基于迁移学习和自编码器的极端天气自适应短期风电功率预测

针对寒潮、台风、覆冰等极端天气下风电功率预测精度低的问题，提出一种基于气象因子的极端天气事件判别方法，并结合迁移学习与自编码器实现自适应短期风电功率预测。通过分析气象要素与机组出力的耦合特性，构建极端天气识别标准；利用自编码器增强长序列特征提取能力，采用‘预训练-微调’策略，在正常天气数据上预训练模型后，基于有限的极端天气样本进行微调，并根据识别结果自适应选用对应模型进行预测。基于12个风电场数据的实验表明，该方法可准确判别极端天气事件，并显著提升预测精度。

针对寒潮、台风、覆冰等极端天气下风电功率预测精度不足的问题,提出基于气象因子的极端天气事件判别方法,以及基于迁移学习和自编码器的极端天气事件自适应短期风电功率预测方法.首先,通过分析气象要素和机组出力间的耦合特性,定义极端天气判别标准,识别未来将要发生的天气事件类型.其次,基于自编码器预测模型的自相关机制增加长时间序列信息利用率,采用迁移学习的"预训练-微调"策略,先利用正常天气下的充足样本对预测模型预训练,再针对极端天气下有限样本数据进行微调,根据判别得到的天气事件,自适应地采用该类天气事件下的预测模型进行短期风电功率预测.选取12个风电场的数据集进行分析,通过分析模型在极端天气和所有天气条件下的预测表现,验证了所提方法的有效性.实验结果表明,所提方法可准确预知未来是否会发生极端天气事件,并大幅提升极端天气事件下的短期风电功率预测精度.