林智琛 蔡嘉仪 李 玲

(福建省气象服务中心，福建 福州 350001)

1 概述

为了使风电有效并入电网中使用，许多学者针对如何提高风功率预测水平展开了研究[1-4]，其中风速预报是风功率预测的基础，准确的风速预报是有效提高风电功率预测水平和风电消纳能力的重要措施之一。对于风电场电能质量控制和功率平衡、调度起到直接影响的是短期(0～72h)风速预报[5]。由于风速的瞬时性、脉动性等特点以及预报技术局限性的影响，风电场风速的数值预报结果仍存有较大误差，因此需要在数值预报结果的基础上加以订正，从而提高风速预报的准确率。

近年来国内外诸多学者运用了许多方法对预报风速进行了订正研究，常用的风速订正方法主要分为三个大类：物理法、统计法和学习法[6-7]。国内已有一些学者使用了如BP神经网络等机器学习方法对风电场的预报风速进行了订正，提高了风速预报的能力[8-10]。机器学习方法需要在大量历史资料的基础上建立预测模型，存在收敛慢、建模复杂等缺点[6]。而卡尔曼滤波法作为一种统计方法，对历史资料要求不高并能适应模式的变化，适用于资料年限较短的情况，因此卡尔曼滤波法被广泛运用于数值预报产品，如温度[11]、降水[12]、空气质量[13-14]的预报中。也有一些学者使用卡尔曼滤波法对海面风[15]、飞机外部风场[16]和复杂地形下风电场[17-18]的预报风速进行订正，修正后的结果与实测风速更为接近。

受台湾海峡的狭管效应影响，福建沿海风力资源丰富，风电场也多数分布于沿海地区[19]。……