2. 风电功率预测的基本原理

风电功率预测的核心任务，是在给定时间尺度上估计未来某时段风电机组或风电场的输出功率。无论采用哪种方法，其基本链条都可以概括为：获取气象与运行数据 → 建立从气象条件到功率的映射 → 输出预测值并评估误差。不同方法的区别，主要在于这条映射链的构建方式、依赖的数据类型以及适用的时间尺度和场景。

理解三类方法之前，先明确一个关键参照：预测的时间尺度。超短期预测通常指未来0～4小时，主要用于实时调度和AGC协调；短期预测指未来24～72小时，用于日前发电计划和市场申报；中长期预测则用于检修安排和电量评估。时间尺度不同，主导的物理过程不同，方法的适用性也不同。

物理方法：从大气运动到轮毂高度功率

物理方法不依赖大量历史功率数据，而是以数值天气预报（NWP）为输入，通过物理模型逐级推算风电场输出。其典型流程是：NWP给出不同高度层的气压、温度、风速风向 → 降尺度到风电场所在网格 → 将风速从NWP高度外推到轮毂高度 → 通过功率曲线将轮毂风速转换为功率 → 考虑尾流、地形和机组可用率进行修正。

其中，风速外推常用幂律或对数律。例如，已知10 m高度风速为6.0 m/s，轮毂高度为90 m，风切变指数取0.14，则轮毂高度风速约为：

v_hub = v_ref × (h_hub / h_ref)^α
      = 6.0 × (90 / 10)^0.14
      ≈ 6.0 × 1.37
      ≈ 8.2 m/s

再查该机型功率曲线，若8.2 m/s对应输出约1.8 MW，则单机预测功率约为1.8 MW。物理方法的优势在于可解释性强、不依赖历史功率数据，适合新建风电场或历史数据不足的场景；缺点是NWP误差会逐级传递，且对复杂地形、局地湍流和尾流效应的刻画有限，短期预测精度往往不如统计方法。

统计方法：从历史数据中学习映射关系

统计方法直接建立气象预报因子与实测功率之间的统计映射，常见形式包括持续法、线性回归、时间序列模型和卡尔曼滤波。持续法假设未来功率等于当前功率，在超短期（0～1小时）内往往有不错的基准精度；线性回归则用风速、风向、温度等因子拟合功率。

以多元线性回归为例，设输入因子为轮毂风速v、风向正弦sinθ、温度T，模型形式为：

P = β0 + β1·v + β2·sinθ + β3·T

用历史数据最小二乘拟合得到系数后，即可对新的NWP预报值计算功率。统计方法计算量小、易于实现，适合数据积累较充分、气象-功率关系相对稳定的风电场。但其本质是线性或浅层映射，对风速-功率曲线中的非线性段、限电工况和极端天气的适应能力有限。

机器学习方法：非线性映射与多因子融合

机器学习方法可视为统计方法的非线性扩展，常用模型包括BP神经网络、支持向量回归、随机森林、梯度提升树以及LSTM等时序网络。其基本思路是：将NWP预报、历史功率、时间编码、机组状态等构造为特征向量，训练模型输出未来功率。

以随机森林为例，输入特征可包括：预报风速、预报风向、温度、湿度、气压、前一时刻功率、小时编码。模型通过多棵决策树集成，降低单棵树过拟合风险。训练时通常按时间顺序划分训练集、验证集和测试集，避免随机打乱造成信息泄漏。评价指标常用均方根误差RMSE和平均绝对误差MAE：

RMSE = sqrt( (1/N) · Σ (P_pred,i − P_actual,i)^2 )
MAE  = (1/N) · Σ |P_pred,i − P_actual,i|

若某风电场装机50 MW，测试集RMSE为3.2 MW，则相对装机容量的归一化RMSE约为6.4%。机器学习方法适合历史数据丰富、气象与功率关系复杂的场景，但需要关注特征质量、样本覆盖和模型泛化能力，避免在限电、停机或极端天气样本上失效。

三类方法的适用条件对比

物理方法适合新建风电场、历史功率数据不足或需要外推到未投运机组的场景，尤其在短期和中期预测中作为基础模型；统计方法适合数据积累充分、气象-功率关系相对稳定的场站，在超短期预测中持续法常作为基准；机器学习方法适合数据量大、影响因素复杂、对精度要求较高的场景，但需要足够的训练样本和特征工程投入。

无论采用哪类方法，预测结果都需要经过误差评估和滚动校正。建议至少按日统计RMSE和MAE，并区分大风、小风、限电和停机等工况分别评估。若某类工况误差明显偏大，应回到特征构造或样本筛选环节排查，而不是仅调整模型参数。只有把预测误差与调度需求对应起来，功率预测才能真正服务于风电场功率调度协同。