栾 毅， 剡文林，刘 岩，杨永强

(1.云南电力调度控制中心，云南 昆明 650041；2.华北电力大学能源动力与机械工程学院，北京 102206)

0 引 言

风电是一种重要的低碳能源，它具有低成本、清洁、可再生等诸多优点，具有可持续能源供应的潜力[1]。风能固有的间歇性、随机性和波动性等特点给大规模风电并网的安全调度和平稳运营带来挑战[2]。准确的风电预测不仅可以有效解决风电消纳问题，也会增强风电在电力市场中的竞争力[3]。

风电预测问题属于数据密集型应用，其核心挑战是如何处理大量、复杂、丰富多样、快速变化的数据。机器学习在数据密集型应用中非常成功，但当数据集很小时，机器学习模型无法很好的学习到数据的完整特征[4]。国内外已有大量研究[5-7]表明，统计方法的模型并不直接建立风速与功率的物理关系，而是试图找出数据之间的映射关系，需要对大量的历史数据进行识别、拟合、训练，才能达到一定的精度。为了解决这一问题，近年来提出了小样本学习(Few-shot learning， FSL)[8]。利用先验知识，FSL可以快速地泛化到只包含少量有监督信息的样本的新任务中[9]。

本文主要开展了以下3方面工作：①针对区域电网内的风电场缺少大量历史数据的问题，本文提出了一种基于FSL的生成对抗网络(Generative Adversarial Network， GAN)[10]模型用以扩充样本集，从而更好地完成风电预测模型的训练与预测功能；②针对传统生成对抗网络模型无法处理回归问题的情况，提出了改进-生成对抗网络(GR-GAN)的模型，使其可以在样本有限的条件实现风电预测这一回归问题；……