[发明专利]基于局部集成学习的短期风速预报方法

摘要

本发明公开了一种基于局部集成学习的短期风速预报方法，步骤一、采用K近邻算法，找到与被测风速样本点最相似的K个风速样本；步骤二、将每一个风速样本点的局部样本得到相应的风速预测值；步骤三、从步骤二得到的若干风速预测值，采用一定的融合策略将其进行融合，得到当前风速点的预测值。本发明首次提出基于局部集成学习的短期风速预报方法，考虑风速样本变化的复杂性与多样性；给出了局部集成学习算法的数学理论知识；有效获得了不同风速样本间的差异性，针对不同的风速样本点建立不同的风速预报模型，与全局风速预报模型及局部风速预报模型以及全集聚成的风速预报模型相比，预报误差降低10％以上。

主权项

1.一种基于局部集成学习的短期风速预报方法，其特征在于，该方法包括以下步骤：步骤一、采用K近邻算法，对于每一个被测样本点X，通过欧氏距离寻找与X最相似的K个风速局部样本点作为X的输入空间，建立当前风速样本点的预报模型，完成对被测风电场未来10分钟的实际风速预报，该当前风速样本点的特征表达式为：Xi＝{xi,xi‑1,xi‑2,xi‑3,xi‑4,xi‑5,xi‑6}，yi＝xi+1其中，xi表示i时刻的风速值，yi是Xi对应的下一时刻风速值；风速样本点的特征表达式为Dn＝{(X1,y1),...,(Xi,yi),...(Xn,yn)}，(Xi,yi)构成一个特征样本；步骤二、将每一个当前风速样本点的局部样本送到若干个独立的回归器，假设回归器之间是独立的，得到风速预测值表达式：其中，Bias是相应的偏差，Var是相应的方差，与是相应的第i_基回归器个基回归器对应的偏差与方差；假设回归器是无偏估计的，且得到风速预测值表达式：其中，E是集成回归器的泛化误差，M是基回归器的个数，是第i_基回归器个基回归器对应的泛化误差；集成回归器的泛化误差要小于各基回归器的平均泛化误差；步骤三、从步骤二得到的若干风速预测值，采用融合策略将其进行融合，得到当前风速点的预测值；其中，是第i_基回归器个回归器对应的权值，f_i(x)是第i_基回归器基回归器学到的当前风速样本的预测值；具体算法包括：对每个风速样本点，在训练过程中得到基回归器的训练误差，将训练误差最小的基回归器对应的预测结果当作当前风速样本点的最终预测值：其中，i_基回归器＝1,2,3,...,M，是第i_基回归器个基回归器的训练误差，是第i_基回归器基回归器学到的当前风速样本的预测值，y_j是样本x_j的风速真实输出值，x_j(j＝1,…,K)是样本X的中的K个风速局部样本点。