王吉东， 许 昌， 王 欣， 韩星星， 郑 源， 刘德有

（河海大学 能源与电气学院，南京 210098）

由于风资源的不可预测性以及机械、电气等多重因素的影响［1］，风电机组运行工况复杂多变，系统具有明显的非线性、随机性和强耦合性，因此，很难建立精确的物理模型［2］.在传统的风力机建模中，风能计算通常采用文献［3］中提供的风能利用系数Cp的经验公式，由于机组类型、参数等差异，该公式不能适用于不同机组，所以，采用经验公式建立的控制理论缺乏实用价值.而以实际运行数据为基础，通过现代智能算法探究风电机组的实际运行规律，为风力发电系统建模与控制提供了新思路.

现代智能建模领域应用最为广泛的是人工神经网络算法，而神经网络模型中最常用的是BP（back propagation）神经网络，该方法结构简单、处理非线性问题能力强，但是，由于其基于经验风险最小化原则（ERM），预测时常出现局部误差过大的问题，对于小样本模型无法达到理想的预测精度［4］.Vapnik在统计学习理论基础上提出的支持向量机（SVM）是一类新型的机器学习算法，它基于结构风险最小化原则（SRM），克服了常规神经网络算法的缺陷，具有预测精度高、泛化能力强、能收敛于全局最优等特点［5］.文献［6－7］针对不同类型的训练数据，讨论了SVM 核函数的选择方法.文献［8］讨论了SVM中惩罚参数C 和预设误差ε 对回归函数的影响.文献［9－11］分别介绍了利用双线性搜索法、网格搜索法、双线性网格搜索法、二分法及粒子群算法等对SVM 参数进……