黄 健，季克勤，陈梓翰，郑 庆

(国网浙江电力有限公司 金华供电公司，浙江 金华 321000)

在当前高风电渗透率电网大背景下，精确的风电功率预测结果有助于改善电网内“源网荷”间的互动效率，对未来电网的建设发展以及提高电网内综合能源利用率具有重要意义[1]。

现有风电功率预测技术分为物理预测法、统计预测法、学习预测法以及组合预测法等。物理预测法通过采集风电场所在位置的物理信息和气象数据，建立风电转换模型进行预测，因无需历史运行数据常被用于新建风电场的功率预测。例如文献[2]在新建风电场内建立了计及风电场局地效应与风电机组尾流影响的风电功率物理预测模型。统计预测法通过大量历史风电功率数据在得出风电场运行规律的基础上，建立风电功率预测模型。例如文献[3]基于大量数据的统计分析研究，建立了基于自回归滑动平均模型风电功率预测系统；文献[4]利用风电场历史运行数据，建立了基于马尔科夫链的风电功率预测模型。学习预测法是基于人工智能技术兴起的一种预测技术，通过准确地刻画风速等数据与风电功率间的非线性关系得到最终的预测结果。例如文献[5]，采用深度学习算法深入挖掘了风电场历史运行数据间的非线性关系，建立了基于深度学习算法的风电功率预测模型。组合预测法则是利用以上不同算法的优势建立起的一种风电功率组合预测模型。例如文献[6-7]，通过将不同单一预测法进行优化组合，使预测模型能够发挥不同预测方法在预测过程中的优势，从而提高风电功率预测精度。……