史宇伟，潘学萍

（河海大学 能源与电气学院，江苏 南京 210098）

0 引言

风电作为当前发展最快的可再生能源发电形式，得到了世界各国的广泛重视［1］。随着风电规模的扩大，当风电穿透功率超过一定数值后，风电的接入可能影响电能质量和电力系统的安全稳定运行［2-3］。如何提高风电场风速或风功率的预测精度是合理利用风电资源的关键问题。

短期风速预测的时间分辨率一般为1 h。对风速或风电功率的准确预测，可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，增强风电场在电力市场中的竞争能力［4］。然而由于风速的随机性和间歇性，准确预测风速难度较大，目前风电场风速预测误差一般在 25%～40%［5］。

目前已有的风速预测方法可分为基于物理模型的方法和基于历史数据的预测方法两大类。物理模型法采用天气预报数据进行预测，由于气象预报数据更新频率低，适用于中期风速预测。基于历史数据的预测方法较多，主要有空间相关法［6］、时间序列法［7］、人工神经网络法［8］、支持向量机法［9］等。 由于风速与气象因素（如风向、气温、气压等）密切相关，在历史数据的输入选择上，越来越多的学者提出历史风速数据和气象数据相结合的方法，进行风速或风功率预测［10-11］。如何对多种输入数据进行最佳的删选，对提高预测精度有重要作用，然而这方面的研究很少。文献［12-13］在预测模型的输入变量选择中，采用主成分分析（PCA）法对输入特征变量进行提取，减少了输入变量的个数。……