文章摘要:为解决风电历史数据挖掘不充分导致的预测精度不高问题，提出一种基于特征工程、蝠鲼觅食优化算法（Manta Ray Foraging Optimization，MRFO）和极端随机树（Extremely Randomized Trees，ET）模型的短期风电功率预测方法。首先对时间特征提取小时属性特征，并通过对风速、风向和温度等原始气象特征进行特征创造，从而充分挖掘历史数据的隐含信息，同时通过PCA方法降低数据维度。其次，将降维后的数据输入ET模型，并利用MRFO优化ET模型的参数；最后，以新疆某风电场实测数据进行了算例仿真。结果表明：与5种典型机器学习模型相比，ET模型具有更高的风电预测准确度。与单一ET模型相比，特征工程-ET模型较大程度地提高了预测精度，验证了特征工程方法的有效性。在同等条件下，特征工程-MRFO-ET模型比使用特征工程- ET模型均方根误差和平均绝对误差分别降低了29.46%和36.54%，而拟合优度系数提高了3.97%。与此同时，特征工程-MRFO-ET模型也比特征工程-GA-ET模型和特征工程-PSO-ET模型拥有更高的预测精度。研究成果可为解决短期风电功率预测问题提供了一种新的思路。

文章关键词:

论文分类号:TM614

文章来源：《工程与试验》 网址: http://www.gcysyzz.cn/qikandaodu/2021/1025/2444.html