南方电网五省区风电发展规模和程度不同，各省区的风电装机容量和风电场数量差别较大，如表1所示^[10]。广东和云南风电发展较早，目前已进入风电装机稳定增长阶段。广东属于亚热带海洋性季风气候，全省可开发利用的风能资源主要分布在粤东至全省沿海各地、近海海上及南岭山脉、云开山脉部分内陆高山区域。2013年底，广东电网风电装机容量约1 529 MW，占统调装机容量约1.8%。风电场主要分布在珠海、江门、汕头、湛江、清远、阳江、揭阳、潮州、汕尾等9个地区。其中又以汕头、揭阳、江门、阳江等沿海地区装机容量较大，分别为335 MW、213 MW、251 MW、223 MW。2014年，广东电网风电装机将保持快速稳定增长，除沿海地区外，河源、云浮、韶关等内陆地区也将加入风电并网行列。预计于2014年底，风电装机容量可达1 694 MW，占统调装机容量约1.9%。每年10月起，云南受青藏高原南部形成的高空强西风急流影响，主导风向为西南风，大部分风电场建于山区，风机沿山脊单列或交错布置。海南风资源主要集中在西部海域及其周边地区，风电场大多临海而建，具有瞬时能量密度大、年有效风时不稳定、易受灾害性天气影响等临海风资源特点。贵州和广西都属于风资源贫乏地区，有效风能密度在50 W/m²以下。贵州风资源主要分布在中西部地区的乌蒙山和苗岭一带。广西同样以山地风电场为主，兼有少量沿海滩涂风电场。

对风电场的地理和气候特点进行分析有助于明确预测系统应用扩展研究的侧重点。由上文所述，南方电网地区风电场功率预测系统需要适应海岸和山地等复杂局部环境，且这些地区往往出现较多极端恶劣的风速条件，对预测系统预测精度提出挑战。

影响风电出力的风资源变化由大尺度季风和局地小尺度循环法叠加引起。就日前及超短期时间尺度而言，风电场范围风资源特性主要表现局地小尺度特征。如上节所述，南方电网区域内典型风资源以山地风和海岸风为主，下文将分别就二者特性进行论述。

山地风电场往往将风电机组沿各迎风面山脊由高到低布置，从而捕获更多风能。影响风电出力的风资源昼夜变化模式主要由山脊两端温差所导致的空气运动引起，清晨和傍晚一般是山脊上下温差最大的时段，此时风力较大。风资源昼夜变化模式更多地是从能量角度解释风资源变化特性，在中长期时间尺度具有统计意义。对于风电功率预测更有价值的特定时空尺度风资源波动性则相对更加复杂，不具有明显的日统计特征。从空间角度来看，山区风电场与其它地理类型风电场的显著区别是各风电机组利用风资源的相对高度差别明显，因此，不同高度间风资源的相关性分析对山区风电场的功率预测较有价值。表2给出了不同高度风速相关性对比，同一地点不同高度风速相关性较高，说明沿同一山脊布置风电机组出力具有较高的相关性。

南方电网将大力发展海上风电，但就现阶段而言，对海洋风能的利用仍以临海风电场为主，主导风资源为海岸风。一般情况下，海上风资源与内陆风资源相比，平均风速更高，风速更加平稳，小时级波动性较小。同时，受海水、陆地比热不同的影响，近海海上风资源同样具有昼夜变化模式，夜晚平均风速大于白天^[11]。受陆地因素影响，海岸风资源和海上风资源变化特性有所不同。图1给出了海岸风三日变化情况样例，可以看出快速大幅度的风速变化时常发生，变化范围可跨越风电机组的切入风速和切出风速，对风电功率波动影响巨大。

图  1  海岸风三日变化情况

Figure 1.  Wind Speed Variation at Onshore Area for Three Days

用于分析风速分布特性的函数，包括瑞利分布、对数正态分布、威布尔分布等。其中，瑞利分布适用于风速稳定的特定地点，且具备一年以上风速数据的风电场；对数正态分布为中心对称的函数，与实际风速分布有一定的误差；威布尔分布(Weibull Distribution)对不同形状的频率分布有较好的适应性，几乎能够涵盖瑞利分布和正态分布，见图2。

图  2  平原某风电场实际风速威布尔拟合曲线

Figure 2.  Weibull Fitting Curve of Actual Wind Speed in a Plain Wind Farm

威布尔分布是一种单峰的，两参数的分布函数，其概率密度函数为：

根据威布尔分布的函数，可以知道风速小于v_g的累计概率密度分布为：

对于风电功率预测所对应时间尺度，风电机组出力主要由局地风资源决定，与机组的转动惯量和控制策略关系不大^[12]。风电功率预测技术重要环节之一是风电场功率输出模型，目的是建立从风资源到风电出力的转化关系，常用的手段是利用多台风电机组的均值平滑来消除单一机组样本中异常数据和在理论功率曲线四周分散的影响。

图3给出了双馈风电机组实测风速-功率散点图，对于这种样本分散度较大的情况，风电场功率输出模型的平滑效果也会比较有限，建模精度难以保证。与北方大型风电基地异常数据主要由限电造成相比，南方电网风电场功率散点图上的分散样本主要由两方面原因造成：第一是海岸和山区等地风电场运行环境较为恶劣，尤其是通信线路和设备检修条件在实际现场难以达到需求；第二是雨雾等特殊天气条件对气象测量装置量测准确度的影响，特别是量测敏感度较高的装置，例如风机测风仪。

图  3  双馈风电机组实测功率输出

Figure 3.  Actual Power Output of a DFIG

上文分析了南方电网区域内典型风资源特性和风电实际出力分散性对风电功率预测系统扩展应用的影响。按照电网相关标准规定的要求，南方电网范围内运行的风电功率预测系统可以从功能流程角度分为三个主要技术环节：多输入数据源，功率预测建模和预测结果展现，同时每个技术环节均包含多个不同的具体子技术选项，如图4所示。从实用性角度出发，风电功率预测系统应用扩展性研究框架将围绕系统流程技术环节展开，基本思想在每个主要环节是灵活组合各项子技术选项，从而达到最佳预测效果。

图  4  风电功率预测系统主要技术环节

Figure 4.  The Flow Chart of Key Technical Components in WPFS

风电功率预测系统的运行需要各类输入数据源的辅助支持，其中最重要及常见的三类输入数据分别是数值天气预报数据、实时风电场运行数据和实时气象观测数据。为了提升预测精度，同一类数据可能具有多种量测渠道，输入数据种类集合不断扩充。因此，输入数据冗余度的上升将难以避免。例如，对于气象观测数据，南方电网区域内风电场基本都具备至少两种数据获取渠道：风机测风仪观测和风电场测风塔观测。功率数据的量测同样具有冗余性，风机监测系统和SCADA系统风电场升压站监测都可获取风电功率数据。考虑到风电场较为恶劣的运行环境，数据冗余的存在可以从两方面帮助提升功率预测系统的应用可扩展性，一是不同数据获取渠道互为备用，二是作为异常数据筛选的依据。对于后者而言，可以使用假设检验的方法识别坏数据。先对原始数据的特征做出某种假设，以基本假设H₀的形式提出，如假设样本属于正常范畴，并规定显著性水平α(0<α<1)，然后假设H₀的否定域V是一切可能的样本集合，可以通过和冗余数据差值的极端分布获取。建立检验标准：在H₀成立的条件下，事件A＝{样本值落入V}的概率不大于α：

把待辨识的数据看作对原始数据总体随机抽样得到的样本，若样本值属于V则否定H₀认为存在不良数据，否则不否定假设。假设检验作为一种基于概率方法，存在漏检和误检的可能。

功率预测建模环节的应用可扩展性可以通过物理方法和统计方法的组合实现。图5给出了海南某风电场不同预测方法在不同预测时间尺度的平均误差水平对比。ARIMA法是一种典型的统计方法，广泛应用于国内超短期风电功率预测系统(预测时间尺度一般为4小时)。该方法在1～2 h时间尺度预测效果较好，但预测误差随预测时间尺度的增长快速增大。与统计方法主要依靠时间序列外推不同，基于NWP的人工神经网络方法具有分布式信息存储与处理结构，适合处理复杂的非线性映射问题，只是对矛盾样本的容错能力不够。

图  5  基于神经网络的风电功率预测建模

Figure 5.  Wind Power Forecasting Models Based on Neural Network

依据上述特点，可以根据在全预测时间尺度综合两类预测方法的优势，更好地利用风资源在不同时间尺度的变化特点，从而提升预测精度。

基于平原某一个风电场一年的历史数据和NWP数据，分别进行基于以上两类方法进行建模，图6中，综合ARIMA法和NWP法可以在6小时内取得降低预测误差的平均效果。

图  6  不同时间尺度不同预测方法误差对比

Figure 6.  A Comparison of Rmse (Root Mean Square Error) of Different Forecasting Models at Various Forecasting Horizons

点预测、概率预测和区间预测是三种主要的预测结果展现形式，功率爬坡预测则是近年来的研究热点^[13]，其中点预测最为基本，也是大多数预测相关技术标准和预测系统用户最为关注的展现形式。然而，目前我国风电功率预测系统的现场实际点预测精度很多无法到达标准和业主的要求，极大制约了点预测的应用价值。概率预测和区间预测主要用来衡量预测结果的不确定度，从而帮助用户合理使用预测结果。图7给出了某风电场的概率预测结果，某些情况下，由于风资源波动特性及预测精度有限，预测结果误差带较宽，90%置信区间几乎可以覆盖从零到满发的全功率段，这种情况概率预测和区间预测将丧失其应用价值。本文第2节讨论的风资源波动特性和风电出力特性可以用于指导预测结果展现的应用可扩展性。例如，海岸风电场常见快速大幅值的功率波动情况，还可能发生台风等极端天气，此时功率爬坡预测则更为重要，可以结合其它预测结果展现形式给予用户最大的使用价值。

图  7  某风电场90%置信区间预测

Figure 7.  A Demo of Interval Forecast with 90% Confidence Interval

风电功率预测系统应用扩展性研究目的是使预测系统能在复杂而多变的实际现场应用场景下保持一定精度水平，从而满足系统用户需求，这对于南方电网区域内风电功率预测系统在不同地理类型风电场的推广工作具有十分重要的价值。目前国内数值天气预报集合预报业务尚且难以满足风电功率预测需求，本文基于南方电网区域内典型风资源分析和风电出力特性分析，建立了风电功率预测系统应用扩展性研究框架。预测系统的应用扩展围绕其功能流程的三个主要技术环节提高：多输入数据源、功率预测建模和预测结果展现。该项工作可以用于在数值天气预报精度有限的条件下改善预测精度，并且提供预测系统各技术环节中子技术选项的灵活组合方案，提高预测系统在工程现场的应用价值。

目前，南方电网某风电场的功率预测系统部署工作已经基本完成，各项数据的积累工作持续进行中。本文的工作为将来功率预测系统实际应用效果的后评估奠定了很好的基础，这部分工作将在样本收集工作完成后开展。