风功率数据具有很强的波动性、间歇性和随机性,目前的风功率预测方法还存在很多缺陷,无法适应风功率数据的特性,很难满足电力系统运行的安全性与稳定性。为此,本文提出一种“分解—特征选择—多模型预测—集成”的风功率预测思想。主要研究思路如下:为充分利用风功率数据的波动性、间歇性和随机性并改善诸如经验模态分解(Empirical Mode Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)等传统分解方法分解过程中出现的模态混叠现象,本文首先使用与EMD和EEMD分解原理完全不同的变分模态分解(Variational Mode Decomposition,VMD)对风功率数据进行分解,得到具有不同波动特征的模态分量。为了考虑风速、气压和温度等影响因素对模态分量的影响并弥补VMD在分解过程中出现的信息缺失,本文使用基于互信息(Mutual Information,MI)的最大相关最小冗余(Max-relevance and Min-redundancy,mRMR)选择各分量特征集合。该方法不仅考虑了变量之间的相关性还考虑了变量之间的冗余性,降低了各分量特征矩阵的维度。为了避免单一预测模型的局限性,各分量预测方法为自学习能力强,非线性拟合能力好的反向传播神经网络(Back Propagation Neural Network,BPNN)和模型结构简单、学习速度快、泛化性好、回归预测性能良好的最小二乘支持向量机法(Least Squares Support Vector Machine,LS-SVM)。在预测过程中,将使用mRMR选择出的特征集合与各分量联合起来共同建立一个新的输入矩阵。分量预测结束后使用BPNN进行集成。本文使用陕北风电场和云南风电场两组数据对本文模型进行实验,并将实验结果与其他预测方法进行对比。