王雅兰，田 野，杨丽华

（1.国网湖北省电力有限公司营销服务中心（计量中心），湖北 武汉 430077；2.国网湖北省电力有限公司电力科学研究院，湖北 武汉 430077）

0 引言

近年来，我国风力发电发展迅速，截止2020年全国风电装机容量已达2.815亿千瓦［1］。随着“2030碳达峰、2060碳中和”奋斗目标的提出，风电、光伏等可再生能源将迎来进一步快速发展［2］。风力发电主要由风速、风向、气压、温度、湿度等自然条件决定，具有间歇性、波动性、随机性的特点。大规模风电并网对电网的安全稳定运行带来挑战［3-4］。

现有风电超短期功率预测方法可分物理方法与统计方法［5-8］。其中前者基于风力发电的物理原理，建立风速-功率物理模型，以数值天气预报中风速预测值为模型输入得到预测值。此类方法过分依赖时空分辨率不高的数值天气预报数据而难以得到精确预测结果。后者以建立相关气象特征与功率时序的线性或非线性映射为主要手段，因具有较好的预测精度而得到广泛应用。随着风电场站信息采集系统的普及与完善，风电功率预测通过气象预报数据、风电场历史运行数据、风电场运行状态数据等海量参数，预测风电出力变化趋势［9］。具体地，文献［10］提出一种结合卷积神经网络和门控循环单元的超短期风电预测模型，一定程度提高了风电预测精度，但其缺乏对参数的优选策略，对海量特征参数缺乏分辨能力而影响预测精度；文献［11］提出一种基于改进长期循环卷积神经网络的预测模型，提高了风电预测精度，为本文提取优选特征提高预测精度提供思路。……