习。用神经网络、支持向量机、随机森林等算法，从海量数据中“学习”风速和功率的关系。它的优点是精度高，尤其是对非线性关系的拟合能力很强。但缺点是需要大量高质量的历史数据，而且模型的可解释性差。你问它“为什么这么预测？”，它说不出来。

下面我画了一张图，帮你理清这三种预测方法的关系：

2.3 风电出力对电力系统的影响

风电的随机性和间歇性，对电力系统的影响是深远的。我把它总结为三个层面：

2.3.1 对系统调频的影响

传统火电机组可以快速响应频率变化，但风电不行。风速一变，出力就变，系统频率就会波动。如果风电占比高了，系统调频压力会非常大。我曾经在西北电网看到过，风电出力在10分钟内波动了50%，调度员急得直冒汗。

2.3.2 对系统调峰的影响

风电的“反调峰”特性很让人头疼。什么意思呢？就是白天用电高峰时，风可能不大；晚上用电低谷时，风反而很大。这就导致火电机组需要频繁启停来配合风电。嗯，这里要注意，频繁启停对火电机组的寿命影响很大。

2.3.3 对系统备用的影响

因为风电预测不准，系统必须预留更多的旋转备用容量。说白了，就是多开几台火电机组“空转”，以防风电突然掉下来。这直接增加了系统的运行成本。我算过一笔账，一个100万千瓦的风电场，可能需要预留20-30万千瓦的旋转备用。

好了，这一章的内容就到这里。风电的“脾气”咱们算是摸清了。下一章，咱们聊聊风电参与辅助服务市场的具体机制。