卢 芸，刘金强，滕予非，王晓茹

(1. 西南交通大学电气工程学院，四川成都 610031；2.国网四川省电力公司电力科学研究院，四川成都 610072)

0 引 言

由于风电具有随机性和波动性，大规模风电并网对于电力系统安全稳定运行带来更为严峻的挑战。高精度的实测风电功率曲线能为风电机组性能评估[1]、风电功率预测[2-3]、风电场等值建模[4]等研究课题提供重要的仿真研究和工程应用参考价值，能为风电机组的安全运行和控制、电力部门制订调度计划等提供有力依据。

国际电工委员会提出的IEC61400-12标准将风电功率曲线表示为风速与功率10min平均值的对应关系[5]，按照此标准所得的理想功率曲线未考虑风的动态特性、风机损耗以及其他因素对风机出力的影响[6]。风电功率曲线建模方法分为参数方法和非参数方法。参数方法有分段线性模型、多项式法、指数法、动态功率曲线、概率模型等，非参数方法有三次样条插值、Copula功率曲线模型、神经网络、模糊算法、数据挖掘算法等[7]。参数方法受限于其自身的函数特性，相比之下，非参数方法可以在较大范围更准确地拟合出不同形状的风电功率曲线[8]。智能算法具有输入输出灵活、学习能力强、拟合精度高等优势。文献[9]在剔除实测数据中的“异常点”后利用支持向量机(SVM)建立风电功率曲线模型。文献[10]采用人工神经网络的方法得到风电功率曲线。如上所述，目前已有的大量风电功率曲线建模方法研究重点多在建模方法本身的差别，且均选用与功率对应时刻的风速为输入。……