魏翔宇，向 月，沈晓东，杨晶显，刘俊勇

（四川大学电气工程学院，四川省成都市 610065）

0 引言

随着人们环保意识的提高与化石资源的逐渐减少，新能源技术在全球范围内快速发展。由于风力发电具备无污染、运维成本低的优势，其发展备受瞩目［1-3］。然而，随着风能渗透率的不断提升，风力发电不确定性对电网影响愈加明显，电网安全运行受到挑战［4］。此外，对中国东南沿海地区而言，风电调度运行长期受台风极端天气威胁［5］。台风影响下的风电场风速预测难度极大，由于没有考虑台风影响的预测方法，使得中国沿海及海上风电机组在台风侵袭状况下的运行风险评估、停机计划制定难以细化。为此，考虑台风影响的高精度风速预测对于东南沿海地区风电场调度运行至关重要［6-7］。

在短期/超短期风速预测研究方面，物理方法在欧洲地区应用广泛，但对于中国而言，受制于中国所处东亚季风带影响，统计学方法相对更加重要［8］。统计方法以机器学习方法为主，适用于短期风速预测，包含但不限于时间序列法、支持向量机（SVM）、人工神经网络（ANN）等［9-11］。其中，基于循环神经网络（RNN）的深度学习方法由于在处理时序非线性问题上的优势，近年来发展迅速［12-14］。在当前的风速预测研究中，尚未见计及台风影响的风速预测研究。

风速时序数据具备波动性与非平稳性，信号预处理是风速预测过程中的重要步骤。相较于经验模态分解［15］与小波变换［16］，经验小波变换（EWT）理论基础牢靠，具有较好的自适应性能且不存在虚假模态［17］，已被证明在某些情况下的风速预测中具有一定的优势［18］，具备良好的实用价值。……