典型文献
基于特征工程和MRFO-ET的短期风电功率预测
文献摘要：
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.
文献关键词：
短期风电功率预测;特征工程;主成分分析;蝠鲼觅食优化算法;极端随机树;新能源;影响因素;人工智能算法
中图分类号：
作者姓名：
康文豪;徐天奇;王阳光;邓小亮;李琰
作者机构：
云南民族大学云南省高校电力信息物理融合系统重点实验室,云南昆明 650504;国网湖南省电力有限公司,湖南长沙 410004
文献出处：
引用格式：
[1]康文豪;徐天奇;王阳光;邓小亮;李琰-.基于特征工程和MRFO-ET的短期风电功率预测)[J].水利水电技术（中英文）,2022(03):185-194
A类：
Manta
B类：
特征工程,MRFO,ET,短期风电功率预测,历史数据,蝠鲼觅食优化算法,Ray,Foraging,Optimization,极端随机树,Extremely,Randomized,Trees,时间特征,属性特征,气象特征,隐含信息,数据维度,风电场,机器学习模型,风电预测,预测准确度,同等条件,使用特征,平均绝对误差,拟合优度,比特,GA,PSO,人工智能算法
AB值：
0.265148
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
