鲁泓壮，丁云飞，汪鹏宇

（上海电机学院电气学院，上海 201306）

0 引言

风电在智能电网体系的比重越来越大[1]。然而，由于风能的间歇性和不稳定性，大规模风电并网对电力系统规划及运行带来了巨大的挑战。为了减轻风电一体化带来的不利影响，有必要从风电功率的超短期预测中获取更准确的信息。这将降低风电备用容量，实现电网及风电场的安全高效运行。

风电功率的超短期预测定义为预测风电场未来15 min～4 h的有功功率[2]。预测方法一般分为物理方法、统计方法和机器学习方法[3]。机器学习方法通过预测模型建立输入输出之间的映射关系，具有良好的数据容错性，适合处理复杂和不确定的关系。具有非线性映射和并行处理能力的统计机器学习模型，如多层感知机（MLP）、支持向量机（SVM）等方法在风电功率预测中得到了广泛应用。

为了达到准确预测，机器学习方法面临的主要问题为风电功率时间序列的非线性、非平稳等特性成为提高模型预测精度的主要障碍；模型的输入特征对预测性能有重要影响。对此，在近几年的研究中，将基于树结构的集成学习作为机器学习中常用的辅助方法，通过综合多种模型的优点建立组合模型以提高预测精度。文献[4]总结了集成方法在风电功率预测中的应用，指出了保证预测结果多样性是集成方法改善预测性能的核心，并将多样性的来源分为数据多样性、模型多样性和参数多样性3类，将集成策略分为基于加权和基于学习器两种。……