[发明专利]基于核极限学习机模型的风电功率预测方法及装置

权利要求书

1.一种基于核极限学习机模型的风电功率预测方法，其特征在于，包括：

初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；

对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；

若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；

若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。

2.根据权利要求1所述的基于核极限学习机模型的风电功率预测方法，其特征在于，所述对随机选取的每一个粒子进行变异操作处理，包括：

根据如下公式对随机选取的每一个粒子进行变异操作处理：

V_i(t)＝X_r1(t)+F×(X_r2(t)-X_r3(t))

其中，V_i(t)为变异操作的第i个粒子、r1、r2和r3的取值区间为不大于种群数的随机整数、F为预设缩放参数、X_r1(t)、X_r2(t)和X_r3(t)分别为与r1、r2和r3分别对应的粒子位置、t为迭代次数。

3.根据权利要求1所述的基于核极限学习机模型的风电功率预测方法，其特征在于，所述对所述粒子位置进行局部搜索处理，包括：

根据如下公式对对所述粒子位置进行局部搜索处理：

X'(t)＝X(t)+aδ

其中，X'(t)为局部搜索处理的粒子位置、X(t)为粒子位置、a为扰动参数、δ为与X(t)维数相同的随机向量、t为迭代次数。

4.根据权利要求1至3任一所述的基于核极限学习机模型的风电功率预测方法，其特征在于，所述基于核极限学习机模型的风电功率预测方法还包括：

若确定个体最优位置的适应值大于最近一次的全局最优位置的适应值，则将所述最近一次的全局最优位置的适应值作为当前全局最优位置的适应值，并根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置；

对当前全局最优位置进行高斯扰动局部搜索，得到更新全局最优位置；

若确定满足预设算法终止条件，则根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型。

5.根据权利要求4所述的基于核极限学习机模型的风电功率预测方法，其特征在于，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：

若确定当前粒子位置的适应值小于最近一次的个体最优位置，则将当前个体最优位置作为所述个体最优位置。

6.根据权利要求4所述的基于核极限学习机模型的风电功率预测方法，其特征在于，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：

若确定当前粒子位置的适应值大于等于最近一次的个体最优位置，则将最近一次的个体最优位置作为所述个体最优位置。

7.一种使用如权利要求1所述基于核极限学习机模型的风电功率预测方法的风电功率预测方法，其特征在于，包括：

获取风速时序数据或风电功率时序数据；

基于优化核极限学习机模型对所述风速时序数据或所述风电功率时序数据进行预测，得到风电功率预测结果。