段亚穷，向 勉，刘洪笑，周丙涛，曾曙莲

(湖北民族大学 智能科学与工程学院，湖北 恩施 445000)

随着我国经济和科技的不断发展[1]，中国不再缺少电能，转而寻求电能质量和清洁能源的发展.所以中国政府在第75届联合国大会上提出：“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”.风力发电作为新能源之一，因为其发电量的难以预测性，从而给发电计划的制定产生了一定的影响.对风力发电机的发电量进行预测研究，可对制定发电计划起到较为重要的参考作用.

由于近些年机器学习[2]和深度学习[3]不断地发展，许多学者在利用其进行预测电力发电量和电力负荷预测[4]上做出了许多研究和探索.陈思勤等[5]通过XGBoost算法对火力发电厂的短期发电量进行预测，其对于原始数据只采用了数值化的处理，没有进行数值的标准化处理，使得数值大小的影响没有消除.郭文强等[6]采用BP(back propagation)神经网络对风力发电的发电量进行预测，提高了准确率，但其测试集的数量过少导致鲁棒性较差.陈岩等[7]采用基于支持向量机(support vector machine,SVM)的风电发电量预测方法,将风电功率的历史数据作为因变量，将风力发电的影响因素作为自变量建立模型，最终得到94.7%的准确率.廖耀华[8]利用随机森林以地理和气象作为数据输入，取得了良好的效果，但其特征较少，且只使用单一的模型进行对比分析.Wei Dong等[9]利用历史……