程杉，杨堃，汪业乔，严潇，魏昭彬

(三峡大学 电力系统智能运行与安全防御宜昌市重点实验室，湖北 宜昌 443002)

0 引 言

考虑能源安全和环境保护，风力发电等清洁能源[1-2]和电动汽车(electric vehicle,EV)[3-4]已经在国内外大力推广发展。将EV通过充电站接入电网，对动力电池统一管理，可以有效缓解EV接入电网所带来的负面影响，就地消纳可再生能源，实现真正意义上的低碳，而含有分布式风力发电的EV充电站(charging station with distributed wind power generation,CS-DWPG)是实现的有效途径之一[5-6]。为满足EV的充电需求和CS-DWPG的经济效益，保障电网安全、稳定地运行，科学合理的CS-DWPG调度起着至关重要的作用，解决该问题的基础是实现对风力发电和EV充电负荷的有效预测。

学者们针对风电功率预测模型和算法进行了大量的研究。文献[7]提出了尤其适用于超短期预测的贝叶斯神经网络模型，但并不适用于中长期风电功率预测；文献[8]建立了基于均方根误差的组合预测模型，但由于需要确定各个子模型的权重系数，该模型将会加长预测时的数据处理时间；文献[9]提出了在某些特定气象条件下具有较高精确度和可靠性的基于贝叶斯模型平均和集成学习的确定性预测方法。考虑风速时间序列的非线性、不确定性和随机性以及点值模型的不足和区间算法的优点，文献[10]利用人群搜索算法的核极限学习机区间预测模型，能够快速获得预测区间，但优化时易陷入局部最优而导致预测结果不稳定；文献[11]建立了具有良好预测精确度的基于模糊聚类的区间预测模型，但隶属度函数的选取具有较强的主观性并且计算效率较低。……