單機風電功率預測根據風機輪胎風速的歷史數據預測風電功率。風速與功率的高比列關系促使電力調度系統對風電功率預測精度的要求較高，再者，風速具有間隙波動性和隨機性，致使風速和風電功率序列呈現出很強的非線性。人工智能在處理非線性預測問題上具有優勢，對單機風電功率預測建模有一定的價值。
為此，四川工業學院的研究人員郭茜、匡洪海、王建輝、周宇健、高閏國，在2020年第2期《電氣技術》雜志上撰文，介紹了基于人工智能的單機風電功率預測模型的構建過程風電功率預測意義，闡明了模糊邏輯等人工智能方式在單機風電功率預測中的應用與特性，闡述了單機風電功率預測模型存在的問題風電功率預測意義，提出了對提升單機風電功率預測模型性能的一些看法。
2019年5月，國家發展變革委及國家能源局在《關于構建完善可再生能源電力消納保障機制的通知》中指出，自2020年1月1日起將對各市級可再生能源的消納水平全面進行檢測評價和即將考評。2018年風電借助率達92.8%，但因為受自然條件影響大，生物質能顯著的波動性促使電力系統的調度壓力較大，電力系統還不能完全適應大規模生物質能并網。2020年的風電借助率指標為95%。為此，調度系統對確切快速地預估風電功率有著著力需求。
風機分為離網型和并網型。后者的功率預測確切率在分布式風力發電中要求較高，單機功率預測的性能將直接影響其投入使用時的可靠性。從集群風電網的角度來看，并網型單機功率預測的偏差對集群功率預測的影響是成倍的。
對電場中的每一單機都進行預測的成本很高，鑒于同一范圍內風速等氣象的相像性很高，常常由一臺或多臺馬達的功率預測估算集群風電網功率。無論是離網型單機還是并網型單機，單機的風電功率預測精度都是影響風力發電普及率的重要誘因。因而，對單機功率預測模型及技巧的研究變得尤為重要。
目前學術界已對電場級和集群級功率預測系統中的風電功率預測方式展開了大量研究，美國對風電功率預測的研究起步較國外早，尤其在工程應用方面，美國已有相對完整的全套風電功率預測工具。近六年的國外外學術界對功率預測模型研究中，約17%采用人工智能預測模型，組合模型占比20%左右，可見風電功率人工智能預測模型是近些年來的研究熱點，但相比占比54%的統計模型來說還相差較遠；研究方向的偏好上，只有約10%是針對建模問題的研究，大部份的研究集中在預測方式和仿真上。可見人工智能預測模型的研究空間仍較大。
現有的對風電功率人工智能預測模型的研究多集中于電場級和集群級預測，不能滿足分散式風機確切快速供能的需求。為此，有部份國外外學者對單機風電功率預測展開了有益的研究。
有學者綜述了風電功率預測技術，強調因為氣象等隨機誘因的影響致使單機風電功率預測難度較大，且許多研究都圍繞電場級和集群級預測；有學者研究了單機輸出功率的波動特點，表明預測精度和時間尺度成正比，在空間尺度中單機功率的波動性比電場與集群要強；楊俊友等人提出考慮尾流響應的單機功率數學預測方式，在預測模型的構建中考慮了隨機誘因，改善了預測療效，并將單機功率預測引入無功控制策略中，充分借助單機預測的精確性優勢，改善了分散式電場的無功調節療效；葉林等人提出借助單機有功預測實現有功控制及校準。可見針對單機功率預測隨機性大的特點，國外更多采用或結合數學建模技術來完善單機風電預測模型，且在有功功率和無功功率的控制上進行了突破性的應用探求；國內則更傾向于采用統計建模技術構建單機風電功率預測模型。
單機風電功率預測模型的構建，按照預測策略的不同分為兩類，即數學建模和統計建模。
1）數學建模技術利用氣象學對復雜的大氣化學過程進行剖析預測，因為風速序列在時間、空間上無規律、大幅波動的特征，無法針對不同機成立立統一的數學模型，對數值天氣預報（,NWP）的依賴性強，但具有不須要歷史數據的優點。2）統計建模技術是基于統計學思想，借助風速/風電功率時間序列等歷史值對未來值進行回歸預測或機率預測。統計模型主要包括人工智能預測模型。人工智能預測模型對非線性序列的預測問題具有優勢，包括人工神經網路（,ANN）預測模型和支持向量機（,SVM）預測模型。四川工業學院的研究人員剖析了基于ANN及SVM構建的單機風電功率預測模型，梳理了基于模糊邏輯法、啟發式算法（,HA）等人工智能技術的單機風電功率預測方式，對單機風電功率預測模型和方式進行總結，對不同模型及技巧的好壞進行比較，重點梳理了預測過程中可能形成偏差的方面，并展望了可能的研究方向。
圖1模糊推理過程
圖2ANFIS預測模型的拓撲結構
研究人員強調，單機風電功率預測模型中，ANN預測模型的拓撲結構緊湊、預測精度較高、遷移性能挺好，但須要大量歷史數據，且訓練模型的時間長、不易找到全局最優解；SVM預測模型較簡單、魯棒性能好、預測精度比ANN高，而且核函數的選擇條件要求嚴格、易出現過擬合的問題。
單機風電功率預測方式中，模糊邏輯法針對風速的不確定性和隨機性，采用ANFIS提取有效信息并預測風電功率，填補了原預測模型不能確切預測功率序列中非光滑部份的缺點；HA對隨機信息的捕捉能力強，用于調節模型參數。
ANN預測模型在超短期和短期預測中的整體表現優于SVM預測模型，超短期預測結果可輔助風力發電機調節槳葉節距角，短期預測結果可輔助風機控制決策。SVM預測模型更易于中常年風電功率預測，假如在并網運行情況下，小時級的中期預測用于對風機及其他能源的調度判定，包括設計儲能設備的調度計劃，以滿足對電能質量和功率容量的要求；在分散式分布式發電的情況下，同樣可作為對分布式能源調度的重要參照。
據悉，基于SVM的常年風電功率預測在風電場規劃、年檢修計劃和風光互補等多能源組合發電的規劃中都是重要的指標根據。
單機風電功率預測是多能源智能電網中調配發電容量、儲能容量和年度檢修計劃的重要根據，為微電網的推廣奠定了重要基礎。除此之外，超短期單機風電功率預測在精度足夠的情況下，預測偏差還有望作為未來預測風機故障的方式，以加快堅強電網建設。
目前，單機風電功率人工智能預測模型還存在一些問題：①預測模型對輸入數據的依賴度較高，實際工程上幾乎難以為每位風機提供精確的微觀氣象數據，置信度低且許多模型未充分考慮風速計與風機輪胎之間的空間差；②預測模型的超參數及參數的設定方法主要通過經驗及交叉驗證法取得，難以給出數學意義的解釋；③對模型的評價環節中，因為不能完全脫離數據討論模型性能而急需有確切統一的評價標準。
為此，研究人員在文中最后展望了未來單機風電功率人工智能預測模型的研究方向。
1）提升模型輸入數據質量。可以從3個角度優化。
①采用幀率更高的NWP數據并結合地理信息系統（,GIS）進行風速修正，提高精確度；②在選定預測特點時充分考慮所處地理條件對風速的影響，提高確切度；③考慮建立與數學模型、動力模型和流體熱學模型結合的組合模型，從模型的構建上提高預測系統的性能。
2）構建專門的評價數據庫。
風電功率模型的固有特點決定了不同的方式在不同的數據中得出的推論沒有直接可比性，必須對同一數據采用不同方式才可以通過偏差的量值差得到其間的差異。現現在，新型模型越來越多，但針對每一模型性能的完備評估卻較少，這對未來的實踐是極其不利的。為此，構建專用的風電功率數據庫用于預測系統性能的評估參考，并從可靠性、運行效率、合格率和復雜性等角度全面評估模型是非常必要的。
3）構建高性能云運算平臺。
單機風電功率人工智能預測模型的定時更新有助于預測系統跟蹤風速的實時變化，這須要強悍的運算能力支撐。據悉，在分散式發電中應用單機功率預測系統，還須要有云估算的輔助，增加配置服務器的成本。人工智能領域中的數據挖掘、大數據處理、智能算法和模型等技術都能為單機功率預測提供支持。
以上研究成果發表在2020年第2期《電氣技術》雜志，論文標題為“單機風電功率人工智能預測模型綜述”，作者為郭茜、匡洪海、王建輝、周宇健、高閏國。