摘要：针对风电功率随机性及非平稳性大，直接输入预测模型往往难以取得较高精度问题，提出了一种基于特征选择及改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化卷积神经网络-双向门控循环单元(convolutional neural network-bidirectional gated recurrent unit,CNN-BiGRU)的短期风电功率预测方法。首先，利用变分模态分解(variational mode decomposition,VMD)将原始功率分解为一组包含不同信息的子分量，以降低原始功率序列的非平稳性，提升可预测性，同时通过观察中心频率方式确定模态分解数。其次，对每一分量采用随机森林(random forest,RF)特征重要度的方法进行特征选择，从风速、风向、温度、空气密度等气象特征因素中，选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后，建立各分量的CNN-BiGRU预测模型，针对神经网络算法参数难调手动配置参数随机性大问题，利用ISSA对模型超参数寻优，自适应搜寻最优参数组合。最后，叠加各分量的预测值，得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验，与多种单一及组合预测方法进行对比，结果表明本文所提方法相比于其他方法具有更高的预测精度，其中平均绝对百分比误差值达到2.6440%，并在其他数据上进行模型准确性及泛化性验证，平均绝对百分比误差值分别为4.3853%、3.1749%、1.5761%和1.3588%，均保持在5%以内，证明本文所提方法具有较好的预测精度及泛化能力。
