论文部分内容阅读
采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究.然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率.通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率.