许沛华，陈正洪，孙延维，王必强，简仕略

(1.华中师范大学人工智能教育学部教育信息技术学院，湖北 武汉 430079；2.湖北省气象服务中心，湖北 武汉 430074；3.湖北第二师范学院计算机学院，湖北 武汉 430205)

引 言

湖北省内风能资源丰富区域主要分布在鄂北部的随州至麻城桐柏山大别山一线、中部的襄阳及荆门一带、鄂西南的利川齐岳山区、鄂东低山丘陵湖区，全省90%以上风电场建设在复杂地形的山区。对于复杂地形的山区来说，数值模式预报由于网格及陆面物理过程的局限性，模拟山区复杂地形及地貌条件较困难[1-4]，尤其是近地层风速易受复杂下垫面和复杂湍流过程影响[5-6]，使模式模拟的风速、风向与实测值之间存在一定偏差[7-8]，需要在大量的观测数据基础上进行模式后处理，使数值预报结果更接近电站观测值[9-13]。

目前国内外风电功率预报算法主要分为物理法与统计方法，物理法也被称为数值天气预测模型[14]，它严重依赖于风电场条件的完整描述。统计方法侧重于挖掘时间序列中的时变关系，这些时变关系由三类组成，分别是时间序列分析方法、卡尔曼滤波和机器学习方法。自回归模型、移动平均模型、自回归移动平均模型是典型的时间序列分析模型[15]，往往需要较高的模型阶数来描述时间序列数据的线性关系。卡尔曼滤波考虑了模型误差的动态传播，可以有效提高预测精度[16]。除此之外，神经网络和支持向量机是具有代表性的机器学习方法[17]，可以通过各种学习规则在输入和输出之间建立非线性映射。……