基于异质集成学习的低温寒潮天气下短期风电功率预测

摘要

低温寒潮天气下风电机组的非计划性覆冰停运导致风电场输出功率呈现剧烈波动，传统预测模型难以适应此类极端工况的精度需求。为此，本文提出一种基于异质集成学习的短期功率预测方法。首先，构建小波变换驱动的深度特征提取网络：利用小波变换解耦气象数据的细节分量与趋势分量，分别通过卷积神经网络强化空间局部特征捕获能力，以及长短期记忆网络建模时间依赖特性，再引入交叉注意力机制实现特征的自适应融合；然后，采用异质集成策略构建Stacking框架：联合轻量梯度提升机、极端梯度提升和支持向量回归作为差异化基学习器，充分挖掘特征多样性；以线性回归作为元学习器优化预测的准确性和鲁棒性；最后，基于江西省某风电场冬季运行数据进行实验。结果表明，4 h超前预测的平均绝对误差、均方误差和决定系数分别为0.028、0.119和0.618;本文所提模型在低温寒潮天气下的预测准确性较单一模型及传统集成模型有显著提升。

关键词

短期风电功率预测 / 低温寒潮天气 / 覆冰 / 异质集成学习 / stacking集成