Page 180 - 《中国电力》2026年第5期

第 59 卷 第 5 期 Vol. 59, No. 5
2026 年 5 月 ELECTRIC POWER May 2026

引用格式：赵军, 张世锋, 宋金鸽. 物理数据融合的风电场功率预测[J]. 中国电力, 2026, 59(5): 176−182.
Citation: ZHAO Jun, ZHANG Shifeng, SONG Jinge. Wind farm power forecasting by physical data fusion[J]. Electric Power, 2026, 59(5): 176−182.

物理数据融合的风电场功率预测

赵军，张世锋，宋金鸽

(国网山西省电力公司电力科学研究院，山西 太原 030001)

Wind farm power forecasting by physical data fusion

ZHAO Jun, ZHANG Shifeng, SONG Jinge
(Electric Power Research Institute, State Grid Shanxi Electric Power Co., Ltd., Taiyuan 030001, China)

Abstract: Power forecasting is a fundamental research topic in 测中具有一定优越性及可靠性，能够满足风电场功率预
the wind power industry. Existing wind power forecasting 测精度的要求。
methods predominantly rely on either data-driven or physics- 关键词：风电功率预测；数据驱动；物理数据融合
driven approaches, with few studies combining physical models DOI：10.11930/j.issn.1004-9649.202510007

and data-driven techniques despite their significant com-
plementary potential. A data-driven model is established using
0 引言
K-means clustering, empirical mode decomposition, and
parallel weighted long short-term memory networks. A novel
可再生能源的开发利用是必然趋势，而在各
integrated approach combining physics-driven and data-driven
类 可 再 生 能 源 中 ， 风 能 是 最 重 要 的 能 源 类 型 之
methods was developed for wind farm forecasting. Validation
一 。 风 能 具 有 间 歇 性 、 随 机 性 和 不 确 定 性 等 特
using real-world data from a Chinese wind farm demonstrated
that the proposed integrated method achieved 21.67% higher 性，将会给电力系统稳定运行带来巨大挑战 [1-6] 。
prediction accuracy than data-driven methods and 35.17% 鉴于此，风电功率预测已成为风电行业高质量发
higher accuracy than physics-driven methods. These results 展的关键。
confirm the superiority and reliability of physics-data fusion 目前，国内外学者已从不同角度开展了大量风
methods in wind farm ultra-short power forecasting.
电功率预测研究，相关方法大致可分为数据驱动
This work is supported by Science and Technology Project of
和物理驱动两类 [7-10] 。数据驱方法依赖数据质量，
State Grid Shanxi Electric Power Co., Ltd. (No.52053023
泛化能力不足。物理模型融合了风电场运行的基
000M).
本原理，具有较强的泛化能力。此外，部分学者
Keywords: wind power prediction; data-driven; physical-data
fusion 还采用经验尾流模型进行功率预测。尽管构建物
理模型及选择模型参数需要扎实的专业知识，但
摘 要：现有风电功率预测大多依赖数据驱动或物理驱 物理驱动模型的优势在于其强大的泛化能力。鉴
动的单一方法，少有研究将物理模型与数据驱动相结合， 于纯数据驱动与物理驱动模型各自的优势与局限
而这两种方法之间存在显著的互补潜力。建立了基于 K
性，且两者存在显著的互补性，物理与数据融合
均值聚类、经验模态分解与并行加权长短期记忆网络的
方法日益受到关注 [11-16] 。已有研究将此类方法应
数据驱动模型，并构建了融合物理驱动与数据驱动的风
用于风电场功率预测，典型应用包括：利用人工
电场预测方法。以山西某风电场的实测数据为案例进行
验证，所提物理数据融合方法的预测精度比纯数据驱动 智能技术优化数值天气预报模型的参数，进而开
方 法 高 21.67%， 比 基 于 经 验 尾 流 物 理 模 型 驱 动 方 法 高 展中尺度天气预报；构建融入物理信息的统计模
35.17%。该结果证实了物理数据融合方法在风电场功率预 型或智能模型，以最大化风电场发电量。此外，
物理与数据混合模型通过优势互补，可提升预测
收稿日期：2025−10−09； 修回日期：2026−04−17。 精度与鲁棒性 [17-18] 。现有研究主要围绕 3 种融合
基金项目：国网山西省电力公司科技项目（52053023000M）。 范式展开：1）残差校正型融合 [19-22] ，利用数据驱

176