朱建红，黄 琼，孟棒棒

(南通大学 电气工程学院，江苏 南通 226019)

0 引 言

风力发电机组发出功率时刻处于波动状态，这种出力特性使得发电机组并网稳定运行面临着巨大挑战[1]。为规范电网调度和风电场功率预测，国家能源局发布了风电功率预测系统功能规范[2]，对风电功率准确预报要求进行了严格量化。同时为保证风电场并网安全稳定运行，电网公司颁布了《风电场接入电力系统技术规定》，规定了风电场输出并网波动率控制要求。

作为新预测方法，组合预报成为发展趋势[3]，其核心思想是消除大预报偏差以降低独立预测误差带来的风险，将不同统计预测值加权平均，例如SVM预测与最小二乘法、混合遗传算法[4,5]。现有成果显示，风电预测平均绝对误差(MAE)可以控制在总装机容量10%～15%以内[6]。相比德国的WPMS，采用人工智能神经网络方法，预测均方根误差(RMSE)在7%～19%。由欧盟资助开发的ANEMOS项目，预测误差在10%左右。国内较早的预测系统是由电力科学研究院开发的物理混合预测模型[7]。在平抑风电场功率输出波动方面，许多学者和科研人员也进行了深入研究[8]。控制策略主要分为加储能和不加储能装置[9]。加储能装置平抑功率波动方法有加超级电容、新型电池、新型飞轮装置和超导磁[10]，成本较高。不加储能的基于算法设计功率平滑处理的方法有低通滤波器法、滑动平均法、小波包分解等。课题预报策略基于智能预测算法研究，包括应用较广的BP神经网络法，波形追踪能力较强的小波分析函数与神经网络相结合的小波神经网络法和基于最小二乘法的支持向量机法(LS-SVM)。……