袁咪咪,宫法明,李 昕

(中国石油大学(华东) 计算机科学与技术学院,青岛 266580)

近年来,电力需求的增长使得包括风能在内的可再生能源变得越来越重要[1].风速变化具有很强的随机性和间歇性,这种不稳定性会严重影响电力系统的安全,对及时可靠的风速预测提出了严峻的挑战[2].

在过去的几十年中,科学家们已经提出了各种方法以增强风速预测的性能.这些方法大致分为以下3 类[3]:物理方法、统计方法以及机器学习方法.物理方法主要通过利用气象因素和地理因素等物理参数来预测风速.但是,物理模型的计算成本高且无法捕获气象因素复杂的动态变化关系,因此不适用于短期风速预测.统计方法利用历史时间序列中各个变量的线性关系来构建统计模型,如时间序列方法[4]、自回归移动平均(ARMA)方法[5]和卡尔曼滤波方法[6]等,这些方法克服了物理模型的缺点,但它们只能分析历史时间序列中变量之间的线性关系,难以处理气象要素之间的非线性关系.机器学习如支持向量机(SVM)[7]、多层感知器(MLP)[8]和极限学习机(ELM)[9]可以提取风速时间序列中的复杂非线性特征,并在一定程度上提高预报的准确性.但这些传统的线性和非线性模型只能提取浅特征,并且需要进行大量的特征工程,无法自动提取时间序列特征.Wang 等[10]提出了一种基于集成方法的卷积神经网络模型来实现概率性风电功率预测,并通过案例研究验证了该模型的准确性和稳……