刘新婷 修春波 张 欣 于婷婷

(天津工业大学电工电能新技术天津市重点实验室，天津300387)(天津工业大学电气工程与自动化学院，天津300387)

随着全球能源紧张以及环境污染的日益严重，风能的开发利用得到各国的普遍重视.风能是一种清洁的可再生能源，发展风力发电成为改善能源结构、减少环境污染和保护生态环境的一种有效措施［1-2］.但风速具有间歇性、随机性和不确定性的特点，这对风电并网技术提出了挑战.目前，解决风电并网的关键技术问题之一就是风速预测，有效的风速预测可使电力调度部门及时调整调度计划，从而保证电能质量，减小系统的备用容量，降低电力系统运行成本［3-4］.

目前，已有的风速预测方法有持续预测法、卡尔曼滤波法、时间序列法、人工神经网络法等.持续预测法将最近一点的风速观测值作为下一点的预测值［5］.该方法简单，是传统的预测方法，常作为其他预测方法的比较基准.卡尔曼滤波法存在动态修改预测权值的优点，依靠预测递推方程可以得到较高的精度，但建立卡尔曼状态方程和测量方程较为困难［6］.人工神经网络对复杂非线性问题的求解十分有效，但也存在收敛速度慢、数据庞大、容易陷入局部极小值等缺陷［7-8］.另外，一些研究者通过对风速时间序列的动力学特性分析发现，风速序列中往往蕴含着混沌特性［9-10］.对于具有混沌特性的风速时间序列可结合相空间重构理论开展预测分析研……