为有效提高风电功率预测的精度,提出一种基于特征选择及误差修正的风电功率预测方法。综合分析风速、温/湿度、风向等特征对风电出力的影响,提出了正交化最大信息系数(orthogonalization maximal information coefficient,OMIC)结合预...为有效提高风电功率预测的精度,提出一种基于特征选择及误差修正的风电功率预测方法。综合分析风速、温/湿度、风向等特征对风电出力的影响,提出了正交化最大信息系数(orthogonalization maximal information coefficient,OMIC)结合预测模型的特征选择方法,可优选出适配于预测模型的特征维数。针对预测模型训练中会产生的固有误差,提出用动态模态分解(dynamic mode decomposition,DMD)来跟踪误差数据的时空模态,DMD最大的优点在于其数据驱动性质,不依赖于任何参数设定以及先验假设,可以实现更快捷、简便的误差预测。通过特征选择、误差修正来优化预测模型,以取得更精确的预测结果。基于北方某风电场单台风机实际数据,将所提方法与深度学习模型结合进行预测,并对比了相关预测指标,仿真结果表明本文所提方法能够有效提升预测精度。展开更多
