申请/专利权人：西南交通大学

申请日：2021-04-14

公开（公告）日：2022-03-29

公开（公告）号：CN113159405B

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q50/06(20120101);G06Q10/06(20120101);G06N3/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.03.29#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：本发明属于风电技术领域，具体涉及一种基于改进缎蓝园丁鸟算法优化LSSVR的风电功率预测方法。本发明提出了一种基于二次分解和ISBO优化参数的LSSVR风电功率超短期预测方法，考虑了模型训练过程和预测的复杂度，构造了一种基于二次分解和t均值检验的二次分解策略，对原始风电功率序列进行分解、动态划分、重构处理；为了提高缎蓝园丁鸟算法在迭代过程中的种群多样性和算法收敛度，对标准的缎蓝园丁鸟算法进行改进，并利用改进型缎蓝园丁鸟算法，优化最小二乘支持向量回归模型的两个参数，建立性能优良的风电功率LSSVR预测模型。

主权项：1.一种基于改进缎蓝园丁鸟算法优化LSSVR的风电功率预测方法，其特征在于，包括以下步骤：S1、获取预测目标的风电功率数据，经过处理后将风电功率数据转化为多个子分量、中频分量和低频分量，具体方法为：采用集合经验模态分解EEMD对风电功率进行一次分解，EEMD对目标信号st的分解结果为： 其中，fit为第i个IMF分量，rnt为Re分量，n表示IMF的个数；通过EEMD对原始风电功率数据进行一次分解后，生成频率由高到低的各IMF、Re子序列；采用小波包分解WPD对IMF1子序列进行二次分解，具体为对IMF1做3层WPD分解，得到W1～W8共8个子分量；利用t均值检验方法，对IMF2～IMFn、Re子序列进行动态划分，得到中频段、低频段两部分子序列，再分别对两部分子序列通过叠加方式进行叠加，分别重构为一个中频分量和一个低频分量序列；S2、对步骤S1获得的各分量序列分别进行归一化处理： 其中，x、x′分别表示风电功率子序列数据和归一化后的风电功率子序列数据，xmax和xmin分别为选取的子序列数据集中最大、最小值；从归一化后的各分量序列中选取数据作为训练集，再分别构造各分量的输入、输出矩阵，具体为：通过对各分量序列连续采样时刻的风电功率序列进行相空间重构，将其转化为输入、输出矩阵，设置相空间嵌入维度m，以风电功率的单步预测为例，训练集可构建的输入、输出矩阵为： 其中，X、Y分别为一个分量序列的输入、输出矩阵，M为训练集的个数，X是M-m×m的矩阵，Y是M-m×1的矩阵，X中的第i行输入是一个由xi,xi+1,xi+2,…,xi+m-1组成的序列，对应的Y中的第i行输出是xi+m；S3、利用步骤S2得到的各分量序列的输入、输出矩阵，构造各自的最小二乘支持向量回归LSSVR模型： 其中，γ为正则化参数，σ为核函数宽度，xi和分别为第i时刻的风电功率输出真实值和预测值，γmin、γmax分别为设定的正则化参数的最小、最大值，σmin、σmax分别为设定的核函数宽度的最小、最大值；S4、采用改进型缎蓝园丁鸟算法对步骤S3构造的模型进行正则化参数γ、核函数宽度σ寻优，获得优化后的正则化参数γ和核函数宽度σ；S5、根据步骤S4获得的优化后的正则化参数γ和核函数宽度σ，代入步骤S3建立的模型获得各分量序列的LSSVR预测模型，并根据步骤S2获得的训练集对预测模型进行训练，获得训练好的预测模型；S6、将预测目标的实时数据输入训练好的预测模型，获得各分量的预测值，并分别进行反归一化处理，得到反归一化后的各分量预测值：x＝x′xmax-xmin+xmin其中，x、x′分别表示风电功率子序列数据和归一化后的风电功率子序列数据，xmax和xmin分别为选取的子序列数据集中最大、最小值；分别将各分量的预测值在对应时刻进行叠加，得到最终各时刻的超短期风电功率预测值。

全文数据：

权利要求：

百度查询： 西南交通大学 一种基于改进缎蓝园丁鸟算法优化LSSVR的风电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD