马军岩 袁逸萍 柴 同 赵 琴

新疆大学机械工程学院，乌鲁木齐，830047

0 引言

风力发电具有清洁性和可持续性特点，已成为解决能源与环境问题的重要战略之一[1]。风电机组的故障率随风速变化具有时变性，短期风速预测值会直接影响风电机组的运行可靠性评估结果[2]，因此风速预测结果也被认为是风电场运行与维护的重要依据[3]。现有研究主要针对整个风电场区域进行风速预测，主要研究方法包括基于数值气象预报(numerical weather forecast，NWP)模型的后处理法和基于统计模型的外推法。文献[4-6]探讨了卡尔曼滤波(Kalman filtering，KF)作为后处理方法来修正NWP模型的预测结果，提高了数值预测的精度。ZHAO等[7]结合非线性自相关网络和混合核密度估计法对NWP风速数据误差进行了校正优化。DING等[8]采用门控循环单元(gated recurrent unit，GRU)修正了NWP风速数据。WANG等[9]提出了一种针对NWP风速的序列传递校正算法(sequence transfer correction algorithm，STCA)。上述研究中的NWP模型均基于中尺度模式，空间范围远大于单个风电机组所占面积，且时间上为提前一天预测风速。综合考虑空间和时间尺度，基于NWP模型的外推法预测粒度过大，无法适用于风电机组轮毂处的短期(6 h以内)风速预测。

基于统计模型的外推法通常使用统计模型对测风塔风速序列的时间演化进行建模来预测整个风场范围内的平均风速。相关研究模型包括自回归(AR)模型、自回归移动平均(ARMA)模型、人工神经网络(ANN)及深度学习(DL)模型等[10-14]。为了克服单个模型的不稳定性和各自的缺点，部分学者将各种预测方法与不同的预测框架和策略合理地结合起来，从而产生更强的预测器，以获得更准确和稳健的预测结果。……