张靠社，杨剑

（西安理工大学水利水电学院，陕西西安 710048）

电力系统中风力发电的高渗透性给电网运营商带来了一系列挑战，主要是由于风的间歇性特点[1]。风电功率预测对电力系统的功率平衡和经济调度具有非常重要的意义。国外风电装机容量较大的国家都进行了风电功率预测系统的研究与开发[2]。目前短期风电功率预测可以分为物理方法和统计方法。物理方法是利用数值天气预报系统得到风速、风向、气压、气温等天气数据，根据风力发电机组周围的物理信息得到风电机组轮毂高度的风速、风向等信息，最后利用风力发电机组的功率曲线计算得出风力发电机组的输出功率；统计方法即根据历史数据（风速或功率）在天气状况与输出功率间建立映射关系，然后进行预测。常用的统计方法主要包括:聚类统计分析法[3]、人工神经网络法、灰色模型法（GM）[4]、粒子群优化算法[5]、小波分析法[6]、组合预测法[7]、空间相关性方法和支持向量机法（support vector machine，SVM）[8]等。

具有自学习和联想存储功能的人工神经网络(ANN)可以通过学习来逼近任意复杂的非线性关系，因此目前广为应用。文献[6]基于数值天气预报，建立了基于小波-BP神经网络的预测模型,利用小波将风速与功率序列在不同尺度上进行分解，并使用多个BP神经网络对各频率分量进行预测，最后重构得到完整的预测结果。文献[9]建立了基于径向基函数（Radial Basis Function,RBF）神经元网络的短期风电功率预测模型，运用该模型进行了1 h后的风电输出功率预测，预测误差在12%附近，该方法预测比较稳定。……