任文凤，冯志亮，杜艳丽，段昱臻

(北华大学电气与信息工程学院，吉林 吉林 132021)

风能，因避免了火电的环境污染及水电的生态影响，在我国得到了广泛应用.为了保证电网的安全运行，有必要也必须对风力发电系统进行有效的规划和控制，因此，风电场短期功率预测相关研究的重要性显而易见[1].针对风电功率预测问题，学者们提出了多种预测方法，大致可以分为物理法和统计法[2-5]两类，常用的有持续法(Persistence Approach)[6]、时间序列法(Time Series Method)[7]、支持向量机法(Support Vector Machine，SVM)[8]、人工神经网络法(Artificial Neural Network，ANN)[9]、模糊逻辑法(Fuzzy Logic)[10]以及这些方法的组合方法等[11-12].比如，文献[13]采用SVM预测了风电功率，结果显示，作为机器学习算法，SVM有较好的数学理论支撑，且对于小数据集预测有较好的预测精度和泛化能力，但在大数据集下，SVM的特征提取比较困难，导致精度下降；文献[14]对比了深度学习算法长短期记忆(Long Short-Term Memory，LSTM)与自回归移动平均模型(Autoregressive Integrated Moving Average Mode，ARIMA)，证明了基于神经网络LSTM的风力发电功率时序预测方法可以更好地拟合原始风力发电功率曲线，但对于变化复杂的发电功率而言，单一的网络并不能充分提取原始数据信息，导致预测精度并不是很好；文献[15]采用了小波变换(Wavelet Transform，WT)和LSTM相结合的方法预测风电功率，结果表明，WT可以消除模态混叠现象，相比单一神经网络性能要更好，但是在高频下预测精度并不是很理想；文献[16]提出了天气状况与双向长短期记忆(Bi-directional Long Short-Term Memory，BiLSTM)相结合的预测方法，整体预测效果很好，但是由于风电功率和天气状况都需要预测，可……