李嘉文，盛德仁，李 蔚

（浙江大学 能源工程学院，浙江 杭州310027）

0 引 言

随着能源的低碳发展，以风电为代表的可再生能源的普及率逐年增高。然而，由于自然界风速具有随机、不稳定等固有特性，风电并网将会给电力系统的安全、稳定运行造成威胁。为了保障电力系统的经济可靠运行[1]，需要对风电场风速进行准确、稳定的预测。

目前，众多学者对于如何提高短期风速预测精度做了大量工作，所构建的预测模型主要分为三大类，分别是统计模型、人工智能模型和混合预测模型[2]。统计模型通常结构较为简单、运行速度快，如自回归移动平均模型[3]等。这些模型一般在风速序列具有显著线性条件下，具有很好的预测效果，但由于实际风速往往表现出较强的非线性特点，从而导致统计模型的预测效果不佳。人工智能模型具有较强的非线性特征提取能力[4，5]，但是神经网络存在收敛速度慢、对参数选择敏感、过拟合[6]等问题，限制了预测精度的进一步提升。为弥补人工智能模型的缺点，混合预测模型被广泛应用。文献[7]提出了一种短期风电功率预测方法，该方法结合集成经验模态分解和利用自适应布谷鸟算法优化支持向量机。文献[8]提出了一种改进的PSO算法优化LSSVM模型，并对初始预测结果采用马尔科夫模型进行误差修正。文献[9]提出一种基于混合模式分解（HMD）和在线序列离群鲁棒极限学习机的短期风速预测模型。实验结果表明，所提模型可大幅提高预测精度。……