摘要：风电场的实际发电量主要受局部风的各个方面的特性影响。风速对风电质量和电力系统的正常运行有很大的影响，风速具体数据的预测对风电场的市场发展具有重要意义。因此，相关预测方法的发展呈现出活跃的趋势。
关键词：风速预测；人工神经网络;小波预测模糊逻辑方法
随着社会的不断发展，人们的资源消耗也在增加。因此，绿色能源获取模式目前符合环境保护和资源获取的精神，而风力发电是非常有代表性的性例子。如果能够准确地预测风速，则可以提前知道未来发电量的变化，并且可以针对各种趋势及时进行调整，这对于发电厂的发展非常重要。本文主要旨在介绍多种不同的预测方法，解释不同方法的特征，并帮助植物在使用不同方法时具有更科学的基础。
1一些基本的风速预测方法
从空间的角度来看，风速的安排通常是不规则的，并且表现出较大的波动，在此功能下，通常难以通过建立适当的物理模型来对其进行解释和准预测。从分析时间的角度来看，风速时间序列中包含趋势和随机分量，趋势分量主要是大气条件下的连续稳定，随机分量受大气运动的影响更大，因此存在无法从以前的数据中获得的特征。预测结果中发生错误。总之，风的规律分为物理数据和历史数据的统计方法。
1.1神经网络法
风速的变化受各种自然因素的影响，例如气候背景，地形，陆地和海洋分布，并且风速在时间分布方面具有不确定性和不连续性。但是，风速仍然具有很强的变化特性。通常，月平均风速的空间分布与引起风速的气候背景，地形以及陆地和海洋分布直接相关。例如，以内蒙古的风场为例，风的高度为1000-2000米，气候条件主要是温和的大陆性季风气候。夏季（6月至9月），秋季和冬季和春季（10月至1月）的风速很小。 5月2日）风速相对较高。因此，在预测风速之前，需要充分考虑风速中风速变化的特性。
1.1.1方法简介
众所周知，人类最神奇的系统是神经系统，可以通过实际工作通过使用神经系统的相关属性通过特殊的拓扑结构模拟神经网络的某些属性来构建。拓扑处理网络是解决风速预测这一复杂问题的复杂过程
1.1.2基本原理
当前广泛使用的处理网络是BP神经网络，实际配置过程主要使用神经元之间的单向链接来确保从单个输入层到单个输出层的传输。在相关的处理过程中，可以避免不同过程之间的相互干扰。某些特殊神经元的信息通过S函数进行数字化，然后通过线性分析进行传输，以实现自身的信息传输和分析。对于学习过程的处理，特征值处理方法主要用于根据不同的参数进行分析和处理，以使学习参数能够建立更科学的数据库。如果输入是特殊信息，则处理系统还可以根据先前的学习能力给出更合理的输出响应。这是风速预测的全过程。
1.1.3利弊分析
神经网络仿真提供诸如自我分析和关联记忆之类的功能，通过为现实世界中的优化处理和非线性预测提供更好的解决方案来简化复杂问题的处理流程，但由于在实际学习过程中建立的数据库非常大，因此存在缺陷这主要发生，并且对于长期风速预测，可能会出现诸如工作效率低和时间长的问题。
采用RBF 神经网络进行预测，与传统BP 神经网络相比精度更高、训练速度更快，更适用于在线预测的场合。但是由于所用训练数据为风速相对平稳时期的数据，所以该模型对于突变风速的处理能力仍然有限，为提高预测结果的精度，还需对模型进行进一步改进。总体而言，通过建立RBF 神经网络模型，对短期风速进行预测，虽有一定局限性，但其预测精度满足工程要求。
1.2小波预测法
2.1方法简介
小波概念是在几年前完成的，并使用片段组合成为统一的思想进行了处理，并且该方法的真实可靠性已通过数学严格验证，可以通过这种方式进行比较。清楚地了解在特定时刻特定风速的值。
1.2.2基本原理
小波变换主要是多分辨率分析，这种处理方法是在一定程度上分离实际信号，如信号传输过程中的基带信号和载波信号。这些分别称为详细信号和基本信号，并且通过分析现有的天气，它们对应于真实的专家库，因此可以找到实际的输入风速。在处理了小波之后，详细信号和基本信号之间的相关性随后可以转换为风力发电机，以获得实际的预期输出风速。在小波处理中，主要使用AR（n）模型和最小二乘法进行处理，因此可以将实际问题处理抽象到数学级别进行处理。
1.2.3利弊分析
该方法适用于长期预测实际输出风速。如果预测时间连续很长，则在小波处理之后生成的预测值将无限接近实际值，因此它是达到理想情况时的实际值。因此，此预测方法存在一定的局限性，因此使用短期预测会影响实际准确性。
1.3模糊逻辑方法
该方法主要用于处理特定规则库形式的相关影响因素，矩阵中的影响因素主要是模糊逻辑和语言映射以及相关预测因子的专业素质。通过这些转换，可以构建更合理的模糊规则库，然后以线性方式处理这些规则以建立整体风速预测过程。由于目前正在发展模糊理论，因此实际风速预测在实际处理过程中可能缺乏科学性。
2预测方法的综合分析
上面介绍的预测方法基本上可以分为两类。一种是分析影响现有风速的因素，写出相关规律，并预测未来的风速，另一种是风速。分析影响者造成的实际反射，以建立常规模板并预测风速。但是，我认为最好的是小波预测，因为这些方法作为整体的理论证明具有理论证明，并且相对处理方法相对简单。但是，在选择一种实际的预测方法时，有必要综合考虑风电场本身的相关要素，而找到合适的要素才是最重要的。
影响风速预测的因素很多，但实际误差很大程度上是由于该地区的预测期和风特征。考虑到实际预报方法的特点，如果某个地方的风速变化比较缓和，则通过相关方法获得的风速预测结果将更加科学。否则，这是不合理的。
风力发电的大规模发展及其与电网的连接会导致电网安全和稳定问题，而风电场的短期风速和风能预报是解决此问题的有效方法。主要含义主要有以下几个方面。
1）优化电网调度，有效减少轮换储备能力。如果风电预测足够准确，调度部门可以根据风电厂的风电预测及时制定调整计划，从而降低运营成本和电力系统的旋转储备。
2）可以合理地计划维护和检查，以在一定时期内提高风力发电设施的有效利用率。根据风电场的预测结果，可以在风速低，无风，风轮机功率低的时候合理安排相关设备的维护时间，或者同时维修输出功率小的风电设备。你可以做有效减少因维护风力发电厂而造成的发电损失，并缩短风力发电厂的有效使用时间。
3）实现电力市场交易的供求比。与传统的发电技术相比，风电不可控导致市场占有率低的原因是风电无法替代火电的原因之一。此外，将受到经济处罚，以避免由于无法控制的风力而导致电能质量不可靠。风电场的短期风速和功率预测在这里起着关键作用，为在风电市场竞标提供了有利条件。
4）可以满足中国风电产业的发展要求。随着连接到电网的风电比例的增加。我国正在采用集中式风力发电方法，其集中面积大，安装容量大，风力集中的区域无法完全吸收风，因此发生大规模的输电损耗，风的不稳定性对功率的不稳定性的影响大大增加。因此，准确的风速预测是促进中国风电产业发展的必要条件。
3结论
了解如何通过考虑风的实际特征来预测局部风速，以获得更科学的风速预测。这将获得科学的风速预测。电力市场的正常发展，将为社会发展提供安全可靠的电力保障。
参考文献
[1]周松林.风电功率预测及微电网概率潮流分析[D].合肥工业大学,2013.
[2]李涛.支持向量机在风电功率预测中的应用研究[D].北京交通大学,2012.
[3]徐蓓蓓.风电场风速和发电功率预测研究[D].长沙理工大学,2012.