段新会，李文鑫

（1.华北电力大学 控制与计算机工程学院，保定071003；2.保定华仿科技股份有限公司，保定071051）

风能是一种清洁且用之不竭的可再生能源，发展利用风能已是大势所趋。2019年我国风电累计装机容量达到21005 万千瓦，并且我国海上风电装机规模位居全球第三[1]，但风能是一种不可控能源，具有波动性、随机性等特点，导致风力发电设备成规模并网时给整个电力系统的安全运行带来考验，无法准确满足发电与用电之间的供需平衡导致风力资源浪费，降低电网经济性[2]。因此提高风速预测的准确性是保证安全并网的重要前提。

对于风速预测的方法主要分为2 大类：物理法与统计法。近几年，人工智能迅速发展，渗透到了多个社会发展领域中，因此统计法成为了主流的预测方法，即对历史数据进行统计分析找出非线性规律实现风速的预测。其中传统的BP 神经网络与传统的PSO 粒子群算法因结构简单、编程易实现等优点被人们广泛的应用于非线性拟合、参数寻优等问题上[3]。文献[4]采用BP 神经网络算法对风功率进行预测，但是其权值与偏置的选取影响着神经网络训练的结果，具有一定偶然性，容易陷入局部最优解，最后预测的结果具有较大误差；文献[5]采用PSO-BP算法对功率进行预测，预测结果好于BP 算法，但传统的PSO 算法搜索能力较弱也会产生局部最优、收敛速度较慢等问题，所以要对传统的PSO 算法进行改进；文献[6]引入混沌策略和种群适应度方差的概念，适应度方差越小代表粒子发散程度较差，影响着粒子群的搜索能力。……