苗长新，李 昊，王 霞，韩 丽，马 也，李 衡

（中国矿业大学电气与动力工程学院，江苏省徐州市 221116）

0 引言

随着风电并网规模的增加，风电的随机性、波动性和间歇性给电力系统运行的安全性、稳定性和经济性带来了巨大挑战，准确的风电功率预测是应对该问题的重要手段［1-2］。

风电功率预测的研究主要分为机理预测及数据驱动预测，两者之间存在本质区别［3-4］。机理预测建立在对大气运动刻画的基础之上，根据地形地貌、气象环境等信息，利用流体力学、热力学等物理规律建立模型，重点关注边界条件和物理求解规则的优化，建模困难、计算量大，一般适用于中长期预测［5］。数据驱动预测强调从多源、多维、多模态数据中找寻其内在规律，以数据挖掘手段和人工智能算法为基础，建立输入与目标之间的映射关系，一般更适用于超短期和短期预测［6-7］。

基于数据驱动的风电功率预测的发展背景为：人工智能、大数据、云服务等技术的发展，电网数字新基建、智能电网、能源互联网等生态的完善，数据采集与监控（SCADA）系统、数值天气预报（NWP）系统、地理信息系统（GIS）等平台采集储存的海量数据资源［8-9］。发展历程包括统计法、传统机器学习、深度学习等几个主要阶段。以时间序列法、持续法、卡尔曼滤波为代表的统计法和以人工神经网络、随机森林、支持向量机［10］为代表的早期人工智能算法，都有各自的适用场景和局限性［11-12］，但共同之处在于，多采用仅反映预测对象某一特征的方法进行预测，如只对单一的风速或风电序列进行统计分析或信号分解［13-14］，建模过程仅需要该风电场单维的数据。……