基于偏最大信息系数与组合XGBoost的短期风功率预测

作为新能源领域的课题热点之一,短期风功率预测的研究在提高预测精度的同时也应重视模型的工程化应用。据此,提出一种基于偏最大信息系数的组合XGBoost预测模型。首先,设计一种基于偏最大信息系数的特征选择算法,通过引入偏互信息,在挖掘出对风功率影响较大的气象特征的同时,也能消除耦合信息带来的不利影响。在此基础上,为兼顾模型的精度和计算效率,降低单个模型的预测风险,构建以XGBoost为底层算法的组合预测模型,进一步实现风功率预测。采用2个具有较大差异的风电场作为算例进行验证分析,结果表明,基于偏最大信息系数特征选择算法的组合XGBoost预测模型不但能提升短期风功率的预测精度,与相近的组合预测模型相比,也具备更高的计算效率,有利于工程化应用。

人工智能在风电功率预测领域中的应用与展望

本文介绍了人工智能相关的人工神经网络、支持向量机、循环神经网络等模型在风电功率预测领域中的应用。结合国内外学者的相关研究工作,介绍了各模型的特色以及不足之处。然后,对未来的技术发展进行了展望,介绍了迁移学习和增量学习两种有潜力的人工智能算法。最后,本文指出人工智能技术要在风电功率预测领域中实习真正落地,需要对待预测的风电场做精细化的数据分析工作,并进行针对性建模。