CN102269124B

CN102269124B - 超短期风电场发电功率预测系统

Info

Publication number: CN102269124B
Application number: CN2011101804016A
Authority: CN
Inventors: 彭怀午; 杨晓峰; 刘丰; 孙立新; 王晓林; 杜燕军
Original assignee: Inner Mongolia Electric Power Survey and Design Institute Co Ltd
Current assignee: Inner Mongolia Electric Power Survey and Design Institute Co Ltd
Priority date: 2011-06-30
Filing date: 2011-06-30
Publication date: 2013-04-03
Anticipated expiration: 2031-06-30
Also published as: CN102269124A

Abstract

提出了一种超短期风电场发电功率预测系统，属于风力发电厂自动调度技术领域，所述系统包括：实时测风数据服务器，数值天气预报服务器，风电场实时运行服务器，超短期预测处理服务器，和数据采集设备，其中：所述数值天气预报服务器用于获取风电场所在位置近地层的气象预报数据；所述实时测风数据服务器用于获取测风塔所在位置处的风速、风向、温度、气压、湿度数据；所述风电场实时运行数据服务器，用于获取风电场总发电功率数据；所述超短期预测处理服务器，用于预测下一时刻的风电场总发电功率数据。本系统解决了现有技术不能跟踪未来发电功率变化趋势、多步预测精度较低的技术问题。

Description

超短期风电场发电功率预测系统

技术领域

本发明属于风力发电厂自动调度技术领域，尤其涉及一种超短期风电场发电功率预测系统。

背景技术

目前，中国风力发电进入了规模化高速发展阶段。但是由于风电具有间歇性和随机性的特点，随着大量的风力发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战，从而限制风力发电的发展规模。若能预先判断风电场输出功率的变化趋势，及时调整电网调度运行方案，解决风力发电机组出力随机性对电网安全运行的影响就有了技术依据。风电场功率预测是解决该问题的有效途径之一。实现风电场的超短期功率预测，可以更好地指导调度员对未来4h电网调度方式进行预判，其预测精度高于常规的短期发电功率预测。从现有的研究文献来看，国内还没有成熟的风电场发电功率超短期预测系统，超短期功率预测一般采用的方法是基于历史发电功率时间序列推算实现，不能跟踪未来发电功率变化趋势、多步预测精度较低，不能满足风电场自动发电控制和调度员实时调度的要求。

发明内容

为了解决上述技术问题，本发明提供一种超短期风电场发电功率预测系统，该系统提供0～4小时，每15min时间间隔的风力发电功率预测，预测结果每15min刷新一次。本发明的目的是根据超短期实时气象预报数据跟踪预测未来4h风电机组发电功率的变化趋势，预先提示调度人员进行电网调度预判，选择最优的电网调度方式安全接纳风力发电机组上网。

本发明提出的系统包括：实时测风数据服务器，数值天气预报服务器，风电场实时运行服务器，超短期预测处理服务器，和数据采集设备，其中：所述数据采集设备包括测风塔风速风向温度气压采集器以及风电场风速和发电功率采集器，分别用于采集测风塔所在位置处的风速、风向、温度、气压、湿度数据以及每台风电机组发电功率和运行状态数据；所述数值天气预报服务器与气象局相连，用于获取风电场所在位置近地层的气象预报数据；所述实时测风数据服务器与所述测风塔风速风向温度气压采集器相连，用于获取测风塔所在位置处的风速、风向、温度、气压、湿度数据；所述风电场实时运行数据服务器与所述风电场风速和发电功率采集器相连，用于根据每台风电机组发电功率和运行状态数据获取风电场总发电功率数据；所述超短期预测处理服务器通过网络与所述数值天气预报服务器、实时测风数据服务器、风电场实时运行数据服务器相连，利用所述实时测风数据服务器提供的数据对数值天气预报服务器提供的气象预报数据进行修正，提供下一时刻修正后的气象预报数据，并根据预测模型，使用当前时刻的风电场总发电功率数据以及下一时刻修正后的气象预报数据，预测下一时刻的风电场总发电功率数据。

根据本发明提出的系统的一个方面，所述数值天气预报服务器与气象局之间、所述实时测风数据服务器与测风塔风速风向温度气压采集器之间以及所述风电场实时运行数据服务器与所述风电场风速和发电功率采集器之间使用光纤连接；所述数值天气预报服务器和实时测风数据服务器通过网络安全防护设备连接网络交换机，所述风电场实时运行数据服务器与所述超短期预测处理服务器与所述网络交换机通过网络相连。

根据本发明提出的系统的一个方面，所述数值天气预报服务器提供风电场所在位置近地层的各种气象预报数据，每4小时预报一次，每次预报4小时，一天预报六次，时间分辨率为15分钟，即提供每15分钟的气象预报数据。

根据本发明提出的系统的一个方面，所述实时测风数据服务器提供历史测风数据和当前测风数据，用于对数值天气预报服务器提供的风速数据进行修正，并用于创建所述预测模型。

根据本发明提出的系统的一个方面，风电场实时运行数据服务器获取的每台风电机组发电功率数据和运行状态数据包括历史数据和实时数据，时间分辨率为15分钟，所述历史数据和实时数据分别用于创建所述预测模型和预测下一时刻的风电场总发电功率。

根据本发明提出的系统的一个方面，所述超短期预测处理服务器对风电机组的发电功率进行预测，提供超短期0-4小时内，15分钟时间分辨率的预测。

根据本发明提出的系统的一个方面，所述对数值天气预报服务器提供的风速数据进行修正包括：

1)第一次修正：将风向分为12个扇区，以实时测风数据服务器得到的实时风向数据为准，每30度一个扇区，以0度为起点，分出12个扇区；并将历史的测风塔风速数据和历史的数值天气预报风速数据按风向分为12个扇区的风速数据；a)按照实时测风塔数据得到的当前t时刻的风向，判断风向属于某个扇区，然后将未来4小时16个时刻的风速按照下列方法b)进行修正：b)采用线性回归方法对数值天气预报提供的风速预报数据进行校正，校正模型如下：

{\overset{c}{V}}_{NWP, t} = V_{NWP, t} - e_{NWP, t}

其中：V_NWP，t为校正前的t时刻某扇区数值天气预报风速；

为校正后的t时刻某扇区数值天气预报风速；e_NWP，t＝a+bV_NWP，t，a和b为参数，采用最小二乘法，由某扇区历史数值天气预报风速预报及其误差样本进行估计，

a = {\overset{&OverBar;}{e}}_{NWP} - b {\overset{&OverBar;}{V}}_{NWP}

b = \frac{N_{c} Σ_{i = 1}^{N_{c}} e_{NWP, i} V_{NWP, i} - Σ_{i = 1}^{N_{c}} e_{NWP, i} Σ_{i = 1}^{N_{c}} V_{NWP, i}}{N_{c} Σ_{i = 1}^{N_{c}} {V^{2}}_{NWP, i} - {[Σ_{i = 1}^{N_{c}} V_{NWP, i}]}^{2}}

N_c为样本数量；e_NWP，i＝V_NWP，i-V_meas，i，为某扇区历史数值天气预报风速预报误差；V_meas，i为某扇区风电场实测风速。

2)第二次修正

通过实时测风塔实测的t时刻的风速V_m，t，与校正后的t时刻NWP风速

进行对比，求得风速差为：

未来4小时共16个时刻的风速分别加上上面求得的ΔV，进行第二次修正。

根据本发明提出的系统的一个方面，在获得修正后的风速数据后，使用所述预测模型预测风电场理论发电功率，所述预测模型采用支持向量机预测模型，将来自于实时测风数据服务器的历史t₁+15min时刻的风速、风向、温度、气压和湿度数据、来自于风电场实时运行数据服务器的历史t₁时刻历史风电机组发电功率数据作为预测模型的输入，将来自于风电场实时运行数据服务器的历史t₁+15min时刻的实际总发电功率数据作为预测模型的输出，通过支持向量机方法得到输入和输出的关系，从而建立所述预测模型，所述使用所述预测模型预测风电场理论发电功率包括：

在所述预测模型中输入风电场内t+15分钟时刻的第二次修正后的数值天气预报风速数据，t+15分钟时刻的数值天气预报风向、温度、气压、湿度数据；风电场当前t时刻的实际总发电功率，并通过所述预测模型计算得出t+15分钟时刻风电场的总理论发电功率P。

根据本发明提出的系统的一个方面，在获得所述风电场的总理论发电功率P后，对所述风电场的总理论发电功率进行修正，包括：由风电机组运行状态数据判断得到的正常并网发电的风电机组台数为X，风电场总装机为Y台，修正得到的预测风电场总风电功率为P’＝X/Y*P，并以此得到的P’作为输入，加上t+30分钟时刻的修正后的数值天气预报数据一起作为输入，预测t+30分钟时刻的风电场总理论发电功率，并循环进行同样的对风速进行修正、对总发电功率进行预测以及对总发电功率进行修正的步骤，可得到未来4小时，15分钟分辨率的预测风电场总发电功率。

附图说明

图1是本发明提出的系统架构图；

图2是SVM预测模型示意图；

图3是SVM方法流程图。

具体实施方式

图1示出了本发明提出的系统的架构图，如图1所示，本发明提出的超短期风电场发电功率预测系统包括实时测风数据服务器、数值天气预报服务器、风电场实时运行数据服务器、超短期预测处理服务器以及数据采集设备。其中，数据采集设备包括测风塔风速风向温度气压采集器以及风电场风速和发电功率采集器；数值天气预报服务器通过光纤专线与气象局相连，还通过专用网络与网络安全防护设备和网络交换机相连；实时测风数据服务器通过光纤专线与测风塔风速风向温度气压采集器相连，还通过专用网络与网络安全设备和网络交换机相连；风电场实时运行数据服务器上运行着风电SCADA数据平台和SCADA系统，风电场实时运行数据服务器通过光纤专线与风电场风速和发电功率采集器相连，并通过网络与网络交换机相连；超短期预测处理服务器包括风电场发电功率的预测系统服务器、预测应用服务器，其具有图形用户界面，并通过网络与网络交换机进行连接。这样，所述超短期预测处理服务器通过网络交换机、网络安全防护设备与数值天气预报处理服务器、实时测风数据处理服务器连接，并通过网络交换机与风电场实时运行数据服务器相连接。另外，所述预测系统服务器上运行服务器系统，例如可安装windows server 2003及以上操作系统。

下面对各个组成部分做出具体介绍。

数值天气预报服务器可提供风电场所在位置近地层的各种气象预报数据，每4小时预报一次，每次预报4小时，一天预报六次，时间分辨率为15min。数值天气预报服务器提供的数据直接为十进制格式并作为超短期预测处理服务器中的预测模型的输入。当预测的时候作为输入，输入量为数值天气预报中的未来4小时的风电机组轮毂高度处的风速、风向、温度、气压、湿度等。本发明提出的预测系统直接使用气象局通过中尺度预报模型提供的超短期数值天气预报。

实时测风数据服务器主要用于获得在风电场主导风向上风向有代表性的位置设立的测风塔上的各个采集器所采集的风速、风向等数据，这些数据主要用于修正数值天气预报服务器提供的风速数据。该实时测风数据服务器还存储有历史测风数据，该历史测风数据用于预测模型的创建。实时测风塔的高度一般是70米，根据预测系统数据的需要，在测风塔上需要安装的传感器有风速传感器、风向传感器、温度传感器、气压传感器和湿度传感器。各传感器的安装：温度，气压，湿度传感器安装在塔架的10米处，风速和风向传感器在塔架的30米和70米处各安装一个。

风电场实时运行数据服务器主要用于获得风电场风速和发电功率采集器所采集的每台风电机组发电功率数据和运行状态数据，这些数据可直接在风电场中央监控系统中取得。采集的数据包括历史数据和实时数据，每十五分钟采集一次新的数据，并保存在指定的文件夹中。实时发电功率数据作为输入之一，用来预测下一个15min时刻的风电场发电功率，运行状态数据用来判断正常并网发电的风电机组台数，如果正常运行台数为X台，总装机为Y台，预测的风电场实际总功率为X/Y*P，其中P为预测的理论发电功率。采集的每台发电机组发电功率求和就是风电场的总发电功率，与预测出来的实际总功率进行对比，可以进行误差分析，判断预测的精度。

超短期预测处理服务器主要用于对风电机组的发电功率进行预测，是预测系统的核心，提供超短期0～4小时，15min时间分辨率的预测。

下面对超短期预测处理服务器如何建立预测模型进行介绍。

本发明使用支持向量机SVM方法进行功率预测，首先对支持向量机SVM进行介绍：支持向量机SVM是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；它最终解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；它将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关。支持向量机在电力系统短期负荷预报方面己经得到了广泛的研究应用。同样支持向量机也适合于风电场的发电功率预报。

风电场总功率预测的步骤如下：

(1)修正数值天气预报风速数据；

(2)使用SVM预测模型预测风电场理论发电功率；

(3)修正风电场总发电功率。

其中步骤(1)的实现如下：

1)第一次修正

将风向分为12个扇区，以实时测风塔数据得到的风向数据为准，每30度一个扇区，以0度为起点，如0～30度为第一扇区，31～60为第二扇区，如此分出12个扇区。并将历史的测风塔风速数据和历史的NWP(数值天气预报)风速数据按风向不同扇区，分为12个扇区的风速数据。

a)按照实时测风塔数据得到的当前t时刻的风向，判断风向属于某个扇区，然后将未来4小时16个时刻的风速都按照下列方法进行修正：

b)采用线性回归方法对NWP(数值天气预报)提供的风速预报数据进行校正，校正模型如下：

式中：V_NWP，t为校正前的t时刻某扇区NWP风速；

为校正后的t时刻某扇区NWP风速；e_NWP，t＝a+bV_NWP，t，a和b为参数，采用最小二乘法，由某扇区历史NWP风速预报及其误差样本进行估计，

a = {\overset{&OverBar;}{e}}_{NWP} - b {\overset{&OverBar;}{V}}_{NWP}

b = \frac{N_{c} Σ_{i = 1}^{N_{c}} e_{NWP, i} V_{NWP, i} - Σ_{i = 1}^{N_{c}} e_{NWP, i} Σ_{i = 1}^{N_{c}} V_{NWP, i}}{N_{c} Σ_{i = 1}^{N_{c}} {V^{2}}_{NWP, i} - {[Σ_{i = 1}^{N_{c}} V_{NWP, i}]}^{2}}

N_c为样本数量；e_NWP，i＝V_NWP，i-V_meas，i，为某扇区历史NWP风速预报误差；V_meas，i为某扇区风电场实测风速。

2)第二次修正

进行对比，求得风速差为：

其中步骤(2)的实现如下：

本预测模型的输入主要为：风电场内t+15min时刻的二次修正后的数值天气预报风速数据，数值天气预报风向、温度、气压、湿度数据；风电场当前t时刻的实际总发电功率。

输出为t+15min时刻风电场的总理论发电功率。

具体输入输出关系如图2所示。底层表示输入，为风电场内t+15min时刻的二次修正后的数值天气预报风速数据，t+15min时刻的数值天气预报风向、温度、气压、湿度数据；风电场当前t时刻的实际总发电功率数据；顶层表示输出，为t+15min时刻风电场的总理论发电功率。

在线性不可分的情况下，支持向量机中核函数的选定非常关键，如何选取核函数是SVM的一个研究方向，它的选择好坏直接影响到算法的实现与效果。本文核函数的选择，不同于现有技术中直接选取高斯径向基函数作为核函数，而是在学习前的优化阶段选择线形型、多项式型、高斯径向基型和neural型核函数，并选择不同惩罚因子C和敏感损失参数epsilon，进行100到1000步迭代计算，通过不同核函数间平方误差大小的综合比较，最终确定核函数。

采用支持向量机进行风电功率预测的步骤如图3所示，包括：

对历史数据进行规一化处理，即将原始数据经过线性变化至[-1，1]区间中(一般通过除以该列数据中的正的最大值或负的最小值，使该列数据变换到[-1，1]区间)，构成训练数据集，在本发明中，训练数据集包括历史t₁+15min时刻的风速、风向、温度、气压和湿度数据(来自于实时测风数据服务器)、历史t₁时刻历史风电机组发电功率数据(来自于风电场实时运行数据服务器)，这些数据作为预测模型的输入；历史t₁+15min时刻的实际总发电功率数据(来自于风电场实时运行数据服务器)作为预测模型的输出以检验训练误差大小。

对训练数据用不同核函数(线形型、多项式型、高斯径向基型和neural型核函数)和不同参数(惩罚因子C和敏感损失参数epsilon的具体值)进行优化，生成不同核函数和不同参数的训练结果表。

从训练结果表中，根据训练误差大小(一般为均方根误差RMSE)，先挑选出合适的核函数，然后选择其对应的最佳参数(惩罚因子C和敏感损失参数epsilon的具体值)。

先用选择的参数对训练数据集进行学习，然后输入一段新数据进行预测结果检验。如果对预测误差不满意，返回第三步，重新选择参数进行学习，如果对预测误差满意，进行下一步。

输入新的数据集，进行风电功率预测，最后进行误差分析。

其中步骤(3)的实现如下：

在步骤(2)中预测出t+15min时刻的风电场理论发电功率为P，由风电机组运行状态数据判断得到的正常并网发电的风电机组台数为X，风电场总装机为Y台，修正得到的预测风电场总风电功率为P’＝X/Y*P。并以此得到的P’作为输入，加上t+30min时刻的修正后的数值天气预报数据一起作为输入，预测t+30min时刻的风电场总理论发电功率，并进行同样的修正。重复上述步骤，一共进行16次预测，得到未来4小时，15min分辨率的风电场总发电功率。

本发明提出的超短期风电场发电功率预测系统，加入了实时测风数据服务器，每15min修正数值天气预报服务器的风速数据，刷新一次风电功率预测结果，针对风电机组运行状态信息进行预测发电功率的修正，并且预测模型为支持向量机SVM的预测模型。因此，本发明提出的系统具有以下优点：采用数值天气预报数据与实时测风数据相结合的方式，用于指导风电场的AGC和调度员对电网的实时调整；实现实时超短期风电功率精确预测，每15min刷新一次预测结果；本系统采用气象局提供的高精度0～4h数值天气预报数据，每4h刷新一次数值天气预报结果，并利用现场的实时测风塔数据每15min进行数值天气预测风速的二次订正；综合实时测风塔数据、数值天气预测数据和风电机组实时采集与监控数据，针对风电机组运行状态信息进行预测发电功率的修正，实现快速与高精度风电功率预测。同时，在本系统实施后，能够优化电网调度，减少旋转备用容量，节约燃料，保证电网经济安全运行。对风电场功率进行超短期预测，将使电力调度部门能够提前为风电功率变化及时调整调度计划；从而减少系统的备用容量、降低电力系统运行成本；从而减轻了风电对电网造成的不利影响，提高了系统中风电装机比例。

本发明的上述具体实施方式仅为示例性的，并不作为对本发明保护范围的限定，本领域技术人员可根据不同情况对本发明做出修改和调整，这些修改和调整也落入本发明的保护范围内。

Claims

1.一种超短期风电场发电功率预测系统，其特征在于，该系统包括：实时测风数据服务器，数值天气预报服务器，风电场实时运行服务器，超短期预测处理服务器，和数据采集设备，其中：

所述数据采集设备包括测风塔风速风向温度气压采集器以及风电场风速和发电功率采集器，分别用于采集测风塔所在位置处的风速、风向、温度、气压、湿度数据以及每台风电机组发电功率和运行状态数据；

所述数值天气预报服务器与气象局相连，用于获取风电场所在位置近地层的气象预报数据；

所述实时测风数据服务器与所述测风塔风速风向温度气压采集器相连，用于获取测风塔所在位置处的风速、风向、温度、气压、湿度数据；

所述风电场实时运行数据服务器与所述风电场风速和发电功率采集器相连，用于根据每台风电机组发电功率和运行状态数据获取风电场总发电功率数据；

所述超短期预测处理服务器通过网络与所述数值天气预报服务器、实时测风数据服务器、风电场实时运行数据服务器相连，利用所述实时测风数据服务器提供的数据对数值天气预报服务器提供的气象预报数据进行修正，提供下一时刻修正后的气象预报数据，并根据预测模型，使用当前时刻的风电场总发电功率数据以及下一时刻修正后的气象预报数据，预测下一时刻的风电场总发电功率数据，其中，所述预测模型采用支持向量机预测模型。

2.根据权利要求1的系统，其特征在于，其中：

所述数值天气预报服务器与气象局之间、所述实时测风数据服务器与测风塔风速风向温度气压采集器之间以及所述风电场实时运行数据服务器与所述风电场风速和发电功率采集器之间使用光纤连接；所述数值天气预报服务器和实时测风数据服务器通过网络安全防护设备连接网络交换机，所述风电场实时运行数据服务器与所述超短期预测处理服务器与所述网络交换机通过网络相连。

3.根据权利要求1的系统，其特征在于：

所述数值天气预报服务器提供风电场所在位置近地层的各种气象预报数据，每4小时预报一次，每次预报4小时，一天预报六次，时间分辨率为15分钟。

4.根据权利要求3的系统，其特征在于：

所述实时测风数据服务器提供历史测风数据和当前测风数据，用于对数值天气预报服务器提供的风速数据进行修正，并用于创建所述预测模型。

5.根据权利要求4的系统，其特征在于：

风电场实时运行数据服务器获取的每台风电机组发电功率数据和运行状态数据包括历史数据和实时数据，时间分辨率为15分钟，所述历史数据和实时数据分别用于创建所述预测模型和预测下一时刻的风电场总发电功率。

6.根据权利要求5的系统，其特征在于：

所述超短期预测处理服务器对风电机组的发电功率进行预测，提供超短期0-4小时内，15分钟时间分辨率的预测。

7.根据权利要求6的系统，其特征在于：

所述对数值天气预报服务器提供的风速数据进行修正包括：

1)第一次修正

将风向分为12个扇区，以实时测风数据服务器得到的实时风向数据为准，每30度一个扇区，以0度为起点，分出12个扇区；并将历史的测风塔风速数据和历史的数值天气预报风速数据按风向分为12个扇区的风速数据；

a)按照实时测风塔数据得到的当前t时刻的风向，判断风向属于某个扇区，然后将未来4小时16个时刻的风速按照步骤b)进行修正：

b)采用线性回归方法对数值天气预报提供的风速预报数据进行校正，校正模型如下：

{\overset{c}{V}}_{NWP, t} = V_{NWP, t} - e_{NWP, t}

其中：V_NWP，t为校正前的t时刻某扇区数值天气预报风速；

a = {\overset{&OverBar;}{e}}_{NWP} - b {\overset{&OverBar;}{V}}_{NWP}

b = \frac{N_{c} Σ_{i = 1}^{N_{c}} e_{NWP, i} V_{NWP, i} - Σ_{i = 1}^{N_{c}} e_{NWP, i} Σ_{i = 1}^{N_{c}} V_{NWP, i}}{N_{c} Σ_{i = 1}^{N_{c}} {V^{2}}_{NWP, i} - {[Σ_{i = 1}^{N_{c}} V_{NWP, i}]}^{2}}

N_c为样本数量；e_NWP，i＝V_NWP，i-V_meas，i，为某扇区历史数值天气预报风速预报误差；V_meas，i为某扇区风电场实测风速，

2)第二次修正

进行对比，求得风速差为：

ΔV = V_{m, t} - {\overset{c}{V}}_{NWP, t}

8.根据权利要求7的系统，其特征在于，其中：

在获得修正后的风速数据后，使用所述预测模型预测风电场理论发电功率，所述预测模型采用支持向量机预测模型，将来自于实时测风数据服务器的历史t₁+15min时刻的风速、风向、温度、气压和湿度数据、来自于风电场实时运行数据服务器的历史t₁时刻历史风电机组发电功率数据作为预测模型的输入，将来自于风电场实时运行数据服务器的历史t₁+15min时刻的实际总发电功率数据作为预测模型的输出，通过支持向量机方法得到输入和输出的关系，从而建立所述预测模型，所述使用所述预测模型预测风电场理论发电功率包括：

9.根据权利要求8的系统，其特征在于，其中：

在获得所述风电场的总理论发电功率P后，对所述风电场的总理论发电功率进行修正，包括：由风电机组运行状态数据判断得到的正常并网发电的风电机组台数为X，风电场总装机为Y台，修正得到的预测风电场总风电功率为P’＝X/Y*P，并以此得到的P’作为输入，加上t+30分钟时刻的修正后的数值天气预报数据一起作为输入，预测t+30分钟时刻的风电场总理论发电功率，并循环进行同样的对风速进行修正、对总发电功率进行预测以及对总发电功率进行修正的步骤，可得到未来4小时，15分钟分辨率的预测风电场总发电功率。