基于两阶段特征选择和改进NRBO-BiLSTM的短期风电功率预测方法OA

[目的]针对风电功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种考虑两阶段特征选择的短期风电功率预测方法。[方法]首先,采用基于互信息(Mutual Information,MI)的最大相关-最小冗余判据(minimal Redundancy Maximal Relevance,mRMR)对风电功率预测数据中的风速、风向等特征进行相关性分析,通过最大化特征与风电功率之间的相关性并最小化特征间的冗余度,实现特征的初步筛选;接着,利用随机森林(Random Forest,RF)算法中的袋外(Out-of-Bag,OOB)重要性评价方法对筛选后的特征进行重要性评价,进行特征的二次筛选以获取最优特征子集;然后,对牛顿-拉夫逊优化(Newton-Raphson Based Optimizer,NRBO)算法的自适应参数进行改进,并利用改进后的NRBO优化算法对双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络的相关参数进行优化;最后将最优特征子集输入到NRBO-BiLSTM风电功率预测模型中进行短期风电功率预测。[结果]算例分析表明,所提两阶段特征选择方法能有效剔除特征间冗余及低重要性特征,最优特征子集显著提升了模型性能;改进NRBO算法优化效果显著,预测精度显著优于对比模型。[结论]文章成功地将两阶段特征选择与改进的NRBO算法相结合,所提模型能够精准捕捉风电功率的波动规律,有效提升了短期风电功率的预测精度。