柳玉，郭虎全

（1华北电力大学，控制与计算机工程学院，北京 102206;2新能源电力系统国家重点实验室，北京 102206）

近年来，风力发电机组单机容量和大型并网风电场的发电总量迅速增长[1-2]，影响了电力系统的安全平稳运行[3]。因此，进行风速预测很有意义。

短时期的预测需要基于对过去和现在的数据进行推广的统计技术。最简单的统计预测方法是持续预测法[4]，这种方法一般是将最后一步的测量数据作为下一步预测数据的输入部分，由于只考虑上一步测量值，模型的预测误差较大，预测结果不稳定；时间序列法[5-6]利用历史测量值建立线性模型，但是其低阶模型预测精度低，高阶模型参数整定难度大；卡尔曼滤波法[7-8]是在假定已知噪声统计特性的情况下得出预测值，事实上噪声的统计特性难以估计；空间相关性法[9]则是利用风场和邻近点的风速数据做预测，其预测效果较好，但原始数据收集量较大。

由于风速序列的高度非线性，如ARMA的线性模型不能进行很好地预测。神经网络[10-11]则能够很好地逼近非线性函数。其处理非线性问题所表现出很强的优越性。然而神经网络也存在明显的不足，一些研究表明，对网络的配置和训练是NP问题，其自身缺乏严格的理论指导。如何最优地构造和训练一个神经网络，保证神经网络的泛化能力，更多的取决于使用者的经验和不断的试凑。1990年，Hansen和Salamon[12]证明：通过训练多个神经网络并将其集成输出，会显著地提高神经网络的泛化能力。……