叶 林，赵金龙，路 朋，裴 铭，陈 梅，王 勃，车建峰

（1. 中国农业大学信息与电气工程学院，北京市100083；2. 国家电网有限公司，北京市100032；3. 中国电力科学研究院有限公司，北京市100192）

0 引言

风能具有很强的波动性、随机性和间歇特性等特点，这些特性决定了风电功率具有较强的波动性。为了有效地降低风电接入电网带来的不确定性，提高电力系统对风电的消纳能力，在日前的时间尺度内需要准确的短期风电功率预测［1-3］。

风电场短期风电功率预测的输入主要为数值天气预报（numerical weather prediction，NWP）数据，包括风速、风向、气压、温度等气象因素［1］。传统的预测方法大多基于时序法、人工智能等算法，且预测模型的输入一般为特定高度的风速或典型气象因素［4-6］，但是关键气象因素提取难，导致短期风电功率的预测精度较低，同时并非每种气象因素都能提供有价值的预测信息［7-8］，因此需要对气象因素进行特征提取。文献［8］提出了一种基于互信息相关系数的相似日筛选方法，得到与预测日高度相似的训练样本，对提高日前风电功率预测精度有参考价值。文献［9］在建立预测模型时考虑了多位置NWP和非典型特征，能够明显地提高短期风电功率预测精度，然而建模时需要目标风电场周围完备的多位置NWP 数据，增加了建模成本与预测时间。文献［10］采用t-分布邻域嵌入非线性降维的方法对NWP 气象因素进行了降维处理，为天气类型的聚类划分做了数据准备。目前，大多研究致力于从繁杂气象因素中选取特征因素，以期提高短期风电功率的预测精度。……