李东福，董 雷，礼晓飞，廖 毅

(1.华北电力大学 电气与电子工程学院，北京 102206;2.中国南方电网超高压输电公司广州局，广东 广州 510663)

0 引言

由于目前世界能源紧张，电力供需矛盾突出，而常规能源难解燃眉之急，风能作为一种重要的可再生自然能源具有蕴量巨大，可再生性和无污染等优点，所以被公认为是一种理想的可再生能源发电方式。风力发电的输出功率与风电场风速有很大关系，呈现出很强的随机性。对风电场风速进行较为准确的预测，对于电力部门及时调整调度计划，衡量风电场的容量可信度，进而确定合适的风电上网价格，具有重要的现实意义[1～2]。

近年来风电场风速预测的方法较多:神经网络法、时间序列法、卡尔曼滤波法、遗传算法、小波分析[3，4]及其它算法。这些预测方法各有优优势，但也存在一定不足之处，如神经网络法样本训练困难[5，6]，时间序列模型 (ARMA) 的适应性和预测精度问题[7，8]。由于风电场风速序列本身的时序性和自相关性为建模提供了足够的信息，这里的时间序列模型只需要有限的样本序列，就可以建立预测模型，所以得到了广泛的应用，但存在低阶模型预测精度低、高阶模型参数估计难度大的问题[7]，尤其是对于不平稳风序列的预测精度较差;为此本文提出一种基于小波分解和时间序列法的混合建模方式。利用小波分解将各序列分量分别投影到不同尺度上，逐层分解到不同的频率通道上。由于分解后的序列在频率成分上比原始序列单一、平滑，因此分解后序列的平稳性比原始序列好得多。……