李世昌， 李 军

(1.中信重工工程技术有限责任公司，河南 洛阳 471039；2.兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070)

随着可再生能源的发展，风能已经引起越来越多的关注。短期风电功率预测对电力系统的安全、经济运行有着重要的意义[1]，因此是新能源应用领域中的研究热点。传统基于线回归的预测模型，如自回归积分滑动平均模型、卡尔曼滤波等，难以表述风电功率变化的内在非线性特征，更先进的统计方法，如神经网络[2-3]、支持向量机(Support Vector Machine，SVM)[4]、极限学习机(Extreme Learning Machine,ELM)[5]在风电功率预测中取得了较好的预测结果。文献[5]给出一种基于改进的ELM预测方法，该方法具有学习速度快、泛化性能好的优点，并已在风电功率预测中成功应用。

稀疏表示在图像领域中作为一种特征提取手段得到广泛应用[6]。稀疏表示方法包括稀疏编码和字典学习。文献[7]将基于正交匹配追踪(Orthogonal Matching Pursuit,OMP)的贪婪学习算法应用于数据恢复中。文献[8]给出了针对信号稀疏表示的过完备字典进行训练的高效字典学习算法——K-均值奇异值分解(K-Means Singular Value Decomposition，K-SVD)算法及其实现。文献[9]则给出一种直接基于K-SVD的字典学习算法构建预测模型的预测方法，将其成功用于金融领域时间序列的股票收益预测中。

鉴于稀疏表示方法的良好特性，本文提出一种基于字典学习的K-SVD-OMP特征建模方法，与SVM或ELM方法结合，构成全局预测模型。所提出的方法将其应用于短期风电功率预测中，在同等条件下，将基于不同稀疏表示特征提取的建模方法，以及现有的单一预测方法进行对比，验证所提出的方法的有效性。……