赵 阳，文传博

（上海电机学院电气学院，上海201306）

风能是一种具有低成本、清洁、可再生的能源。风力发电作为一种成熟技术得到广泛应用［1］。风电功率的随机性易造成电网波动，干扰电力系统调度。因此，通过短期风电功率的准确预测改善风电功率的模糊程度，有利于风电能源的合理开发与利用，使电网系统稳定运行［2］。目前，风功率预测按不同的模型分为［3］：物理模型［4］、统计模型［5］、元启发式模型［6］和组合模型［7］。

由于风电功率的不确定性，单一的预测方法不能够对复杂的风电功率数据样本进行准确地预测。为了减小风电功率的随机波动性，将风电功率序列分解为一系列的子信号进行预测，再将各子信号的预测值进行重构，提高了风电功率的预测准确性。王俊等［8］基于变分模态分解（Variational Modal Decomposition，VMD）与长短时记忆网络（Long and Short Time Memory Network，LSTM）的预测方法，VMD能够有效地克服信号混叠现象，提高组合预测方法的准确性。李霄等［9］提出改进最小二乘支持向量机（Least Squares Support Vector Machines，LSSVM）和预测误差校正的预测方法，对预测误差校正，提高预测精度。周楠等［10］基于宽度学习（Broad Learning System，BLS）算法通过对特征层和增强层的扩展来提高网络性能，但特征节点、增强节点的个数会影响预测精度。通过麻雀搜索算法对BLS的参数进行寻优能够避免陷入局部最优问题，得到更高性能的BLS模型。

本文提出基于预测误差校正的BLS短期风电功率预测方法。考虑到预测误差序列对预测带来的影响，通过变分模态分解与麻雀算法优化宽度学 习（Variational Mode Decomposition and Sparrow Algorithm Optimized Broad Learning System，VMD-SSA-BLS）模型对误差进行分解预测，使短期风电功率的预测准确性得到提高，并采用沿海某风电场的实测数据进行仿真验证。……