李 忠

(内蒙古自治区气象服务中心 呼和浩特 010000)

1 引言

随着全球经济的快速发展，现有的化石资源已经不能满足人们的生产生活要求，同时化石能源带来的生态环境污染也是亟需解决的问题，因此，大力发展可再生能源变得尤为重要。风电作为一种清洁能源，可以替代化石燃料的使用，减少温室气体的排放，有效地缓解能源危机。

近年来，全球的风电装机容量大幅度增长，然而风力发电的波动性、不确定性给电网和能源系统的经济、稳定和安全运行带来了巨大的挑战，因此，准确地对风电功率进行预测十分必要。目前，常用的风电功率预测方法有统计学习方法、物理方法[1]以及空间相关性方法[2-3]。统计学习方法主要是根据历史的风电数据来建立气象因素与风电功率的学习模型，然后再根据实时的数据与数值天气预报代入到模型中进行预测，其中较为常用的方法有人工神经网络(Artificial neural networks，ANN)方法[4]、时间序列法[5]、支持向量机(Support vector machine，SVM)[6]等。物理方法则不考虑历史风电数据，通过求解热力动力学方程组来预测未来天气的变化和风电功率[7-8]。空间相关性方法是根据各个风机的位置、尾流效应等的空间相关性来推测关联风机的风电功率[2-3]。对比以上方法，统计学习方法由于应用较为简便、计算速度快等优点而被广泛应用。

为了提高预测的准确性，通常选用混合模型来进行风电功率建模，先对历史的风电数据等进行信号分解，再采用统计方法对分解后的序列数据分别进行建模，重构后获得风电功率预测模型，最后将未来数值天气预报数据代入模型进行风电功率预测。……