报的预测方法。基于历史数据的预测方法有持续法、线性预测方法、神经网络方法和组合
预测方法。
  我国风电行业与英国、德国、丹麦和西班牙等欧洲国家相比发展相对落后，针对风电
功率预测的研究也相对较少，主要集中在风电场超短期风速预测上[6,13-14]
，文献[4]提出了
基于 BP 神经网络的风电场功率预测方法，分析了不同高度输入风速对预测结果的影响，
并能够预测误差带，已运行于吉林省电力调度中心的风电功率预测系统就是基于该方法开
发出来的，取得了良好的社会与经济效益。以上提到的国内外短期风电功率预测系统，或
使用数值气象预报的预测数据，或使用历史数据，很少考虑地形对风电功率产生的影响。因此，本课题在利用风电场监测数据作为输入数据进行短期风电功率预测的基础上，进一
步考虑风电场地形因素的影响，对风电功率进行预测。
1.4 本文的主要工作
本文首先介绍了风电功率短期预测的背景和意义，指出了风电功率短期预测的重要性，
然后简单介绍了目前风电功率预测的几种方法，再简要分析了国内外发展现状。风电功率
预测方法中的统计方法没有考虑风电场实际地形对风功率预测的影响，针对这一特点，本
文用BP 神经网络首先预测出测风塔的风速，再进一步考虑地形因素影响，利用CFD软件
对整个风电场风流进行模拟，计算出每台风力发电机轮毂高度处各方向扇区的风加速因数。
再根据 CFD软件计算的风加速因数编程求出每台风力发电机轮毂高度处的风速， 实现测风
塔数据到不同风机位置点的数据的外推，以将粗略的预测数据精细化为风电场各风机在实
际地形、地貌条件下的预测值。本文以某实际风电场为例，根据其地形、粗糙度、风机位
置和发电功率等来说明考虑地形影响的短期风电功率预测方法。
论文结构安排如下：
第 1 章：简单介绍了课题研究的背景和意义，风电功率预测的几种方法，国内外研究
现状以及本文主要内容和章节安排。
第2 章：简单介绍了影响风电功率的三个参数，包括风速、风向和粗糙度。
第3 章：介绍了风电功率预测思路，BP 神经网络预测原理，CFD方法及 CFD软件。
第4 章：以某实际风电场为例，根据测风塔历史数据用BP 神经网络对测风塔的风速和
风向进行预测。
第 5 章：建立该实际风电场的地形变化模型和地表粗糙度模型，然后对风电场风流进
行数值模拟，并对模拟结果进行分析。
第 6 章：根据测风塔的预测风速和风向，以及风流数值模拟结果，将测风塔处的风速
风向数据外推至各风机轮毂高度处的风速，从而预测各风机的功率。
结论：结论部分总结了本文提出的预测方法的特点，及根据NWP 等其他数据如何使用
该方法预测风功率。 考虑地形影响的短期风电功率预测(4):http://www.youerw.com/zidonghua/lunwen_10763.html