雷 爽， 王鹏卉， 张亚刚

(新能源电力系统国家重点实验室(华北电力大学)，河北 保定 071003)

0 引言

随着煤、天然气等传统化石能源的储量日趋减少，各国开始纷纷致力于新能源的研发。风能作为新能源的一种，具有清洁、无污染、储量丰富等优点被广泛地发展应用。但是，由于风速具有很强的波动性、随机性和间歇性，大规模的风电在接入电网时会对电网的安全性和稳定性带来严峻的挑战，也因此带来了大量的弃风现象[1]。精确的风速预测可以对电网调度提供有效的调度支持，对风电的大规模应用具有重大意义。

风速预测方法一般可分为基于历史数据的预测方法和基于数值天气预报数据的预测方法。基于历史数据的风速预测方法主要包括持续法、时间序列法、神经网络法、卡尔曼滤波法等[2]。

持续法是直接将某一时刻的风速值直接作为下一点的预测值，这种方法虽然简单、高效，但是不能体现风速的变化[3]。时间序列方法主要应用自回归移动平均模型(Auto Regressive and Moving Average，ARMA)，自回归差分移动平均模型(Auto Regressive Integrated Moving Average，ARIMA)和广义自回归条件异方差模型(Generalized Auto Regressive Conditionally Heteroscedasty，GARCH)。丁腾，冯冬涵等人基于ARIMA模型和GARCH模型，对风速序列建立了ARIMA-GARCH模型，并利用模糊理论、风速分布特性等相关分析方法对预测进行修正，得到了较好的预测结果[4]。但是，时间序列预测方法往往具有一定的滞后性，难以对风速的突变迅速反应且需要大量数据进行模型的拟合[5]。神经网络，支持向量机等方法是基于风速的数值变化规律对风速进行预测，仅需历史数据即可建立模型，但存在训练集难以选择，模型易出现过拟合现象等缺点[6-8]。……