曹天行，刘三明，王致杰，刘剑，孙元存

(上海电机学院 电气学院， 上海 200240)

0 引 言

风能作为一种新能源具有清洁环保的特点，因此世界各国的装机容量逐年增加，使得风电渗透率增加，但是随着风速的变化风电出力并不稳定，这使得电力系统的运行面临不小的挑战[1-2]。因此风功率的准确预测是保证电力系统的可靠运行以及增加风电上网的竞争性的必要前提。

风电功率短期预测方法主要包括基于数值天气预报(NWP)的预测方法和时间序列分析法(ARMA)[3-4]。基于NWP的预测方法包括支持向量机(SVM)[5-6]、人工神经网络(ANN)[7]等；时间序列法包括卡尔曼滤波法(KF)[8]、持续预测法[9]等。然而这些常见方法都有各自的缺点，例如持续法的预测结果不稳定，且预测误差大; 人工神经网络容易陷入局部极值，对高频的序列学习效果不好; 支持向量机难以训练大规模的样本。深度学习网络是指多类机器学习结合各层次结构的网络，使用多层非线性信息处理方法，进行识别特征、分类数据和生成数据。文中采用集合经验模态分解[10-11](EEMD)将风电功率变成一组平稳性序列，再结合稀疏自编码器(SAE)及BP神经网络进行预测可提高预测精度。

1 集合经验模态分解

集合经验模态分解是传统的经验模态分解方法的改进，文献[12]介绍了经验模态分解，经验模态分解是一种依据数据固有的时间尺度特征来分解信号的方法，可逐级筛选出原信号中不同时间尺度的局部特征信号，得到具有相同特征的固有模态分量(Intrinsic Mode Function, IMF)。……