风光水多能互补系统由风电场、光电场和水电站三个子系统构成。风电、光电和水电出力分别主要受风速、太阳辐射强度和径流影响，获取这三者的高精度预测结果对风光水多能互补系统的稳定安全运行具有重要作用。风速、太阳辐射强度和径流的共同点在于都是时间序列变量，三者的预报方法有类似之处也各有不同。

物理过程驱动方法基于温度、湿度、气压、风速等气象数据和地形数据构建数学物理方程来模拟未来一段时间某区域或全球尺度风速变化过程，例如:数值天气预报模型(Numerical Weather Prediction，NWP)。典型数值天气预报模型有欧洲中期天气预报中心(EuropeanCentreforMedium-RangeWeatherForecasts，ECMWF)、第五代中尺度模式(Fifth-generationMesoscaleModel，MM5)和天气预报模式(Weather Research and Forecasting，WRF)等模型。Wang 等采用 NWP 模型进行风速预测，并提出了序列转换修正算法对预测结果进行修正，实验结果表明修正算法有效提高了模型预测精度。Cassola 和 Burlando采用卡尔曼滤波修正 NWP 模型的风速预测结果，在意大利 Liguria 区的风场上验证了预测精度。陈玲等从预测精度和效率两方面分析了 WRF 中尺度数值预报模式中不同嵌套网格分辨率对风电场风速预测的影响。物理过程驱动方法的优势在于模型可解释性强，缺点在于对基础数据要求高、建模复杂、求解耗时。

数据驱动方法通常根据历史风速信息以及气象相关因子采用机器学习或深度学习等统计类方法对风速进行预测。数据驱动方法的优点是基础数据需求相对较低、预报速度快、预报精度较高;缺点是预报模型是黑箱模型，结果依赖于样本数据质量。常见数据驱动方法可以分为时间序列模型、机器学习或深度学习模型和混合方法。

主要包括滑动平均模型(Moving Average，MA)、自回归模型(Auto-regressive，AR)、自回归滑动平均模型(Auto-regressive Moving Average，ARMA)和自回归差分滑动平均模型(Autoregressive Integrated Moving Average，ARIMA)。Erdem 和 Shi采用了4 种基于 ARMA 的方法完成了短期风速和风向预测，并在美国北达科他州内的风场数据集上对比了不同预测方法的区别。蒋金良和林广明基于确定性系数和最小信息准则对 ARIMA 模型开展了风速仿真研究，验证了模型的有效性。使用时间序列模型进行预测的前提条件是数据满足平稳性假设或通过差分化处理之后满足平稳性假设。

为了处理风速的非线性、非平稳性和随机性等特征，许多机器学习方法被用于风速预测，比如支持向量回归(Support Vector Regression，SVR)、极限学习机(Extreme Learning Machine，ELM)和人 工神经网络模型(Artificial Neural Network，ANN)等。Zhou 等实现了最小二乘支持向量机(Least-squares Support Vector Machine，LS-SVM)，并将其运用于短期风速预测，实验中对比了三种不同的核函数并对每个预测模型的超参数进行了调优，结果表明在大多数情况下 LS-SVM 模型性能优于持久化模型。Zhang 等提出了一种基于 ELM 的复合结构风速预测方法，预报之前对特征输入进行了特征优化，同时也完成了超参数优化，使得 ELM 模型具有较高预测精度。Ren 等采用粒子群优化算法对反向传播神经网络(Back Propagation Neural Network，BPNN)超参数进行了优化选择，使得 BPNN 在风速预测案例上表现出了更好的性能。

近几年，随着计算机技术和人工智能的蓬勃发展，深度学习模型逐渐被运用于风速预测领域。Wang 和 Li提出了一种优化特征筛选算法用于捕捉风速波动中的特征，并采用长短期记忆网络(Long Short-Term Memory Network，LSTM)进行风速多步预测，模型中引入了一种误差修正策略用于提高风速预测精度。Zhang 等综合考虑了风速、气压、温度和湿度等气象因子之间的格兰杰因果关系，提出了邻域门长短期记忆网络(LSTM based on Neighborhood Gates，NLSTM)并用于风速预测，在新疆富蕴气象站数据集上验证了模型的有效性。Chen 等采用 LSTM 提取时间特征、采用卷积神经网络(Convolutional Neural Network，CNN)提取空间特征，实现了风速的时空预报，在美国德克萨斯州风能研究所的数据集上与多种模型进行了对比，验证了模型性能。

为了克服单一预测模型的缺点，同时发挥多个预测模型的优势，混合模型逐渐成为风速预测主流方法。Liu 等将 ARIMA 模型分别与 ANN 模型和卡尔曼滤波结合，提出了两种新的混合预报方法(ARIMA-ANN，ARIMA-Kalman)，通过对比实验验证了两种混合方法的性能，且两种混合模型均能应用于非平稳风速预测。Zhang 等基于经验模态分解(Empirical Mode Decomposition，EMD)、ANN、SVR 和特征优化构建了两种新颖的风速混合预报模型，实验结果表明提出的模型具有稳定的预报性能。Peng等针对风速多步预测问题提出了两阶段分解技术，并结合AdaBoost- ELM 提出了混合预报方法，该方法能捕捉风速时间序列的非线性特征并获得高精度的预测结果。

由于风速的不确定性问题，风速点预测结果给调度决策人员提供的信息有限，因此，开展风速概率预报研究、获取高精度预报结果的同时量化预报的不确定性对风电站实际运行具有至关重要的作用。常见风速区间预测或概率预报方法有分位数回归(Quantile Regression，QR)、高斯过程回归(Gaussian Process Regression），进行评价，验证了预测区间的有效性。Zhu 等将高斯混合模型(Gaussian Mixture Model，GMM)与 LSTM 耦合实现了风速概率预报，并采用进化搜索消除了不相关或冗余的特征，提升了预报模型的精度和可靠性。Liu 等基于门控循环单元(Gated Recurrent Unit，GRU)与 CNN 两个深度学习模型运用变分贝叶斯推断得到了风速时空概率预报结果，为解决时空风速预测提供了新思路。

目前，风速确定性预测研究热点主要集中在通过组合不同的预测模型、优化特征输入和模型超参数来提升预测精度;风速概率预报研究热点主要集中在获取可靠的概率预报结果上。因此，如何获取可靠高精度的风速概率预报结果是风速预测领域的关键科学问题，解决该问题可为风电场实际调度运行提供数量依据和决策信息。

太阳辐射强度预测方法与风速预测方法类似，主要也是分为物理过程驱动方法和数据驱动方法。

主要采用 NWP和卫星图片进行太阳辐射强度预测。Mathiesen 和 Kleissl对美国本土日间太阳辐射强度数值预报进行了评价，研究中使用 SURF-RAD 地面测量数据验证了北美模式(North American Model，NAM)、全球预报系统(Global Forecast System，GFS)和欧洲中期天气预报中心(ECMWF)对美国本土太阳辐射强度的预报性能。

包括自回归(AR)等时间序列模型、支持向量回归(SVR)和神经网络(NN)等机器学习模型和LSTM等深度学习模型。为了发挥多个模型的优势、获取预测精度更高的太阳辐射强度值，组合多种预报模型得到的混合模型是近年来太阳辐射强度预测方法的研究趋势。 Ghimire 等将 LSTM 和 CNN 模型结合得到深度学习混合模型，通过 CNN 提取数据输入特征，然后由 LSTM 完成时序预报，实验结果表明混合模型获取了更高的预测精度。太阳辐射强度具有随机性、间歇性和不确定性特征，通过实现太阳辐射强度概率预报来量化预报的不确定性也是目前的研究热点。Liu 等基于 GRU 与 CNN 两个深度学习模型并运用变分贝叶斯推理得到了太阳辐射强度时空概率预报结果，实验结果表明提出模型具有较好的综合预测结果。

与风速预测领域类似，如何获取可靠高精度的太阳辐射强度概率预报结果是太阳辐射强度预测领域的关键科学问题，解决该问题可为光电场实际调度运行提供数量依据和决策信息。

水文径流也是时间序列变量，其预报方法与风速和太阳辐射强度类似。径流预报方法也分为物理过程驱动方法和数据驱动方法。

以水文学概念为基础，对径流的产流过程和河道演进过程进行模拟，从而实现径流预报的过程，比如新安江模型和水箱模型。由于降雨与径流具有非常强的相关性，有研究学者通过 NWP 模型实现降雨预报，进而完成径流预报。

与其他风速和光伏预报类似，时间序列模型、机器学习和深度学习模型等数据驱动方法也被用于径流预测。Luo 等将 SVR 模型与序列分解技术结合实现了月径流预报，实验结果验证了模型的预测精度。Tan 等采用 ANN 模型刻画径流的非线性特征，并基于经验模态分解技术对径流进行了预报。开展水文径流概率预报研究是水文水资源领域的热点与趋势。构造一定置信度对应的上下限区间来量化径流的不确定性是思路之一。更全面地，基于贝叶斯理论、高斯过程回归和分位数回归与核密度估计方法的概率预报模型，可以获取径流的概率密度函数，为调度人员提供更丰富的信息。Liu 等基于隐含马尔可夫模型(HMM)和高斯混合回归(GMR)实现了月径流概率预测，实验结果从预测精度和预测可靠性两个方面验证了所提模型的性能。 Wang 等将贝叶斯联合概率密度方法应用于月或季径流预报中，获得了可靠的径流概率预报结果。

与风速和太阳辐射强度预测领域类似，如何获取可靠高精度的径流概率预报结果是径流预测领域的关键科学问题，解决该问题可为水库调度和风光水多能互补系统运行调度提供数量依据和决策信息。

参考文献：多重不确定性下风光水多能互补系统优化调度研究_张振东.pdf