杨 健，徐思卿，姜尚光，柳 玉，柯德平，徐 箭

（1.国家电网有限公司华北分部，北京市 100000；2.武汉大学电气与自动化学院，湖北省武汉市 430072）

0 引言

大气动力学的复杂性增加了对短时风电功率大幅度变化（即爬坡）预测的难度，一般风电功率序列预测方法往往在爬坡段存在较大误差。这给维持系统有功平衡与频率稳定，如常规机组的调节深度和备用容量的预留问题［1-2］带来了挑战，也对系统的辅助服务，如需求响应参与度［3］、爬坡控制策略制定［4］和预警提示［5］提出了更高的要求。

目前风电爬坡预测（wind power ramp forecasting，WPRF）方法主要有2种：一种是基于风电功率的序列预测，即采用自回归模型［6］、支持向量机［7］、随机森林［8］、神经网络［9］等预测方法进行常规风电功率序列预测，然后基于不同爬坡特征识别爬坡事件；另一种是基于爬坡事件特征量的事件预测，例如文献［10］采用高斯混合模型拟合WPRF爬坡特征的概率分布，考虑到爬坡特征的随机依赖性，基于Copula理论对每个爬坡特征分别进行概率预测。事件预测方法可以提供风电爬坡事件特征量的信息，首先分析爬坡特征量的特征及其影响因素，然后结合气象特征的分析，确定爬坡事件发生的本质原因［11］，从而提高爬坡预测的准确性。从准确预估系统供需平衡的角度看，这些方法的预测精度尚有进一步提升的必要［12］。

相比于爬坡预测方法和功率序列预测误差的研究［13］，目前对爬坡事件的预测误差与机理研究十分稀少，且传统方法大多采用均方根误差（RMSE）或平均绝对误差（MAE）作为误差评价指标。……