由于風力發(fā)電的間歇性、隨機性和波動性，給電網的安全穩(wěn)定運行帶來了挑戰(zhàn)。對風力發(fā)電功率進行有效預測，可以幫助電網調度部門做好各類電源的調度計劃，提高電網運行的穩(wěn)定性，同時也可以提高電網消納風電的能力，進而減少了由于限電給風電開發(fā)商帶來的經濟損失，增加了風電場投資回報率。風電功率預測不僅為電網的調度計劃提供依據，同時也能為風電場的管理工作提供輔助手段。
　　國家能源局2011年6月發(fā)布《國家能源局關于印發(fā)風電場功率預測預報管理暫行辦法的通知》(國能新能[2011]177號)，通知對風電場功率預測提出要求，根據辦法第九條要求，風電場功率預測系統提供的日預測曲線最大誤差不超過25%;實時預測誤差不超過15%。全天預測結果的均方根誤差應小于20%。
　　在此文件的指導下，近年來，各省/區(qū)電網調度中心對所轄區(qū)域內風電場功率預測精度提出了考核機制，如山西、河北等省，新疆地區(qū)也從2015年開始進行精度考核?？己藱C制的細化和落實，對風功率預測精度提出了更高的要求，各風電場為避免被處罰，必須配置穩(wěn)定的、高精度的風功率預測系統。
　　“高精度風電功率預測系統”是以高精度數值氣象預報為基礎，搭建完備的數據庫系統，利用各種通訊接口采集風電場集控和升壓站數據，采用人工智能神經網絡、粒子群優(yōu)化、風電信號數值凈化、高性能時空模式分類器及數據挖掘算法對各個風電場進行建模，完成對風電場的短期風電功率預測、超短期風電功率預測工作。系統要能夠提供人性化的人機交互界面，方便查看歷史數據和實時預測數據。
　　高精度數值天氣數據是以中尺度模式數值氣象預報數據為基礎，結合風電場微觀選址及針對不同地域特點的參數化方案，經過大規(guī)模并行分布式計算機集群的模式計算優(yōu)化后得到高精度的中小尺度數值天氣預報，作為風功率預報的基礎。
　　風功率預測中，對風電場進行數學建模是最關鍵的一個環(huán)節(jié)。根據預測時采用的數學模型不同分為物理模型、統計模型。物理模型是在風電場物理環(huán)境和風功率之間建立一種聯系，該方法中，需要對風電場的地形、粗糙度、周圍障礙物等進行建模，將數值天氣預報中風速、風向、氣壓、氣溫等氣象值換算成風電機組輪轂高度的相應數值，然后結合風機本身的功率曲線預測每一個風機的功率，并考慮風機間尾流影響，綜合得到整個風電場的風功率。該方法優(yōu)點是不需要長期積累大量測量數據，缺點是需要充足的氣象知識，對模型的精確度要求較高，預測效果不太理想。
　　統計模型方法是在模型的輸入(數值天氣預報和風電場的其它測量數據)和模型的輸出(風電場預測功率)之間建立一種映射關系。統計方法的優(yōu)點是預測誤差小，缺點是需要長期的測量數據以訓練模型參數，此外，當天氣狀況發(fā)生突變時，系統的預測精確度就會下降，因此對這些突然變化的天氣狀況進行修正是很重要的，否則將會產生較大的預測誤差。常見的統計模型有：智能神經網絡、卡爾曼濾波、時間序列等方法。
　　結合上述兩種建模方式，可以采用混合建模，在現有時間序列模型下，采用人工智能技術，引入概率統計學理論以及智能優(yōu)化算法，針對電場地形及氣候特點，細化建模，加深建模深度，實現復雜性建模，提高風電場功率預測的精度。
　　總之，隨著各地對風電場功率預測系統的考核機制逐步落實和推行，對風功率預測精度提出了更高的要求，各風電場未來將更多的關注穩(wěn)定的、精度高的預測系統，這也將促進國內風電場功率預測技術的進一步發(fā)展和提升。