文献综述（或调研报告）：
随着风力资源的利用受到更加广泛的关注，对可靠的风力发电量的预测方法的需求也更加迫切。风力发电本质上是一个随机过程，风机的发电量可以简单理解为一个关于转子扫过区域上的风强度的函数[1]。发电量受到多种因素的影响，最重要的影响因素是风速大小，其次还有风向、空气密度等因素。这些指标通常来自天气预报，而天气预报的准确性不佳并且存在波动[2]，也就更加提高了预测的难度。
风力发电量数据满足时间序列分析的一般要求，具有时序性的统计特征，需要考虑历史数据对未来数据的影响。传统的时间序列分析模型如差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model, ARIMA），充分考虑了数据的统计特性和历史影响，确立模型并预测未来目标值。此类模型的鲁棒性（robust）强[3]，但是精度不是令人特别满意，因而基于ARIMA的修正或集成模型得以提出。Aasim等[4]在传统ARIMA模型的基础上，引入重复小波变换技术提取不同频段的风速，对模型进行修正，得到了较好的短期风力预测效果。Osamah Shukur等[5]基于ARIMA模型，结合卡曼滤波和人工神经网络模型的方法，预测结果表明精度良好。
随着机器学习研究的深入，相关算法也逐渐广泛地应用在风力预测领域中。如K最近邻算法模型（K-nearest neighbors, KNN）在2012年全球能源预测大赛风力预测中已经成功使用[6]。Lucas Silva[7]在梯度提升机（Gradient Boosted Machine, GBM）的基础上，结合多元线性回归和K-均值聚类算法，取得了2012年全球能源预测大赛风力预测的冠军。随机森林算法（Random Forrest）是近年来的流行的算法模型之一，A. Lahouar[8]基于该算法成功提出了小时风力预测模型。传统的机器学习算法应用起来非常方便，其过程可重复性强，可以最小化建模的投入[9]。但传统的机器学习模型基于样本空间全体样本的独立同分布的假设[10]，忽略了时间序列的时间依赖性，因此也存在着一定的不足之处。而随着能源预测领域的深入发展，适用于时序分析的机器学习模型应运而生，衍生出了如隐马尔科夫链模型（Hidden Markov Chain）[11]、高斯过程（Gaussian Process）[12]、循环神经网络（Recurrent Neural Networks）的长记忆型神经网络模型（Long Short-Term Memory, LSTM）[13]等适合时间序列分析的模型。如Alaa Sagheer等[14]提出了用于预测电力消耗的循环神经网络模型。在2012年全球能源预测大赛风力预测中Duehee Lee等[15]提出了基于高斯过程和神经网络的算法模型，对短期风力发电的预测取得了良好效果。
预测的评估通过误差评价指标进行量化。常用的评价指标有均方误差（Mean Error, ME）、均方根误差（Root Mean Square Error, RMSE），平均绝对误差（Mean Absolute Error, MAE）、标准误差（Standard Deviation of the Error, SDE）等[16]。在风力发电量预测中，常用指标为均方根误差[17]。
因此本课题在以上研究的基础上，基于梯度提升机和循环神经网络两个方法，设计风力发电量的预测算法，并对两个方法进行比较分析，为风力预测方法的选择提供一定的指导。
参考文献：
[1] Pinson, P. Wind Energy: Forecasting Challenges for Its Operational Management.[J] Statist. Sci. 28, 2013, 564-585.
