摘要：智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机（support vector regression machine, SVR） 依赖人为经验选择学习参数的弊端，在量子粒子群优化（quantum-behaved particle swarm optimization, QPSO） 算法中加入自适应早熟判定准则、混合扰动算子和动态扩张一收缩系数，提出了自适应扰动量子粒子群优化算法（adaptive disturbance quantum-behaved particle swarm optimization, ADQPSO）,，并使用ADQPSO优化选择SVR的学习参数。实例研究表明，ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短，利用ADQPSO优化得到的SVR参数，可有效提高模型的预测精度；与反向传播神经网络ADQPSO （back propagation neural network, BPNN）和径向基神经网络 （radial basis function neural network, RBFNN）相比，提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

关键词：短期风电功率预测 学习参数选择 自适应扰动量子粒子群优化算法 支持向量回归机 

单位：武汉大学电气工程学院 湖北省武汉市430072 南京南瑞继保电气有限公司 江苏省南京市211100 甘肃省电力公司风电技术中心 甘肃省兰州市730050