张 露，卢继平，梅亦蕾，朱三立

（重庆大学 输配电装备及系统安全与新技术国家重点实验室，重庆 400044）

0 引言

随着风力发电技术的不断发展，风电在电力需求中所占比例越来越大［1］。风电场穿透功率的不断加大，威胁着电力系统安全、稳定、经济、可靠运行［2］。对风电功率进行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，有利于调度部门及时调整计划，从而减轻风电对电网的影 响［3］。

风电功率预测根据预测模型的不同分为物理方法、统计方法和学习方法。物理方法是基于数值天气预报的方法，该方法不需要大量历史数据，但需要准确的数值天气预测数据和风电场周围详细的物理信息［4］；统计方法主要有时间序列法（ARIMA）［5］、卡尔曼滤波法［6］、灰色预测（GM）法［7］、空间相关法［8］等；学习方法［9-14］能更准确拟合非线性关系，用于风电功率预测的学习方法主要有神经网络法［9］、小波分析［10］、支持向量机（SVM）［11］等。

以上每种方法都各有优劣和不同的适用场合，不可能在任何情况下都有较好的预测精度。因此采用组合预测方法对风电功率进行预测，可以充分利用各种单一模型的信息，有利于提高风电功率预测精度［15］。

组合预测方法的关键是确定各单项预测模型的权系数。有大量文献在求取权系数时，根据某一优化准则来构建组合模型，进而求得组合预测权系数，例如文献［16］和文献［17］根据最小方差确定组合模型权系数；文献［18］依据误差平方和最小的原则得到权系数；……