曾娜梅， 霍志红， 许 昌， 邓智文， 靳志杰

(1.河海大学 能源与电气学院，南京 211100；2.河海大学 水利水电学院，南京 210098)

风力发电的大力推广带来很大经济效益的同时，也使风电场面临一些挑战。其中，自然风的随机性与间歇性导致风电机组出力很不稳定[1]，严重影响接入电网系统的稳定性，更不利于风电场的调度和控制。精准有效的功率预测是解决上述问题的关键，而准确预测风速是风电场功率预测的基础[2]。通常整个风电场的控制系统从接收指令到响应结束用时在2 min内，因此为了更好地对风电场进行功率控制，亟需建立有效的分钟级超短期预测系统。

超短期功率预测指提前量为0～4 h的滚动预测，被用于机组控制及载荷跟踪[3]。国内外常用的预测方法包括自回归移动平均(ARMA)[4]模型、空间相关性方法[5-6]、支持向量回归(SVR)[7-8]和小波神经网络[9]等。然而上述方法均集中于对预测方法的创新与改进，忽略了待预测物理量自身特性对模型预测效果的影响。由于风速的时间分辨率越小，其紊流特性及非高斯性就越强，对预测模型的要求也就越高，因此，结合数据预处理的组合预测方法成为近期热点研究趋势。李燕青等[10]基于解析模态分解(AMD)对风电功率序列进行分解，但该方法需提前确定信号中的各个频率成分，不具备自适应性。Hong等[3]利用形态学高频滤波器(MHF)将时间序列分解为平均分量和高频分量，但平均分量的划分参数需要大量仿真实验来确定。He等[11]利用小波变换对风速序列进行分解，并采用深度置信网络(DBN)进一步提取分解后子序列的高维特征，但小波基的选取较难。……