[发明专利]一种短期风功率预测方法

权利要求书

1.一种短期风功率预测方法,其特征在于，包括：

采集风功率数据，将所述风功率数据划分为训练集和测试集；

基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将所述训练集作为输入对所述第一融合模型进行训练获得目标训练集；将所述测试集输入训练后的第一融合模型获得目标测试集；

将所述目标训练集和所述目标测试集输入所述第二融合模型，获得风功率预测结果；

所述Stacking集成学习算法包括样本空间、输入空间、假设空间、输出空间和版本空间；

所述样本空间为输入特征的全组合数据；所述输入空间对应原始数据的输入条数；

所述输出空间对应预测数据的输出条数；所述假设空间为理论上所有存在的样本集合；

所述版本空间用于反映泛化能力的强弱；

所述Stacking集成学习算法还包括基模型、元模型、最大泛化正假设边界、最大精确正假设边界；

通过所述基模型获得第一融合模型，通过所述元模型获得第二融合模型，所述最大泛化正假设边界代表所述输出空间，根据所述最大泛化正假设边界和所述最大精确正假设边界获得所述版本空间。

2.根据权利要求1所述的短期风功率预测方法，其特征在于，

通过所述基模型获得第一融合模型包括输入所需变量对所述基模型进行训练，所述变量包括历史信息、天气信息、日历规则。

3.根据权利要求1所述的短期风功率预测方法，其特征在于，

所述SVM核函数至少包括Linear核函数、RBF核函数、Poly核函数、Sigmoid核函数；

其中，所述Linear核函数用于解决线性问题；

所述RBF核函数、所述Poly核函数、Sigmoid核函数用于解决非线性问题。

4.根据权利要求1所述的短期风功率预测方法，其特征在于，

获得所述目标训练集还包括，采用k折交叉验证法将所述训练集进行划分；

通过留一法对所述SVM核函数进行训练，基于改进人工鱼群算法对训练后的SVM核函数的所述基模型寻找最优超参数。

5.根据权利要求4所述的短期风功率预测方法，其特征在于，

寻找所述最优超参数包括，所述改进人工鱼群算法通过觅食、聚集、追尾和随机行为对所述基模型进行状态迭代，每次迭代完成将当前状态与预设状态进行比较，低于所述预设状态进行替代，直至迭代结束，获得所述最优超参数。

6.根据权利要求1所述的短期风功率预测方法，其特征在于，

所述预测结果通过预测评价指标来表示；

所述预测评价指标包括平均绝对百分比误差、均方根误差。