广州飒美旭能源科技有限公司作为“创建美丽新生活”的“新能源与能效技术与服务解决方案供应商”，致力于发展新能源生产管理、控制、并网技术和服务，积极参与构建低碳环保能源体系，缔造绿色世界，创建美丽生活。
本文以2010年广州飒美旭能源科技有限公司签约的辽宁大唐国际风电有限责任公司下属的大唐昌图风电场风电功率预测系统项目，详述其风电场短期功率预测建模所采用的方法及思路，与读者共享。该项目采用的“风电功率预测智能管理系统”是飒美旭依托自主知识产权开发成功的集电网侧和风电场侧于一体的风电功率预测系统。系统集先进性、实用性、可靠性为一体，在实践中以其预测的高精确度及实用性获得用户的一致赞扬。
2. 风电场短期功率预测建模方法研究
飒美旭风电功率预测智能管理系统，以历史气象数据（数值天气预报数据NWP）和风电场历史功率数据为基础，同时考虑具体风力发电机组的功率特性、机组效率和设备运行情况，采用BP神经网络建模后，输出0-72小时的短期预测功率。
2.1 BP神经网络模型方法的采用
人工智能的方法近年来在预测领域中应用较多，其中在电力行业又以人工神经网络的应用研究最为常见。利用神经网络进行预测研究的基础是它具有强大的非线性拟和与映射能力，在函数逼近、模式识别和状态预报等方面有着独特的优势，同时具有一定的泛化能力。BP神经网络具有较强的非线性学习能力，是目前国际上风电功率预测领域广泛采用的一种比较成熟的方法。神经网络神经网络的训练过程其实质是旨在模仿人脑的结构及功能，不断调整网络内部权值和系统的输入输出关系的过程。
在网络结构和算法确定以后名网络性能优良与否，很大程度上取决于训练样本的质量情况。
2.2 输入样本数据的选取（样本集构造）
风力发电机的输出功率受风速的影响最大，因此风速是必须的输入变量，同时研究发现不同层高的风速对功率预测的结果均有影响，在此案例中我们选取的是风机轮毂附近的30m、50m、70m和90m4个层高的风速及风向数据，空气温度、湿度、大气压力等其他相关气象数据，以及对应的历史发电功率数据作为BP神经网络的输入样本集。
2.3 样本数据的预处理（样本筛选）
输入样本的筛选过程包含原始数据收集、数据分析、变量选择及数据预处理；只有经过这些步骤后，才能对神经网络进行有效的学习训练。训练样本质量直接影响网络应用效果。
在进行历史数据收资过程中，我们从风电场收集了历史一年的数据，在实际建模使用过程中，考虑到大风期和小风期的变化因素，我们考虑到以季度为单位建模显然更为科学，在实际使用过程中分别调用不同的模型。
在样本数据的筛选过程中，综合考虑了具体风力发电机组的功率特性、机组效率和设备运行情况以及外围环境干扰因素，筛除了初始样本数据中的奇异数据（不符合风电机组功率特性的NWP与功率P的对应关系数据组）。
2.4 数据归一化处理
由于样本中存在不同单位类型的数据，各数据的变化范围也不相同，因此存在某些属性较大，某些属性较小的情况，这样并不利于后面的回归计算处理，因此需要在对样本集操作前进行数据归一化处理，将各数据同意到统一的区间里。因此在BP神经网络的应用中，对控制的输入输出应当按照归一化的方法对输入输出进行调节；否则，模型是无法正确工作的。
2.5 回归计算（模型训练）
利用Matlab工具进行BP神经网络建模，通过数次对网络结构、初始值的增删、学习速率的调整以及期望误差的更改，不断提高训练结果的精度，在达到满意度范围内训练结束。
2.6 预测结果修正
考虑到地形地貌等特异性，通过BP神经网络方法建模后得到的预测功率的输出还要进行一次修正后才能真正作为风电功率预测的输出结果展现在软件中。此修正程序作为预测软件的一部分嵌在系统内。
3. 实际案例结果
大唐国际的两个风电场经过半年多的稳定运行，每月月均方根误差均不超过20%，在辽宁风电调度端的考核中一直名列前茅，获得了用户的极大认可及满意。
下图为任意选取的昌图风电场历史一周的预测曲线与实际功率曲线对比图（其中在3月12日凌晨及3月13日有调度限电）。
