风能作为清洁能源有着保护环境和缓解供电压力的作用,全球风电装机容量也因此大幅度增长。所以在国内外准确预测风电功率对电力系统和运营调度都具有重要意义。但是风力发电具有很强的间歇性和波动性,为提高风电功率预测的准确性,提出了一种关于准确预测风电功率的新模型。在影响风电功率的波动方面,考虑风速、温度和气压等多种气象因素影响。将原始数据进行归一化和数据预处理,处理后的数据使用基于互信息的最大相关-最小冗余的滤波式算法进行特征筛选,最大化风电功率与气象特征之间的相关性,最小化气象特征与气象特征之间的相关性。有效的降低了输入预测模型的维度,降低了计算量,大幅度提高了模型训练速度。在风电功率本身变化方面,由于风电功率有很强的间歇性和波动性,对波动性强的风电功率使用了变分模态分解算法分解。将中心频率相似的分量设定为近似模态,使用中心频率法确定模态分量的个数,有效避免了过分解和欠分解问题的出现。在提高预测精度的同时又为后面的预测模块提供基础。在预测风电功率方面,构建注意力机制和长短期记忆神经网络的混合模型,将筛选后的气象特征和分解后的模态分量输入预测模型,得到模态分量的预测结果,最后叠加。实验使用真实风场数据进行算例仿真,结果显示该模型的均方根误差、平均绝对百分比误差和平均绝对误差分别为0.894MW、7.712%和0.771MW,比其他模型都有所提高,表明该模型的可适用性。图33幅;表9个;参53篇。