1.1 研究背景

由于风能技术具有优异的环境效益并且能够避免长途传输的成本，世界风电装机容量正在高速增长。因此，风能是当今世界上发展规模增长较快、前景较好的可再生能源市场之一，并将在不久的将来成为全球能源中的重要角色。同时风能技术的发展也将刺激全球经济，同时提供更多的就业机会。

但是，与传统发电方式相比，由于气流的瞬息万变，使得风能具有更强的随机性和波动性，同时也将带来规律性差、不易控制和预测的问题。当大规模风电场接入电网后，会对风力发电系统的运行成本、分布式电网的规划和控制以及并网后的电能质量等产生较大的影响。因此，准确预测风力发电系统功率成为了风力发电技术的研究关键技术之一，对缓解电网调峰压力、减少电力系统备用容量配置、提高电网风电接纳能力等均具有重要意义。

1.2 国内外研究现状

近年来，风电功率的预测技术蓬勃发展，涌现了大量的预测模型与方法。为了更好地应用风电功率预测技术已有的研究成果，提高风电功率预测系统的预测精度，在风电不同的发展时期，均有文献对风电功率预测技术进行归纳和总结。较早期的风电功率预测技术综述文献主要从风电功率预测的物理方法、统计方法、时间序列方法以及人工智能方法等方面，对预测技术进行了归纳和总结。文献《风电预测技术及其性能评价综述》从不同时间尺度、不同的预测范围、不同的预测对象以及不同的预测模型等方面对风电功率预测进行了分类，总结了风电功率预测的物理方法、统计方法以及组合方法，并对风电功率预测的考核指标进行了探讨。文献《基于空间相关性的风电功率预测研究综述》主要针对基于空间相关性的风电功率方法进行划分和总结，将预测技术划分为统计预测模型、物理预测模型、空间降尺度模型以及考虑空间平滑效应与升尺度的预测模型进行阐述。文献《关于风电不确定性对电力系统影响的评述》则从风电功率预测过程、影响风电功率预测精度的因素、风电功率预测的模型与方法、风电功率预测结果的评价等方面对短期以及超短期风电功率预测技术进行归纳和梳理。上述文献，为研究和应用风电功率预测方法、提高风电功率预测精度提供了良好的参考依据。然而，风电功率预测的种类、范围以及相应的预测技术十分广泛和丰富，近年来还出现了风电功率区间预测、概率预测、场景预测等新的技术。此外，当前出现的风电功率预测软件和系统对促进风电功率预测技术应用发展也具有重要的参考价值和意义。

目前，风力发电功率预测算法主要有基于统计预测算法和基于物理学物理预测算法。基于统计预测算法主要根据风速、风向、功率的历史数据，采用基于人工智能方法对风速、风向等输入量与功率输出量之问的关系进行拟合，形成统计预测模型。主要方法有神经网络（Artificial Neural Networks，ANN）法、相空间模型、模糊逻辑、灰色理论法、支持向量机（SupportVector Machine，SVM）法和卡尔曼滤波法等。文献《基于径向基函数和模糊技术的风能预测模型研究》基于模糊逻辑预测风电功率，但模糊逻辑的预测精度依赖于人类经验，实用性有待提高。文献《Grey predictor models for wind speed-wind power prediction》提出一种基于灰色理论的风电功率预测模型，对稳定风进行实时预测，但灰色预测模型的前提是原始数据序列必须符合或基本符合指数规律变化。文献《基于相似数据的支持向量机短期风速预测仿真研究》，《基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法》分别提出基于支持向量机的预测模型， 但都没有较好地解决支持向量机固有的不足。文献《Wind speed and wind energy forecast through Kalman filtering of numericalweather prediction model output》，《Short -termwind speed prediction using an unscented Kalman filter based state –space supportvector regression approach》提出基于卡尔曼滤波的风电功率预测算法，该方法计算成本较高，参数较多。文献《风电功率波动的时空分布特性》和《风电功率波动特性的概率分布研究》中基于物理学预测模型是将气象学的全球气候模式形成所预测风电场的区域气候模式，并对未来天气进行预测，该方法基于流体力学和热力学建立的方程组来预报风电场未来的风速和风向，求解方程组可预测风机或风电场的功率曲线和对应的输出功率。文献《基于RBF- BP组合神经网络的短期风电功率预测研究》建立了基于RBF 神经网络风功率预测模型，但RBF神经网络存在容易陷入局部最优的不足。文献《基于小波分析和PSO优化神经网络的短期风电功率预测》首先采用小波分析降低风力波动性对预测算法的影响，然后利用PSO 算法对神经网络进行优化，该算法较为复杂，实际预测效果并不理想。文献《基于EMD与ELM的光伏电站短期功率预测[》提出了一种经验模态分解和极限学习机相结合的预测模型，利用经验模态分解减少风电功率的波动性，虽然极限学习机具有学习速度快且泛化性能好的优点，但该模型只适合预测短期的风功率。文献《风电场风速和发电功率预测研究》提出了一种基于时间序列法和神经网络构建预测模型，能对不同情况下风速进行高精度预测，但神经网络具有容易陷入局部最优的不足。文献《基于经验模式分解和混沌相空间重构的风电功率短期预测》，《基于优化相空间重构技术的风电场发电功率预测研究》提出了基于相空间理论的预测模型，基于相空间理论重构风电功率，有效提高了预测精度。文献《基于组合预测的风电场风速及风电机功率预测》则针对风速季节性变化的特点，提出了一种综合神经网络、时间序列分析和灰色预测的组合预测方法，该算法比较复杂。针对传统神经网络的预测模型收敛速度较慢，有容易陷入局部最优的缺陷，文献《考虑风电出力不确定性的电力系统多目标随机优化调度研究》提出一种基于T-S模糊神经网络改进遗传算法并借助Gumbel-Copula函数构建多风场出力的联合概率分布，以常规机组发电成本和总污染排放量最少为优化目标，建立一种含多风场的电力系统多目标随机优化模型，需要较大的计算成本，影响了预测系统的实时性。文献《基于ABC—BP神经网络的用电量预测研究》提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型，是一种有效可靠的区域用电量预测方法，可以考虑利用此种方法来预测风力发电功率。

2. 研究的基本内容与方案

2.1 研究内容

1.了解国内外关于传统风力发电系统和其功率预报各的种建模和预测方法，并分析和总结其优缺点；

2.利用神经网络万能逼近能力，建立风力发电系统功率预测数学模型；

3.收集国内外相关的气象资料，根据神经网络自学习原理，设计一种风力发电系统功率预测模型参数训练算法，逼近训练样本；

4.利用实际气象资料，测试所设计的风力发电系统功率预报算法的可行性和优越性。

2.2 技术方案

本文考虑采用基于人工蜂群算法(ABC)优化BP神经网络(ABC-BPNN)的预测分析模型对风力发电系统功率进行中长期预测。该方法以反向传播神经网络为基础，利用ABC算法对反向传播神经网络算法的权值调整进行优化，在每次权值调整的过程中加入随机优化算法，提高预测算法的收敛速度和预测精度，从而减少风电的随机性和波动性对预测结果带来的影响。

2.2.1 预测时间确定