基于改進空間資源匹配法的風電集群功率預測技術

彭小圣，樊聞翰，王勃，張濤，文勁宇，鄧迪元，熊磊，車建峰

(1.強電磁工程與新技術國家重點實驗室(華中科技大學電氣與電子工程學院)，武漢市 430074；2.中國電力科學研究院新能源與儲能運行控制國家重點實驗室，北京市 100192；3.國網山西省電力公司調控中心，太原市 030001)

基于改進空間資源匹配法的風電集群功率預測技術

彭小圣1，樊聞翰1，王勃2，張濤3，文勁宇1，鄧迪元1，熊磊1，車建峰2

(1.強電磁工程與新技術國家重點實驗室(華中科技大學電氣與電子工程學院)，武漢市 430074；2.中國電力科學研究院新能源與儲能運行控制國家重點實驗室，北京市 100192；3.國網山西省電力公司調控中心，太原市 030001)

大規模風電集群的功率預測，有利于調度部門制定科學合理的發電計劃，提升電網的健壯性?；诳臻g資源匹配法(spatial resources matching algorithm，SRMA)的風電集群功率預測方法，比廣泛采用的統計升尺度法具有更高的精度，而且需要的計算資源較少。但是現有的空間資源匹配法，匹配參數單一，不利于預測精度的進一步提升。文章在詳細介紹空間資源匹配法的基礎上，提出了一種考慮風電功率測量數據的改進空間資源匹配法，并通過52個風電場組成的風電集群開展了0～12 h的風電功率預測。結果表明，改進的空間資源匹配法前4 h的預測精度比傳統的匹配法有較大幅度的提升，具有較強的工業應用推廣價值。

風電集群功率預測；空間資源匹配法(SRMA)；匹配參數；參數優化

0 引 言

近年來我國風電發展迅速，截止2015年我國風電總裝機容量已經達到1.283億kW，到2020年有望達到2.4億kW以上[1-2]。風電出力主要受自然因素的影響，具有隨機性、波動性、間歇性等特點[3-5]。大規模風電并網在電源側引入隨機分量，對電網的安全穩定運行帶來了巨大的挑戰[6-7]。風電功率預測(wind power prediction，WPP)是應對這一挑戰的有力措施，因而近年來成為國內外的研究熱點之一[8-14]。

我國的風能資源分布不均勻，風電大多是集中開發，形成區域性的集群分布，但是目前的風電功率預測技術大多集中在對單個風電場的功率預測[15-18]。對電網的調度而言，調度人員需要安排發電計劃和確定系統旋轉備用容量，更加關心整個風電集群出力的大小[5]。在我國電網風電穿透率不斷提升的形式下，風電集群功率預測技術的研究意義重大[6-7]。

風電集群功率預測方法包括累加法、統計升尺度法和空間資源匹配法等[1,3,5-7]。

累加法首先預測集群內的每個風電場的功率，然后將這些功率相加得到集群的總體出力。該方法的主要缺點有：(1)累加法獲得較高預測精度的一個核心條件是對每個風電場都建立比較準確的預測模型，因此該方法對風電功率預測相關的歷史數據和數值天氣預報數據的完備性有較高的要求；(2)集群內風電場數量越多，累加法所需建立的單個風電場預測模型越多，因此該方法計算復雜度較高，時間開銷較大，且所需的數據存儲資源較多[1]。

統計升尺度法，首先選擇數據完備性較好，預測精度高并且與集群總體出力相關性大的風電場作為基準風電場，先預測基準風電場的出力，再通過功率倍增模型，得到集群總體出力。該方法的主要缺點有：(1)基準風電場數目的選擇及基準風電場的優選，對集群總體功率預測精度影響較大；(2)該方法包含2個預測階段，計算復雜度較高[1,5]。

與累加法和統計升尺度法相比，空間資源匹配法是一種需要較少計算資源的方法，而且具有更高的預測精度。其核心思想為將風電集群中所有的風電場看成一個空間資源集合。風機出力與風速的三次方成正比，因此空間資源最重要的參數為風速。該方法將每時刻集群風速矩陣作為空間資源矩陣，通過計算歷史空間資源矩陣和待預測時刻空間資源矩陣的歐氏距離，獲取與待預測時刻空間資源相似度高的歷史數據集合?；谠摎v史數據集合，通過加權平均的方式，計算得到待預測時刻的風電集群功率。空間資源相似度的示意圖如圖1所示。圖1中每個網格等效為一個風電場。風速矩陣可以等效為空間資源矩陣。風速矩陣的相似度等效為空間資源的相似度。該方法計算復雜度低，而且根據文獻[3]對西班牙半島地區的風電集群功率的結果表明，該方法的預測精度較高，優于傳統的累加法和統計升尺度法。本文通過52個風電場組成的風電集群1年的歷史數據對該方法進行了驗證，結果表明該方法具有較高的預測精度。但是該方法僅僅用風速作為空間資源匹配參數，而實際上風機出力不僅與風速相關，而且與風向、溫度、濕度、氣壓等較多因素相關[15-18]。實際的單個風電場功率預測模型往往加入測量功率作為預測的輸入參數之一[19-21]。

圖1 空間資源相似度示意圖Fig.1 Spatial resources similarity

基于上述分析，本文提出一種將風電測量功率作為空間資源匹配參數的改進空間資源匹配法，并提出等效測量功率的選擇方法和空間資源參數的優化方法。結果表明，該方法對風電集群超短期功率預測精度有較大幅度的提升，優于傳統的空間資源匹配法和統計升尺度法，有較強的工業應用推廣價值。

1 統計升尺度法

為了便于對比分析，本文研究了國內外廣泛采用的統計升尺度法，下面對該方法進行簡要介紹。

一種典型的基于統計升尺度法的風電集群功率預測流程如圖2所示[20]。圖2中包含3種數據源，即歷史功率數據、數值天氣預報(numerical weather prediction，NWP)數據和實時功率數據。該方法先通過功率曲線模型和動態功率預測模型預測基準風電場的功率，采用的數據含NWP數據和實時功率數據。基于基準風電場預測結果、NWP數據和歷史功率數據，采用統計升尺度模型，得到集群功率預測結果。統計升尺度模型可采用基于輸出功率相關系數矩陣的模型、人工神經網絡模型等[2,6,19-22]。

圖2 基于統計升尺度法的風電集群功率預測流程Fig.2 Flowchart of up-scale method based WPP of regions

2 空間資源匹配法

2.1 模型架構

基于空間資源匹配法的風電集群功率預測方法由文獻[3]提出，該方法的預測流程如圖3所示。該模型的流程如下詳述。

圖3 風電集群空間資源匹配模型預測流程Fig.3 Flowchart of spatial resources matching method based WPP of regions

(1)提取集群內風電場(假設總共有m個風電場)待預測時刻的風速數據，并構建m×1維的風速矩陣A。

(2)從歷史風速數據庫中提取與待預測時刻同維度的風速數據，構建m×1維的風速矩陣集合B，B={B1,B2,…,Bn}。

(3)計算矩陣A與矩陣集合B的歐式距離，得到n個空間距離集合。

(4)設置空間距離門檻值，提取門檻值內的歷史風速樣本，得到樣本子集C(假設為j個樣本)，并根據空間距離計算權重系數。

(5)從風電集群歷史功率數據庫中，提取與風速樣本子集C對應的j個歷史功率數據。

(6)根據步驟4中的權重系數對j個歷史功率樣本加權求和，即得到風電集群未來某時刻的功率預測結果。

2.2 模型基本參數

基于空間資源匹配模型的風電集群功率預測實現關鍵點包括預測模型、匹配集合選擇、空間資源相似度計算、參數優化。

2.2.1 預測模型

預測功率的計算公式為

(1)

2.2.2 匹配集合選擇

匹配集合的選擇方式與空間資源距離的計算方法有關。對風電集群的預測而言，空間資源距離的本質是計算2個集群之間m維參數的距離di,t+h，該距離的計算公式為

(2)

式中：M代表風電場的個數；ηk為某風電場對于整體計量重要程度的權重系數，容量大的風電場對應的權重系數應比容量小的風電場權重系數高；vk,t+h、vk,i分別為待預測時刻和歷史匹配對象的空間資源參數。

根據公式(2)計算出的距離得到歷史功率和空間資源距離散點圖的示例如圖4所示。

圖4 空間資源匹配集合選擇Fig.4 Sample selection of SRMA method

圖4中的數據來自我國東北地區52個風電場構成的風電集群。將該集群半年的風速歷史數據作為空間資源匹配對象，通過式(2)計算該集群某時刻的風速數據與半年的風速歷史數據的距離，即得到圖4中橫坐標所示的空間資源距離。圖4中的縱坐標代表匹配對象的歷史測量功率。圖4中點虛線為門檻值δs，短虛線所圍方框即為選中的匹配數據集合。通過調整門檻值δs的大小，即可調整所選匹配集合的大小。

門檻值δs的計算公式為

δs=dmin+pr(dmed-dmin)

(3)

式中：dmin為最小距離值；dmed為散點分布圖的中位數；pr為從dmin和dmed區間內截取靠近dmin數據的百分比。

2.2.3 空間資源相似度

對模型的計算公式(1)而言，匹配集合確定之后，需要進一步確定每個集合的空間資源相似度ωi,t+h，其計算公式為

(4)

(5)

式中：α為待定系數，將在訓練中進行優化選擇；μ為距離分布散點圖中的中位數。

(6)

式中：t+h-i為時間距離；λ為時間因子，需在訓練過程中進行優化選擇，0<λ<1。

2.2.4 參數優化

空間資源匹配模型中含有λ、α、pr這3個未知參數，對預測誤差的影響較大。文獻[3]僅給出了參數的大致區間，即λ>0，pr<1，α>0，并提出以最小均方根誤差(root mean square error, RMSE)為目標函數，計算得到最優參數組合，并沒有對如何獲取這3個參數展開詳細的論述。本文將在3.3節對如何獲取最優參數組合以及如何獲得改進后的空間資源匹配模型的參數展開詳細論述。

3 改進空間資源匹配法

空間資源匹配法存在如下不足之處。

(1)空間資源匹配法只考慮了風速作為空間資源匹配參數，但是影響風電出力的因素包括風速、風向、氣壓、溫度、濕度等參數。研究者在以前的研究中發現，待預測時刻之前的風電測量功率，是一個非常有效的輸入參數，因此更優的空間資源匹配模型需要加入更多的輸入參數，尤其是需要加入待預測時刻之前的風電測量功率。

(2)待預測時刻之前的風電測量功率的獲取是研究的難點之一。因為待預測時刻之前的歷史功率，除了第1個預測點有歷史測量功率之外，第2個預測點及其之后的預測點，其前一個點的測量功率為未來值，是未知量。采用何種方式獲取等效測量功率是研究的難點之一。

(3)加入歷史測量功率后，空間資源參數從1個變成2個，這2個參數在空間資源匹配模型中所占比重的優化，是研究的難點之一。

針對這3個問題，本文提出了一種改進的空間資源匹配法。

3.1 輸入參數改進

為了在空間資源匹配模型中加入測量功率，本文提出一種新的空間資源距離計算方法，如式(7)所示：

(7)

式中：β為功率權重系數；Pi-1為匹配點前一個時刻的歷史功率；Pt+h-1為等效測量功率。式(7)相較于式(2)的最大區別在于增加了待預測時刻前一個時刻點的風電測量功率，作為空間資源距離的計算輸入參數之一。已有一些研究證明，在單個風電場的功率預測模型中，將待預測時刻點前一個時刻點的風電測量功率作為輸入參數能夠有效提升風電功率的預測精度[14]。以此為借鑒，將風電測量功率引入基于空間資源匹配法的風電集群的預測，將有較大的可能提升預測精度。

3.2 等效測量功率

為了解決預測前一時刻部分測量功率無法獲取的問題，本文提出了一種等效測量功率的方法，其示意圖如圖5所示。

圖5 等效測量功率的迭代示意圖Fig.5 Iteration of equivalent measurement wind power output

圖5中，對第1個預測點，用風電測量功率和數值天氣預報數據作為空間資源匹配參數；對第2個預測點，采用第1個預測點的預測功率和數值天氣預報作為空間資源匹配參數；對第3個點，采用第2個預測點的預測功率和數值天氣預報作為空間資源匹配參數。以此類推，得到12 h的預測結果。

3.3 參數優化

改進后的匹配法引入了功率調節系數β，加上空間資源匹配法中固有的3個未知參數λ、α、pr，一共有4個未知參數。對于不同的風電集群而言，這些參數的最優值不同。

對這4個未知參數，本文提出一種基于網格搜索法的優化方法，其流程圖如圖6所示。

基于網格搜索法的優化方法的步驟為：(1)從風電集群的歷史數據中，選擇一部分訓練數據集用于λ、α、pr、β這4個參數的尋優；(2)將訓練數據集劃分為預測數據集和匹配數據集，預測數據集以匹配數據集為空間資源匹配對象；(3)通過預訓練初始化空間資源匹配模型的4個參數得到相對較優的值，并設置這4個參數的搜索范圍；(4)開展基于匹配數據集和預測數據集的空間資源匹配風電集群功率預測，記錄預測誤差；(5)采用網格搜索法，重新設置這4個參數，并開展下一次預測，直到網格搜索超出設置的搜索范圍；(6)以預測精度最高的4個參數組合，作為該風電集群的空間資源匹配模型最優參數。

圖6 空間資源匹配模型參數優化過程Fig.6 Parameters training process of SRMA method

研究發現，通過預訓練對這4個參數設置合適的初始值，是該方法成功應用的關鍵。

4 3種方法的預測結果對比

本文采用了統計升尺度法、空間資源匹配方法和改進空間資源匹配法這3種方法對我國某地區包含52個風電場的風電集群進行驗證。本文的數值天氣預報數據時間分辨率為1 h，每12 h預報1次。數據起點為2014年1月1日，終點為2014年12月31日。2014年6月1日之前的數據用于尋優未知參數，之后的數據用于測試模型的預測精度。

算例的預測精度評估方式為均方根誤差，如公式(8)所示。

(8)

式中：Pmi為風電功率測量值；Ppi為風電功率預測值；Cap為風電場的裝機容量?？臻g資源匹配法和改進空間資源匹配法的預測曲線如圖7所示。圖7(b)、(c)、(d)為圖7(a)中截取的3段預測曲線的放大圖。從圖7中可以看出，改進后的方法相對改進前有明顯提升，更加切合風電功率的測量值。

統計升尺度法、空間資源匹配方法和改進空間資源匹配法這3種預測方法的預測均方根誤差見表1。

圖7 改進前后的預測曲線對比Fig.7 Prediction curve comparison before and after improvement

從表1可以看出，改進空間資源匹配法在0～4 h具有最高的精度，相對改進前在0～4 h提高了1.21%，但在5～12 h，與改進前的空間資源匹配法相比，誤差下降了0.28%。

統計升尺度法、空間資源匹配方法和改進空間資源匹配法這3種預測方法的0～12 h的預測均方根誤差曲線如圖8所示。從圖8中可以看出，在提前12 h的預測中，空間資源匹配法、改進空間資源匹配法均優于統計升尺度法，且隨著預測時間的增加，空間資源匹配法和改進空間資源匹配法預測精度下降較小，甚至在某些時段幾乎保持不變，但統計升尺度法預測精度隨預測時間的增加下降嚴重。圖8還表明，與改進前相比，改進空間資源匹配法在0～6 h有著明顯的下垂特性。前一個時刻的風電測量功率作為輸入參數，對預測模型的改進有較為顯著的效果。

圖8 3種方法的逐小時誤差Fig.8 RMSE of three WPP methods by hours

本文還研究了在保持λ、α、pr參數不變，調整功率調節系數β時，風電集群功率預測誤差的變化情況，結果如圖9所示。圖9表明，功率調節系數越大，0～4 h之內的預測精度改善越顯著，但是同時5～12 h之內的預測精度下降越嚴重。

圖9 不同β參數下的預測誤差Fig.9 WPP RMSE under different β parameters

5 結論與展望

(1)空間資源匹配法是一種有效的風電集群功率預測方法。該方法建模簡單，精度高，優于傳統的統計升尺度法，而且隨著預測時間的增加，該方法的精度幾乎保持不變。

(2)在空間資源匹配法中加入測量功率和等效測量功率，改進該方法，提升了預測精度。尤其在超短期的預測中，預測精度提升顯著。本文算例表明改進之后，前4 h的精度提高了1.21%，但是5～12 h的預測精度降低了0.28%。

(3)算例分析表明，改進后的空間資源匹配法在0～6 h有著明顯的下垂特性。

(4)對改進空間資源匹配法而言，功率調節系數越大，0～4 h之內的預測精度改善越顯著，但是同時5～12 h之內的預測精度下降越嚴重。

(5)對風電集群的功率預測，建議在0～4 h采用改進后的空間資源匹配法，但是在5～12 h采用傳統的空間資源匹配法，以實現預測效果整體最優。

本文提出了網格搜索法實現對改進空間資源匹配模型的4個參數進行優化，雖然獲得了較好的預測效果，但是該尋優過程耗費的時間較長。如何實現對該模型參數的快速優化，值得在今后的工作中進一步開展研究。另外本文對僅僅考慮了預測前一個時刻的測量功率作為參數之一改進空間資源匹配法，但是影響風電出力的有效參數含風速、風向、溫度、氣壓、濕度等，因此如何綜合考慮這些參數，構建更加完備的空間資源匹配法，值得繼續開展研究。

[1]彭小圣，熊磊，文勁宇，等. 風電集群短期及超短期功率預測精度改進方法綜述[J]．中國電機工程學報，2016，36(23)：6315-6326. PENG Xiaosheng，XIONG Lei，WEN Jingyu, et al．A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions[J]．Proceedings of the CSEE，2016，36(23)：6315-6326.

[2]楊秀媛，肖洋，陳樹勇．風電場風速和發電功率預測研究[J]．中國電機工程學報，2005，25(11)：1-5． YANG Xiuyuan，XIAO Yang，CHEN Shuyong．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE，2005，25(11)：1-5．

[3]LOBO M G, SANCHEZ I. Regional wind power forecasting based on smoothing techniques, with application to the Spanish peninsular system[J]. IEEE Transactions on Power Systems, 2012, 27(4): 1990-1997.

[4]馮雙磊，王偉勝，劉純，等．風電場功率預測物理方法研究[J]．中國電機工程學報，2010，30(2)：1-6． FENG Shuanglei，WANG Weisheng，LIU Chun，et al．Study on the physical approach to wind power prediction [J]．Proceedings of the CSEE，2010，30(2)：1-6.

[5]陳穎，孫榮富，吳志堅，等．基于統計升尺度方法的區域風電場群功率預測[J]．電力系統自動化，2013，37(7)：1-5． CHEN Ying，SUN Rongfu，WU Zhijian，et al．A regional wind power forecasting method based on statistical upscaling approach[J]．Automation of Electric Power Systems，2013，37(7)：1-5．

[6]別朝紅，安佳坤，陳筱中，等．一種考慮時空分布特性的區域風電功率預測方法[J]．西安交通大學學報，2013，47(10)：68-74． BIE Zhaohong，AN Jiakun，CHEN Xiaozhong，et al．Regional wind power prediction considering temporal and spatial characteristics[J]．Journal of Xi’an Jiaotong University，2013，47(10)：68-74．

[7]劉燕華，劉沖，李偉花，等．基于出力模式匹配的風電集群點多時間尺度功率預測[J]．中國電機工程學報，2014，34(25)：4350-4358． LIU Yanhua，LIU Chong，LI Weihua，et al．Multi-time scale power prediction of wind farm cluster based on profile pattern matching[J]．Proceedings of the CSEE，2014，34(25)：4350-4358．

[8]鄭國強，鮑海，陳樹勇．基于近似線性規劃的風電場穿透功率極限優化的改進算法[J]．中國電機工程學報，2004，24(10)：68-71． ZHENG Guoqiang, BAO Hai, CHEN Shuyong. Amending algorithm for wind farm penetration optimization based on approximate linear programming method[J]．Proceedings of the CSEE，2004，24(10)：68-71．

[9]葉林，劉鵬．基于經驗模態分解和支持向量機的短期風電功率組合預測模型[J]．中國電機工程學報，2011，31(31)：102-108． YE Lin，LIU Peng．Combined model based on EMD-SVM for short-term wind power prediction[J]． Proceedings of the CSEE，2011，31(31)：102-108．

[10]潘迪夫，劉輝，李燕飛．風電場風速短期多步預測改進算法[J]．中國電機工程學報，2008，28(26)：87-91. PAN Difu，LIU Hui，LI Yanfei. Optimization algorithm of short-term multi-step wind speed forecast[J]．Proceedings of the CSEE，2008， 28(26)：87-91.

[11]高亞靜，劉棟，程華新，等．基于數據驅動的短期風電出力預估-校正預測模型[J]．中國電機工程學報，2015，35(11)：2645-2653． GAO Yajing，LIU Dong，CHENG Huaxin，et al．Predictor- corrector model of wind power forecast based on data-driven[J]．Proceedings of the CSEE，2015，35(11)：2645-2653．

[12]VOGELZANG J, STOFFELEN A，et al．NWP model error structure functions obtained from scatterometer winds[J]．IEEE Transactions on Geoscience and Remote Sensing，2011，50(7)：2525-2533．

[13]GONG W, MEYER F J, LIU S，et al. Temporal filtering of InSAS data using statistical parameters from NWP models[J]. IEEE Transactions on Geoscience and Remote Sensing，2015，53(7)：4033-4044.[14]王勃，馮雙磊，劉純，等．基于天氣分型的風電功率預測方法[J]．電網技術，2014，38(1)：93-98． WANG Bo，FENG Shuanglei，LIU Chun，et al. Study on weather typing based wind power prediction[J]．Power System Technology，2014，38(1)：93-98．

[15]GAN L, LI G, ZHOU M. Coordinated planning of large-scale wind farm integration system and transmission network[J]. CSEE Journal of Power and Energy Systems, 2016, 2(1): 19-29.

[16]LI S, WANG P, GOEL L. Wind power forecasting using neural network ensembles with feature selection[J]. IEEE Transactions on Sustainable Energy, 2015, 6(4): 1447-1456.

[17]冬雷，王麗捷，高爽，等．基于混沌時間序列的大型風電場發電功率預測建模與研究[J]．電工技術學報，2008， 23(12)：125-129． DONG Lei，WANG Lijie，GAO Shuang，et al．Modeling and analysis of prediction of wind power generation in the large wind farm based on chaotic time series [J]．Transactions of China Electrotechnical Society，2008， 23(12)：125-129．

[18]陳穎，周海，王文鵬，等．風電場輸出功率超短期預測結果分析與改進[J]．電力系統自動化，2011，35(15)：30-33． CHEN Ying，ZHOU Hai，WANG Wenpeng，et al．Improvement of ultra-short-term forecast for wind power[J]．Automation of Electric Power Systems，2011，35(15)：30-33．

[19]蔡凱，譚倫農，李春林，等．時間序列與神經網絡法相結合的短期風速預測[J]．電網技術，2008，32(8)：82-85． CAI Kai，TAN Lunnong，LI Chunlin，et al．Short-term wind speed forecasting combing time series and neural network method[J]. Power System Technology，2008，32(8)：82-85．[20]陳正洪，許楊，許沛華，等. 風電功率預測預報技術原理及其業務系統[M]. 北京：氣象出版社，2013:22-25.

[21]薛禹勝，郁琛，趙俊華，等．關于短期及超短期風電功率預測的評述[J]．電力系統自動化，2015，39(6)：141-151． XUE Yusheng，YU Chen，ZHAO Junhua，et al．A review on short-term and ultra-short-term wind power prediction[J]．Automation of Electric Power Systems，2015，39(6)：141-151.

[22]范高峰，王偉勝，劉純，等．基于人工神經網絡的風電功率短期預測系統[J]．中國電機工程學報，2008，32(22)：72-76． FAN Gaofeng，WANG Weisheng，LIU Chun，et al．Artificial neural network based wind power short term prediction system[J]．Proceedings of the CSEE，2008，32(22)：72-76．

(編輯 景賀峰)

A Lifting Spatial Resources Matching Approach Based Wind Power Prediction of Regions

PENG Xiaosheng1，FAN Wenhan1，WANG Bo2，ZHANG Tao3，WEN Jinyu1，DENG Diyuan1，XIONG Lei1，CHE Jianfeng2

(1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology (School of Electrical and Electronic Engineering, Huazhong University of Science and Technology), Wuhan 430074, China;2. State Key Laboratory of Operation and Control of Renewable Energy & Storage Systems, China Electric Power Research Institute, Beijing 100192, China; 3. State Grid Shanxi Electric Power Company Dispatching Center, Taiyuan 030001, China)

Wind power prediction of large scale wind farm clusters will contribute to the scientific and reasonable power generation schedule establishment and enhance the robustness of the power grid. Spatial resources matching algorithm (SRMA) based wind power prediction of regions is with higher prediction accuracy and less computing time than the method of up-scaling approach, which is widely adopted by industrial companies. However, there is only one matching parameter of the SRMA method, which restricts the further improvement of the prediction accuracy. This paper presents an improved SRMA method, which contains the parameter of the historical wind power output, based on the introduction of the SRMA method. Then, this paper predicts the wind power within 0～12 hours with the data derived from one wind farm cluster which contains 52 wind farms. The results show that, the prediction accuracy of the improved SRMA method within 4 hours is higher than that of the traditional SRMA method, and is applicable for industrial application.

wind power prediction of regions; spatial resources matching algorithm (SRMA); matching parameters; parameter optimization

TM 711

A

1000-7229(2017)07-0010-08

10.3969/j.issn.1000-7229.2017.07.002

2017-03-31

彭小圣(1983)，男，博士，IEEE會員，主要研究方向為電力系統大數據理論與應用、電力系統主設備狀態監測與故障診斷、局部放電信號提取與模式識別、新能源功率預測等；

樊聞翰(1993)，男，碩士研究生，主要研究方向為電力系統新能源功率預測、電力設備狀態監測與故障診斷等；

王勃(1983)，男，博士，高級工程師，主要研究方向為新能源資源評價、功率預測、數值天氣預報等；

張濤(1966)，男，高級工程師，主要研究方向為新能源調度技術及運行管理等；

文勁宇(1973)，男，博士，教授，主要研究方向為電力系統規劃運行與控制，儲能與新能源并網，直流輸電與直流電網等；

鄧迪元(1992)，男，碩士研究生，主要研究方向為電力系統主設備智能監測等；

熊磊(1989)，男，碩士研究生，主要研究方向為電力系統新能源功率預測等；

車建峰(1985)，男，碩士，高級工程師，主要研究方向為新能源發電功率預測技術等。