李科，黄东晨，陶子彬，熊欢，李浩文，杜业冬

(南瑞集团(国网电力科学研究院)有限公司，江苏 南京 211106)

0 引言

风能是一种可大规模商用的绿色可再生能源。由于风力发电具有强烈的间歇性和随机性，且周期规律不明显，当风电大规模并入电网时，可能对电网的安全及稳定运行产生不良影响[1]。因此，亟需发展精准的风功率预测技术。

围绕着短期风功率预测，国内外学者进行了诸多探索。自回归滑动平均模型(autoregressive moving average model,ARMA)假设当前时刻的值与前一时刻的值及随机干扰量均有关，具有一定捕捉时序信息的能力，是一种常用于风功率预测的时间序列分析模型[2]。但对于功率波动较大且无明显周期规律的风电场而言，使用ARMA模型会导致预测结果误差较大。人工神经网络(artificial neural network,ANN)[3—4]和支持向量机(support vector machine,SVM)[5]是另外2种经典的风功率预测模型。ANN能够自适应、自学习，以任意精度逼近任何非线性映射，非常适合描述风功率预测模型复杂与非线性的特点。但ANN训练时间长，调参过程较为繁琐，容易出现过拟合的情况[6]。相较而言，SVM有着较强的泛化能力，不易过拟合。然而，当训练样本大幅增加时，SVM的性能提升不明显[7—8]。

近年来，极限梯度提升(extreme gradient boosting,XGBoost)[9]算法由于在Kaggle、KDD等一系列大数据算法竞赛中表现优异，引发了大量的关注。XGBoost不仅在算法精度上较传统算法表现出色，同时也支持并行化运行，减少了模型的训练时间。此外，XGBoost还具有可移植性强、支持多数主流编程语言、集成了Spark等各类主流大数据平台等特性[10]，这些特性增强了XGBoost的普适性，使得XGBoost在工程化应用方面具有更大的优势。……