刘永前，林爱美，阎 洁，韩 爽，李 莉，孟 航

(1.新能源电力系统国家重点实验室(华北电力大学)，北京市 昌平区 102206； 2.华北电力大学新能源学院，北京市 昌平区 102206)

0 引言

截止2020年年底，我国风电并网装机容量达到28 153万 kW，太阳能发电并网装机容量达到25 343万 kW[1]。大规模的风光发电并网会影响电力系统电能质量，不利于电力系统安全稳定运行[2]，较为精准的风光场站功率预测是解决这一问题的重要方向。

按照建模原理，风光功率预测均可分为物理方法和统计方法两种。但物理方法在建模过程中需要详细的地理、气象信息和机组/组件参数，建模过程复杂、计算量大，建模结果难以适应一些极端情况，使得统计预测方法成为当前主流的风光功率预测方法。统计方法是通过大量历史数据进行模型训练，建立输入变量和输出变量之间的映射关系，基于训练后的模型，预测未来的场站功率值。在统计预测中，为提升功率预测建模的精度和泛化性能，国内外学者尝试了大量精细化建模工作。主要分为以下几条途径：(1)改进预测模型或者算法。目前主要的风光功率预测算法包括：神经网络[3-6]、支持向量机[7-8]和自回归差分移动平均模型[9]等；现有的改进途径主要是通过特征提取(如经验模态分解[10-11]、卡尔曼滤波[12-13]等)以及组合预测(如集成学习[14]、灰色关联度法[15]等)等方式改进原有模型，提升模型对预测相关特征的学习能力和泛化性能；(2)修正数值天气预报。数值天气预报是预测误差的主要来源，通过实测风光数据对数值天气预报数据进行订正，可以明显提高预测精度。……