[发明专利]一种短期风电功率的预测方法、装置及系统

权利要求书

1.一种短期风电功率的预测方法，其特征在于，包括：

S11：获取风电功率历史数据，并对所述风电功率历史数据进行预处理得到训练样本数据及测试样本数据；

S12：采用预先建立的极限学习机优化模型对所述测试样本数据进行预测，得到风电功率预测结果；

其中，所述极限学习机优化模型的建立过程为：

S21：将所述训练样本数据添加至极限学习机中；

S22：采用结合混沌纵横交叉算法的粒子群算法对所述极限学习机的参数进行寻优处理，得到训练后的所述极限学习机优化模型；所述参数包括输入权值及隐含层偏置。

2.根据权利要求1所述的短期风电功率的预测方法，其特征在于，所述采用结合混沌纵横交叉算法的粒子群算法对所述极限学习机的参数进行寻优处理的过程具体为：

S220：预先对粒子群算法的PSO种群大小、第一最大迭代次数、初始权重和加速因子进行设置，以及预先对纵横交叉算法的CSO种群大小、第二最大迭代次数和纵向交叉概率进行设置；

S221：对极限学习机的输入权值及隐含层偏置进行初始化，并随机产生PSO初始化种群；

S222：通过所述训练样本数据及适应度值计算关系式计算出所述PSO初始种群中的各个PSO粒子的适应度值，并依据各个所述适应度值确定出全局最优位置P_gbest；

所述适应度值计算关系式为其中，p_t和分别为实际风电功率输出和目标风电功率输出，T为所述训练样本数据的数量；

S223：依据粒子群算子对所述PSO初始化种群中的各个PSO粒子的位置进行更新，并计算更新后的各个PSO粒子的适应度值，依据更新后的各个PSO粒子的适应度值更新所述全局最优位置P_gbest、全局最优PSO粒子X_best及每个粒子的最优值

S224：判断当前迭代次数k是否大于预设次数k'，如果是，则进入S225，否则，返回S223，以进行下一次迭代；

S225：判断POS种群中的全局最优位置P_gbest是否连续k'代保持不变，如果是，则进入S226；否则，进入S228；

S226：对所述全局最优PSO粒子X_best进行初始化得到CSO种群，并采用纵横交叉算法对所述CSO种群中的各个CSO粒子进行局部寻优，找到最优CSO粒子；

S227：判断所述最优CSO粒子的适应度是否优于所述全局最优PSO粒子的适应度，如果是，则将所述全局最优PSO粒子X_best更新为所述最优CSO粒子；否则，采用所述最优CSO粒子替换PSO种群中适应度最差的PSO粒子，并返回S223，以进行下一次迭代；

S228：判断当前迭代次数是否达到第一最大迭代次数，如果是，则将全局最优粒子X_best输出，并依据所述全局最优粒子X_best得到最优参数，否则，返回S223，以进行下一次迭代。