[发明专利]一种基于实例迁移的风力发电的分位数预测方法

权利要求书

1.一种基于实例迁移的风力发电的分位数预测方法，其特征在于：包括以下步骤：

步骤一：采集其它地区的风力发电数据作为源问题的数据，采取实例迁移的方法，将源问题的数据赋予一个较小的权重，并与需要进行预测地区的目标问题数据集一起构成目标问题的训练集；

步骤二：构建基于实例迁移的风力发电的分位数预测模型，并选用基于梯度提升树的分位数预测模型作为核心预测算法进行融合，得到一个基于实例迁移的梯度提升树模型；

步骤三：分析基于实例迁移的梯度提升树模型的误差，将基于实例迁移的梯度提升树模型的误差分为随机误差和系统误差，并保证目标问题和源问题的数据满足公式(1)；

公式(1)中f表示输入变量和输出变量之间的真实映射关系，输入变量和输出变量之间的真实映射关系由 f^(k) 表示；

步骤四：将f与f^(k)之间的差异建模标记为系统误差，并用表示，且满足公式(2)，再将公式(2)代入公式(1)，得到公式(3)；

步骤五：假设随机变量δ^(k)+ε^(k)和是独立的，并且服从拉普拉斯分布，然后在假设下，重新推导权重的公式，对于任意一个可能的预测函数f_θ，其中θ是一个参数，f_θ是正确的预测函数的可能性计算公式如公式(4)所示；

所述步骤五中随机变量δ^(k)+ε^(k)和的误差分布范围如公式(10)所示：

其中，和分别表示ε^(target)和δ^(k)+ε^(k)的尺度参数；

步骤六：采用据最大似然法推出参数θ最有可能的取值

步骤七：求解最优的预测函数f_θ，首先求解如公式(5)所示的损失函数，然后保证权重w^(target)和w^(k)的取值满足公式(6)和(7)，再将源问题的权重进行归一化处理，归一化到(0,1]区间，保证所有的源问题归一化之后的权重满足公式(8)；

步骤七：根据归一化之后的源问题的权重，利用公式(9)求解出目标问题的权重w^(target)；

步骤八：权重求解，采用基于迭代的方式求解权重，首先选定w^(target)，然后将所有w^(k)初始化为1，然后重复上述操作更新w^(k)，根据更新的w^(k)重新训练基于实例迁移的梯度提升树模型，然后计算再根据公式(9)计算w^(k)，直到所有的w^(k)收敛，最后基于收敛结果w^(k)，完成τ＝0.01～0.99模型的训练w^(k)。

2.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤二中基于实例迁移的梯度提升树模型包括两个部分，一部分使用迭代赋权算法训练τ＝0.5的传统的点预测模型，另一部分直接将前一部分中求解得到的权重应用于对其余模型的训练之中。

3.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤六中参数θ最有可能的取值的计算公式如公式(11)所示