吴坚，项颂，阎诚，吴晓丹，马继涛，刘福锁

（1.国网内蒙古东部电力有限公司，内蒙古呼和浩特 010000；2.东南大学电气工程学院，江苏南京210096；3.国电南瑞科技股份有限公司，江苏南京 211106）

0 引言

风能作为一种高效的清洁能源，具有强烈的随机性、间歇性和逆负荷性等特点[1]。据统计，2019年全球风电新增和累积装机容量较2018年同比增长19%和10%[2]。为了降低高渗透率风电对电网带来的不确定性，提高风电消纳能力，实现系统安全稳定运行，准确的风电超短期功率预测具有重要的意义[3]。

风电功率时间序列具有很强的时序特征。风电功率序列预测方法以统计学方法和人工智能算法为主。统计学方法仅依赖时间序列方法进行建模，能够有效捕捉时间序列中的非线性关系，但存在模型定阶和参数估计问题[4]。人工智能算法能够有效捕捉风电功率时间序列中的非线性关系，但对样本数据质量依赖较高[5]，其中，最小二乘支持向量机（Least-Squares Support Vector Machine，LSSVM）通过映射关系将原支持向量机模型参数训练中的非线性问题替换成线性问题，能有效增强模型计算效率，具有较强的泛化能力[6]。对于风电功率序列复杂的波动特性，单一预测模型因受制于样本维度和数量等因素而具有局限性[7]。

基于数据预处理过程的组合预测模型是提升单一预测方法适应能力和模型精度的重要途径[8]。通过对原始高频非线性时间序列进行分解，能够有效降低序列的复杂程度，采用分解后的子序列分别建立一系列适应其序列特征的预测模型，显著提升了预测性能。……