基于模型学习偏移修正的短期风电功率预测方法

现有数据驱动的风电功率预测模型因学习偏移性问题，易偏向学习分布集中的样本，导致泛化能力不足。为此，提出一种学习偏移修正的短期预测方法。通过分析差异化样本对预测偏移的影响机制，对时序样本进行分类表征；针对难以预测的极端天气、异常及相似不平衡样本，结合场景生成、渐进式掩码检测与特征增强策略联合修正学习偏移；利用Shapley值评估各类样本重要性，验证修正策略的合理性。实例表明，该方法显著提升预测精度与模型泛化能力。

现有基于数据驱动的风电功率预测模型在建模过程中不可避免地存在学习偏移性问题,使得模型有偏向性地学习分布集中的部分数据样本,导致预测模型在实际应用中泛化能力较差.针对上述问题,提出一种基于模型学习偏移修正的短期风电功率预测方法.首先,通过挖掘差异化样本造成模型预测性能偏移的作用原理,对时序样本进行分类表征.之后,针对历史数据中难以预测的极端天气样本、异常样本和相似不平衡样本,分别采用场景生成、渐进式掩码检测和样本特征增强策略联合修正模型学习的偏移性.最后,利用Shapley值法对各类样本进行重要性评估,以验证该偏移修正策略的必要性与合理性.实际算例表明,所提方法可显著提升各类模型的短期风电功率预测精度,在多场景模式下均具备较好的泛化性.