一種短期風(fēng)電功率的預(yù)測(cè)方法及裝置的制造方法
【專利摘要】本發(fā)明提供了一種短期風(fēng)電功率的預(yù)測(cè)方法及裝置,通過(guò)獲得的樣本數(shù)據(jù)建立相關(guān)向量機(jī)預(yù)測(cè)模型,并優(yōu)化依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型獲得的相關(guān)向量機(jī)訓(xùn)練模型中的參數(shù),來(lái)獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,再依據(jù)最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型獲得的實(shí)際預(yù)測(cè)值及所述樣本數(shù)據(jù),計(jì)算出第一相對(duì)誤差序列,并利用第一相對(duì)誤差序列優(yōu)化建立的GARCH誤差預(yù)測(cè)模型,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型,實(shí)現(xiàn)從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后利用最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)第一相對(duì)誤差序列進(jìn)行預(yù)測(cè)后獲得的預(yù)測(cè)值,對(duì)實(shí)際預(yù)測(cè)值進(jìn)行修正,進(jìn)而從誤差校正方面降低了預(yù)測(cè)誤差,提高了預(yù)測(cè)精度。
【專利說(shuō)明】
-種短期風(fēng)電功率的預(yù)測(cè)方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及風(fēng)電場(chǎng)技術(shù)領(lǐng)域,更具體的說(shuō),是設(shè)及一種短期風(fēng)電功率的預(yù)測(cè)方法 及裝置。
【背景技術(shù)】
[0002] 風(fēng)力發(fā)電W其自身資源的豐富、清潔無(wú)污染、可再生等優(yōu)勢(shì),成為電力行業(yè)中替代 現(xiàn)有化學(xué)能源的新能源之一。然而,由于風(fēng)力發(fā)電固有的隨機(jī)波動(dòng)性會(huì)影響電力系統(tǒng)的穩(wěn) 定運(yùn)行,因此需要對(duì)風(fēng)電功率進(jìn)行相應(yīng)的預(yù)測(cè),從而更好地管理和利用風(fēng)電。而短期風(fēng)電功 率預(yù)測(cè)一般是對(duì)未來(lái)24小時(shí)-72小時(shí)風(fēng)機(jī)或風(fēng)電場(chǎng)的有功功率進(jìn)行預(yù)測(cè),但實(shí)際中風(fēng)電場(chǎng) 上報(bào)的日前預(yù)測(cè)數(shù)據(jù)誤差較大,導(dǎo)致電力系統(tǒng)調(diào)度計(jì)劃制定的難度增加,進(jìn)而降低了系統(tǒng) 運(yùn)行的安全性和經(jīng)濟(jì)性。
[0003] 目前,國(guó)內(nèi)主要集中于通過(guò)改進(jìn)預(yù)測(cè)算法降低預(yù)測(cè)誤差,其中,支持向量機(jī)的預(yù)測(cè) 方法因具有運(yùn)用較少的訓(xùn)練樣本實(shí)現(xiàn)較為精確的預(yù)測(cè),并有效避免陷入局部最小的危險(xiǎn)等 優(yōu)點(diǎn),使得在風(fēng)電功率預(yù)測(cè)領(lǐng)域的研究與應(yīng)用逐漸增加,并取得良好效果。然而,在實(shí)際工 程運(yùn)用中支持向量機(jī)也存在一些不足之處,如核函數(shù)的選取必須滿足Mercer條件,支持向 量的數(shù)目隨著訓(xùn)練樣本數(shù)的增加而線性增長(zhǎng),不敏感參數(shù)的選取還沒(méi)有一種公認(rèn)統(tǒng)一的最 好方法,導(dǎo)致計(jì)算量和參數(shù)量的無(wú)謂增加,有待進(jìn)一步的研究和改進(jìn),且現(xiàn)階段還未能熟練 地從預(yù)測(cè)誤差產(chǎn)生的原因與預(yù)測(cè)后誤差修正兩方面來(lái)降低預(yù)測(cè)誤差,進(jìn)而提高預(yù)測(cè)精度。
【發(fā)明內(nèi)容】
[0004] 有鑒于此,本發(fā)明提供了一種短期風(fēng)電功率的預(yù)測(cè)方法及裝置,從優(yōu)化預(yù)測(cè)模型 和誤差校正兩方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度。
[0005] 為實(shí)現(xiàn)上述目的,本發(fā)明提供如下技術(shù)方案:
[0006] -種短期風(fēng)電功率的預(yù)測(cè)方法,包括:
[0007] 按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速 數(shù)據(jù);
[000引修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù);
[0009] 對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù) 據(jù),所述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù),所述第一輸出樣本 數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù);
[0010] 計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一 輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型;
[0011] 依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模型;
[0012] 優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得對(duì)應(yīng)優(yōu)化后的所述相 關(guān)向量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型;
[0013] 對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí)際預(yù)測(cè)值;
[0014]利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差序列;
[001引建立GARCH誤差預(yù)測(cè)模型;
[0016] 利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行第S預(yù)處理,獲得最 優(yōu)GARCH誤差預(yù)測(cè)模型;
[0017] 利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè),獲得第二 相對(duì)誤差序列的預(yù)測(cè)值;
[0018] 利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值,獲得最終預(yù)測(cè)值。
[0019] 優(yōu)選地,所述按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),包括:
[0020] 獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù);
[0021] 將所述規(guī)定時(shí)間期限分隔為n個(gè)規(guī)定時(shí)間段;
[0022] 設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔;
[0023] 在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一次數(shù)據(jù)值,作為所述 實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取點(diǎn)與所述時(shí)間間隔一 一對(duì)應(yīng);
[0024] 其中,n與m均為正整數(shù)。
[0025] 優(yōu)選地,所述修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù),包括:
[0026] 確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),W及所述問(wèn)題數(shù)據(jù)在任 一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù)據(jù);
[0027] 依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于所述問(wèn)題數(shù)據(jù)在任一 所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值;
[0028] 獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù)。
[0029] 優(yōu)選地,所述計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣 本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型,包括:
[0030] 烙航冰拴水掀巧前笛一餘T A掀巧拴太代入核函數(shù)公式.
[0031]
[0032] 計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中Xi為所述樣本數(shù)據(jù)的輸入向量,?為所述第一輸 入樣本數(shù)據(jù)的輸入向量,O為相關(guān)向量機(jī)的核函數(shù)寬度;
[0033] 建立所述相關(guān)向量機(jī)預(yù)測(cè)模型,所述相關(guān)向量機(jī)預(yù)測(cè)模型包含所述相關(guān)向量機(jī)的 核函數(shù)、所述樣本數(shù)據(jù)、所述第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)。
[0034] 優(yōu)選地,所述依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模型,包括:
[0035] 將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第一訓(xùn)練樣本數(shù)據(jù)與第 一檢驗(yàn)樣本數(shù)據(jù);
[0036] 利用所述第一訓(xùn)練樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立相關(guān)向 量機(jī)訓(xùn)練模型;
[0037] 利用所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確定所述相 關(guān)向量機(jī)訓(xùn)練模型。
[0038] 優(yōu)選地,所述優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得最優(yōu)相 關(guān)向量機(jī)訓(xùn)練模型,包括:
[0039] 優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度0,獲得最優(yōu)相關(guān)向 量機(jī)的核函數(shù)寬度曰;
[0040] 獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度切4應(yīng)的相關(guān)向量機(jī)訓(xùn)練模型,作為最 優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。
[0041] 優(yōu)選地,所述優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度0,獲得 最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度0,包括:
[0042] 將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度O映射為個(gè)體矢量;
[0043] 利用映射成的個(gè)體矢量,建立初始化種群;
[0044] 獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適應(yīng)交叉概率CR初值;
[0045] 利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異 操作,獲得變異矢量;
[0046] 利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)交叉選擇, 獲得交叉矢量;
[0047] 將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng)度函數(shù),獲得交叉矢量的適應(yīng) 度值和當(dāng)前個(gè)體矢量的適應(yīng)度值;
[0048] 比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適應(yīng)度值的大小,獲得適應(yīng) 度值較小的矢量;
[0049] 選擇適應(yīng)度值較小的矢量作為下一次迭代的當(dāng)前個(gè)體矢量,返回執(zhí)行利用所述自 適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量, 直到到達(dá)最大迭代次數(shù)時(shí),輸出最小適應(yīng)度值;
[0050] 獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬度O,作為最優(yōu)相關(guān)向量 機(jī)的核函數(shù)寬度曰。
[0051 ]優(yōu)選地,所述建立GARCH誤差預(yù)測(cè)模型,包括:
[0化2] 建立初始ARMA模型;
[0化3] 建立初始GARCH模型;
[0054] 對(duì)所述初始ARMA模型進(jìn)行擬合,確定最終ARMA模型的階數(shù);
[0055] 對(duì)所述初始GARCH模型進(jìn)行擬合,確定最終GARCH模型的階數(shù);
[0056] 利用所述最終ARMA模型與最終GARCH模型對(duì)所述第一相對(duì)誤差序列進(jìn)行擬合,建 立GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的所述最終ARMA模型的階數(shù), 所述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù)。
[0057] 優(yōu)選地,所述利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行第S預(yù) 處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型,包括:
[0058] 將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù)和第二檢驗(yàn)樣本數(shù) 據(jù);
[0059] 利用所述第二訓(xùn)練樣本數(shù)據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得優(yōu)化的 GARCH誤差預(yù)測(cè)模型;
[0060] 利用所述第二檢驗(yàn)樣本數(shù)據(jù),對(duì)所述優(yōu)化的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn)證,獲得驗(yàn) 證值;
[0061 ]比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大??;
[0062] 在所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)時(shí),獲得最優(yōu)GARCH誤差預(yù)測(cè)模型。
[0063] 優(yōu)選地,在所述比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小之后,還包括:
[0064] 在所述驗(yàn)證值大于所述預(yù)定標(biāo)準(zhǔn)時(shí),返回對(duì)所述初始ARMA模型進(jìn)行擬合,確定最 終ARMA模型的階數(shù),直到所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)。
[0065] 優(yōu)選地,所述利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值,獲得最 終預(yù)測(cè)值,包括:
[0066] 將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:
[0067]
[0068] 計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值if最,其中,巧£/>為第二相對(duì)誤差序列的預(yù)測(cè)值, RP為風(fēng)機(jī)的額定功率;
[0069] 將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù)測(cè)值。
[0070] -種短期風(fēng)電功率的預(yù)測(cè)裝置,包括:
[0071] 第一獲取模塊,用于按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的功 率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù);
[0072] 第一修正模塊,用于修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù);
[0073] 第一預(yù)處理模塊,用于對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入樣本數(shù) 據(jù)與第一輸出樣本數(shù)據(jù),所述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù) 據(jù),所述第一輸出樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù);
[0074] 第一模型建立模塊,用于計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、 第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型;
[0075] 第二模型建立模塊,用于依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模 型;
[0076] 第一優(yōu)化模塊,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得 對(duì)應(yīng)優(yōu)化后的所述相關(guān)向量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模 型;
[0077] 第二預(yù)處理模塊,用于對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí) 際預(yù)測(cè)值;
[0078] 第一計(jì)算模塊,用于利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差序 列;
[0079] 第S模型建立模塊,用于建立GARCH誤差預(yù)測(cè)模型;
[0080] 第S預(yù)處理模塊,用于利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn) 行第S預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型;
[0081] 第一預(yù)測(cè)模塊,用于利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列 進(jìn)行預(yù)測(cè),獲得第二相對(duì)誤差序列的預(yù)測(cè)值;
[0082] 第二修正模塊,用于利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值, 獲得最終預(yù)測(cè)值。
[0083] 優(yōu)選地,所述第一獲取模塊包括:
[0084] 第二獲取模塊,用于獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù);
[0085] 分隔模塊,用于將所述規(guī)定時(shí)間期限分隔為n個(gè)規(guī)定時(shí)間段;
[0086] 設(shè)定模塊,用于設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間 隔;
[0087] 第=獲取模塊,用于在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一 次數(shù)據(jù)值,作為所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取 點(diǎn)與所述時(shí)間間隔一一對(duì)應(yīng);
[0088] 其中,n與m均為正整數(shù)。
[0089] 優(yōu)選地,所述第一修正模塊包括:
[0090] 確定模塊,用于確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),W及所 述問(wèn)題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù) 據(jù);
[0091] 第=修正模塊,用于依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于 所述問(wèn)題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值;
[0092] 第四獲取模塊,用于獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù)。
[0093] 優(yōu)選地,所述第一模型建立模塊包括:
[0094] 核函數(shù)計(jì)算模塊,用于將所述樣本數(shù)據(jù)和第一輸入樣本數(shù)據(jù)代入公式:
[0095]
[0096] 計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中Xi為所述樣本數(shù)據(jù)的輸入向量,?為所述第一輸 入樣本數(shù)據(jù)的輸入向量,O為相關(guān)向量機(jī)的核函數(shù)寬度;
[0097] 第一模型建立子模塊,用于建立所述相關(guān)向量機(jī)預(yù)測(cè)模型,所述相關(guān)向量機(jī)預(yù)測(cè) 模型包含所述相關(guān)向量機(jī)的核函數(shù)、所述樣本數(shù)據(jù)、所述第一輸入樣本數(shù)據(jù)和第一輸出樣 本數(shù)據(jù)。
[0098] 優(yōu)選地,所述第二模型建立模塊包括:
[0099] 第一分類模塊,用于將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第 一訓(xùn)練樣本數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù);
[0100] 第一訓(xùn)練模塊,用于利用所述第一分類模塊分類出的所述第一訓(xùn)練樣本數(shù)據(jù),對(duì) 所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立相關(guān)向量機(jī)訓(xùn)練模型;
[0101] 第一檢驗(yàn)?zāi)K,用于利用所述第一分類模塊分類出的所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì) 所述相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確定所述相關(guān)向量機(jī)訓(xùn)練模型。
[0102] 優(yōu)選地,所述第一優(yōu)化模塊包括:
[0103] 參數(shù)優(yōu)化模塊,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度 O,獲得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度O;
[0104] 第五獲取模塊,用于獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度切4應(yīng)的相關(guān)向量 機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。
[0105] 優(yōu)選地,所述參數(shù)優(yōu)化模塊包括:
[0106] 映射模塊,用于將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度O映射為個(gè)體矢量;
[0107] 種群建立模塊,用于利用映射成的個(gè)體矢量,建立初始化種群;
[0108] 第六獲取模塊,用于獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適應(yīng)交 叉概率CR初值;
[0109] 自適應(yīng)變異模塊,用于利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體 矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量;
[0110] 自適應(yīng)交叉模塊,用于利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體矢量 進(jìn)行自適應(yīng)交叉選擇,獲得交叉矢量;
[0111] 適應(yīng)度值獲取模塊,用于將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng)度函 數(shù),獲得交叉矢量的適應(yīng)度值和當(dāng)前個(gè)體矢量的適應(yīng)度值;
[0112] 第一比較模塊,用于比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適應(yīng)度 值的大小,獲得適應(yīng)度值較小的矢量;
[0113] 判斷模塊,用于判斷當(dāng)前迭代的次數(shù);
[0114] 自適應(yīng)變異模塊,用于在所述判斷模塊判斷當(dāng)前迭代的次數(shù)小于最大迭代次數(shù) 時(shí),將所述第一比較模塊獲得的適應(yīng)度值較小的矢量選擇為當(dāng)前個(gè)體矢量,利用所述自適 應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量;
[0115] 輸出模塊,用于在所述判斷模塊判斷當(dāng)前迭代的次數(shù)等于最大迭代次數(shù)時(shí),輸出 最小適應(yīng)度值;
[0116] 第屯獲取模塊,用于獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬度曰, 作為最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度曰。
[0117] 優(yōu)選地,所述第=模型建立模塊包括:
[0118] ARMA模型建立模塊,用于建立初始ARMA模型;
[0119] GARCH模型建立模塊,用于建立初始GARCH模型;
[0120] ARMA擬合模塊,用于對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述ARMA模型的階數(shù);
[0121] GARCH擬合模塊,用于對(duì)所述初始GARCH模型進(jìn)行擬合,確定所述GARCH模型的階 數(shù);
[0122] 第S模型建立子模塊,用于利用所述最終ARMA模型與最終GARC財(cái)莫型對(duì)所述第一 相對(duì)誤差序列進(jìn)行擬合,建立GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的 所述最終ARM模型的階數(shù),所述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù)。
[0123] 優(yōu)選地,所述第=預(yù)處理模塊包括:
[0124] 第二分類模塊,用于將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù) 和第二檢驗(yàn)樣本數(shù)據(jù);
[0125] 誤差預(yù)測(cè)模型擬合模塊,用于利用所述第二分類模塊分類出的所述第二訓(xùn)練樣本 數(shù)據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得優(yōu)化的GARCH誤差預(yù)測(cè)模型;
[0126] 第二驗(yàn)證模塊,用于利用所述第二分類模塊分類出的所述第二檢驗(yàn)樣本,對(duì)所述 優(yōu)化的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn)證,獲得驗(yàn)證值;
[0127] 第二比較模塊,用于比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小;
[0128] 第八獲取模塊,用于在所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)時(shí),獲得最優(yōu)GARCH誤差 預(yù)測(cè)模型。
[0129] 優(yōu)選地,在所述第二比較模塊比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小之后,所述ARMA 擬合模塊還用于:
[0130] 在所述驗(yàn)證值大于所述預(yù)定標(biāo)準(zhǔn)時(shí),對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述 ARM模型的階數(shù)。
[0131] 優(yōu)選地,所述第二修正模塊包括:
[0132] 第二計(jì)算模塊,用于將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:
[0133]
[0134] 計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值i{技,其中,巧為第二相對(duì)誤差序列的預(yù)測(cè)值, RP為風(fēng)機(jī)的額定功率;
[0135] 第四修正模塊,用于將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù) 測(cè)值。
[0136] 經(jīng)由上述的技術(shù)方案可知,與現(xiàn)有技術(shù)相比,本發(fā)明提供了一種短期風(fēng)電功率的 預(yù)測(cè)方法及裝置,通過(guò)獲取并修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù),利用所述樣本數(shù)據(jù)建立相 關(guān)向量機(jī)預(yù)測(cè)模型,并依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型獲得相關(guān)向量機(jī)訓(xùn)練模型,優(yōu)化所述 相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù)來(lái)獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而從優(yōu)化 預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后,對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲 得實(shí)際預(yù)測(cè)值,利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算第一相對(duì)誤差序列,并利用所述第一 相對(duì)誤差序列對(duì)建立的GARCH誤差預(yù)測(cè)模型進(jìn)行第S預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模 型,再次實(shí)現(xiàn)從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后利用最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所 述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè),獲得第二相對(duì)誤差序列的預(yù)測(cè)值,W便對(duì)所述實(shí)際預(yù)測(cè)值 進(jìn)行修正,獲得最終預(yù)測(cè)值,進(jìn)而從誤差校正方面降低了預(yù)測(cè)誤差,提高了預(yù)測(cè)精度。
【附圖說(shuō)明】
[0137] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見(jiàn)地,下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可W根據(jù) 提供的附圖獲得其他的附圖。
[0138] 圖1為本發(fā)明實(shí)施例提供的一種短期風(fēng)電功率的預(yù)測(cè)方法流程圖;
[0139] 圖2為本發(fā)明實(shí)施例提供的一種獲取實(shí)際數(shù)據(jù)的方法流程圖;
[0140] 圖3為本發(fā)明實(shí)施例提供的一種修正實(shí)際數(shù)據(jù)的方法流程圖;
[0141] 圖4為本發(fā)明實(shí)施例提供的一種建立相關(guān)向量機(jī)預(yù)測(cè)模型的方法流程圖;
[0142] 圖5為本發(fā)明實(shí)施例提供的一種建立相關(guān)向量機(jī)訓(xùn)練模型的方法流程圖;
[0143] 圖6為本發(fā)明實(shí)施例提供的一種優(yōu)化相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù) 的方法流程圖;
[0144] 圖7為本發(fā)明實(shí)施例提供的一種獲得最優(yōu)GARCH誤差預(yù)測(cè)模型的方法流程圖;
[0145] 圖8為本發(fā)明實(shí)施例提供的一種修正實(shí)際預(yù)測(cè)值的方法流程圖;
[0146] 圖9為本發(fā)明實(shí)施例提供的一種短期風(fēng)電功率的預(yù)測(cè)裝置的結(jié)構(gòu)示意圖;
[0147] 圖10為本發(fā)明實(shí)施例提供的一種優(yōu)化相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參 數(shù)的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0148] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;?本發(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
[0149] 本發(fā)明實(shí)施例提供了一種短期風(fēng)電功率的預(yù)測(cè)方法,請(qǐng)參見(jiàn)附圖1,所述方法具體 包括W下步驟:
[0150] 步驟101:按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì) 應(yīng)的風(fēng)速數(shù)據(jù)。
[0151] 步驟102:修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù)。
[0152] 步驟103:對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入數(shù)據(jù)樣本與第一輸出 數(shù)據(jù)樣本,所述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù),所述第一輸 出樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù);
[0153] 具體的,將獲得的所述樣本數(shù)據(jù)先進(jìn)行歸一化處理,即把所述樣本數(shù)據(jù)映射到一 個(gè)較小的區(qū)間單,所沐映射區(qū)間可W為「-1.11之間,所沐掃一化公式為:
[0154]
[01W]其中,Xli為所述樣本數(shù)據(jù)歸一化前的值,Xj;為所述樣本數(shù)據(jù)歸一化后的值,yimax 為進(jìn)行歸一化的映射區(qū)間的最大值,yimin為進(jìn)行歸一化的映射區(qū)間的最小值,Xlmax為所述樣 本數(shù)據(jù)中的最大值,Xlmin為所述樣本數(shù)據(jù)中的最小值;
[0156] 之后,再將所述樣本數(shù)據(jù)歸一化后得到的數(shù)據(jù)值進(jìn)行分類,生成第一輸入數(shù)據(jù)樣 本與第一輸出數(shù)據(jù)樣本,其中,所述第一輸入數(shù)據(jù)樣本為風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速 數(shù)據(jù),所述第一輸出數(shù)據(jù)樣本為風(fēng)電場(chǎng)的功率數(shù)據(jù)。
[0157] 步驟104:計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù) 據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型。
[0158] 步驟105:依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模型。
[0159] 步驟106:優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得對(duì)應(yīng)優(yōu)化后 的所述相關(guān)向量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型;
[0160] 具體的,基于預(yù)測(cè)誤差產(chǎn)生的原因,對(duì)所述相關(guān)向量機(jī)的參數(shù)進(jìn)行優(yōu)化,進(jìn)而獲得 與優(yōu)化后的所述相關(guān)向量機(jī)的參數(shù)對(duì)應(yīng)的最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。
[0161] 步驟107:對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí)際預(yù)測(cè)值;
[0162] 具體的,先利用所述第一輸入數(shù)據(jù)樣本與第一輸出數(shù)據(jù)樣本對(duì)所述最優(yōu)相關(guān)向量 機(jī)訓(xùn)練模型進(jìn)行訓(xùn)練與檢驗(yàn),得到初始預(yù)測(cè)值,再對(duì)所述初始預(yù)測(cè)值進(jìn)行反歸一化處理,得 到實(shí)際預(yù)測(cè)值,其中,所述反歸一化處理公式為:
[0163]
[0164] 其中,為處理后的所述初始預(yù)測(cè)值反歸一化前的數(shù)據(jù)值,Xlr為處理后的所述初 始預(yù)測(cè)值反歸一化后的數(shù)據(jù)值,yimax為所述樣本數(shù)據(jù)進(jìn)行歸一化處理時(shí)的映射區(qū)間的最大 值1,yimin為所述樣本數(shù)據(jù)進(jìn)行歸一化處理時(shí)的映射區(qū)間的最小值-1 ,Xlmax為所述樣本數(shù)據(jù) 中的最大值,Xlmin為所述樣本數(shù)據(jù)中的最小值。
[0165] 步驟108:利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差序列;
[0166] 具體的,將所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值代入相對(duì)誤差值RE計(jì)算公式:
[0167]
[0168] 計(jì)算得到初始第一相對(duì)誤差序列,所述初始第一相對(duì)誤差序列由多個(gè)相對(duì)誤差值 RE組成,其中,y(t)為所述樣本數(shù)據(jù),;為所述實(shí)際預(yù)測(cè)值,RP為風(fēng)機(jī)的額定功率;
[0169] 其中,所述初始第一相對(duì)誤差序列為所述規(guī)定時(shí)間期限即2個(gè)月中第二個(gè)月除去 最后一天的剩余天數(shù)所對(duì)應(yīng)的多個(gè)相對(duì)誤差值RE組成的序列,且在每次計(jì)算第二個(gè)月中的 任一天所對(duì)應(yīng)的多個(gè)相對(duì)誤差值RE組成的序列時(shí),需要將第一個(gè)月W及第二個(gè)月中該天之 前的所有天數(shù)所對(duì)應(yīng)的樣本數(shù)據(jù)作為一個(gè)訓(xùn)練樣本數(shù)據(jù)代入所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模 型進(jìn)行第二預(yù)處理,獲得對(duì)應(yīng)的實(shí)際預(yù)測(cè)值,之后,將得到的所述實(shí)際預(yù)測(cè)值與其對(duì)應(yīng)的樣 本數(shù)據(jù)一起代入相對(duì)誤差值RE計(jì)算公式,最終在重復(fù)計(jì)算多次相對(duì)誤差值RE后,獲得所述 初始第一相對(duì)誤差序列;
[0170] 之后,對(duì)計(jì)算得到的所述初始第一相對(duì)誤差序列進(jìn)行時(shí)間序列平穩(wěn)化檢測(cè),并在 得出所述初始第一相對(duì)誤差序列的檢測(cè)結(jié)果為非平穩(wěn)相對(duì)誤差序列時(shí),對(duì)非平穩(wěn)的相對(duì)誤 差序列進(jìn)行差分處理W及單位根檢驗(yàn),若每次的單位根檢驗(yàn)得到的檢驗(yàn)結(jié)果仍為非平穩(wěn)的 相對(duì)誤差序列,則重復(fù)執(zhí)行對(duì)非平穩(wěn)的相對(duì)誤差序列進(jìn)行差分處理W及單位根檢驗(yàn),直到 檢驗(yàn)結(jié)果為平穩(wěn)化的相對(duì)誤差序列,才輸出結(jié)果,并將平穩(wěn)化的相對(duì)誤差序列作為所述第 一相對(duì)誤差序列。
[0171] 步驟109:建立GARCH誤差預(yù)測(cè)模型;
[0172] 具體的,由于廣義自回歸條件異方差(GARCH)能夠較細(xì)致地刻畫時(shí)間序列的方差 隨時(shí)間變化的特性,且對(duì)殘差項(xiàng)中可能的信息進(jìn)行挖掘,因此建立GARCH誤差預(yù)測(cè)模型,用 于后續(xù)從預(yù)測(cè)后誤差修正方面降低預(yù)測(cè)誤差,提高預(yù)測(cè)誤差精度。
[0173] 步驟1010:利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行第S預(yù)處 理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型;
[0174] 具體的,基于預(yù)測(cè)誤差產(chǎn)生的原因,對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行優(yōu)化處理,獲 得對(duì)應(yīng)的最優(yōu)GARCH誤差預(yù)測(cè)模型。
[0175] 步驟1011:利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè), 獲得第二相對(duì)誤差序列的預(yù)測(cè)值;
[0176] 具體的,在獲得了最優(yōu)GARCH誤差預(yù)測(cè)模型之后,再利用所述最優(yōu)GARCH誤差預(yù)測(cè) 模型對(duì)所述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè),進(jìn)而能夠較為準(zhǔn)確地預(yù)測(cè)所述規(guī)定時(shí)間期限即2 個(gè)月的最后一天內(nèi)的m個(gè)獲取點(diǎn)上的數(shù)據(jù)值所對(duì)應(yīng)的相對(duì)誤差預(yù)測(cè)值/?£,,,作為第二相對(duì) 誤差序列的預(yù)測(cè)值。
[0177] 步驟1012:利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值,獲得最終 預(yù)測(cè)值;
[0178] 具體的,采用經(jīng)過(guò)所述最優(yōu)GARCH誤差預(yù)測(cè)模型預(yù)測(cè)后獲得的所述第二相對(duì)誤差 序列的預(yù)測(cè)值去修正所述實(shí)際預(yù)測(cè)值,能夠從預(yù)測(cè)后誤差修正方面降低預(yù)測(cè)誤差,提高預(yù) 測(cè)誤差精度。
[0179] 本發(fā)明實(shí)施例公開(kāi)的短期風(fēng)電功率的預(yù)測(cè)方法中,通過(guò)獲取并修正所述實(shí)際數(shù) 據(jù),獲得樣本數(shù)據(jù),利用所述樣本數(shù)據(jù)建立相關(guān)向量機(jī)預(yù)測(cè)模型,并依據(jù)所述相關(guān)向量機(jī)預(yù) 測(cè)模型獲得相關(guān)向量機(jī)訓(xùn)練模型,優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù)來(lái) 獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后,對(duì)所述最 優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí)際預(yù)測(cè)值,利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè) 值,計(jì)算第一相對(duì)誤差序列,并利用所述第一相對(duì)誤差序列對(duì)建立的GARCH誤差預(yù)測(cè)模型進(jìn) 行第S預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型,再次實(shí)現(xiàn)從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤 差,之后利用最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè),獲得第二相對(duì)誤 差序列的預(yù)測(cè)值,W便對(duì)所述實(shí)際預(yù)測(cè)值進(jìn)行修正,獲得最終預(yù)測(cè)值,進(jìn)而從誤差校正方面 降低了預(yù)測(cè)誤差,提高了預(yù)測(cè)精度。
[0180] 請(qǐng)參閱附圖2,上述實(shí)施例中提供的步驟101的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0181 ]步驟201:獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù);
[0182] 具體的,所述初始實(shí)際數(shù)據(jù)為規(guī)定時(shí)間期限內(nèi)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng) 速數(shù)據(jù)的實(shí)測(cè)數(shù)據(jù),其中,所述規(guī)定時(shí)間期限可W為2個(gè)月。
[0183] 步驟202:將所述規(guī)定時(shí)間期限分隔為n個(gè)規(guī)定時(shí)間段,n為正整數(shù);
[0184] 具體的,任一所述規(guī)定時(shí)間段對(duì)應(yīng)于所述規(guī)定時(shí)間期限即2個(gè)月中的任意一天。
[0185] 步驟203:設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔,m為 正整數(shù);
[0186] 具體的,在任一所述規(guī)定時(shí)間段即每一天內(nèi),均設(shè)定相同的獲取所述初始實(shí)際數(shù) 據(jù)的m個(gè)時(shí)間間隔,任一所述時(shí)間間隔可W按照分鐘、小時(shí)等時(shí)間單位去獲取所述初始實(shí)際 數(shù)據(jù)中對(duì)應(yīng)時(shí)刻的數(shù)據(jù)值。
[0187] 步驟204:在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一次數(shù)據(jù)值, 作為所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取點(diǎn)與所述時(shí) 間間隔--對(duì)應(yīng);
[0188] 具體的,在任一所述規(guī)定時(shí)間段即每一天內(nèi),每經(jīng)過(guò)任一所述時(shí)間間隔時(shí),就從所 述初始實(shí)際數(shù)據(jù)中獲取一次對(duì)應(yīng)時(shí)刻的數(shù)據(jù)值,作為該規(guī)定時(shí)間段即每一天內(nèi)當(dāng)前時(shí)間間 隔所對(duì)應(yīng)的獲取點(diǎn)上的數(shù)據(jù)值,最終依此獲取到該規(guī)定時(shí)間段即每一天內(nèi)的m個(gè)時(shí)間間隔 所對(duì)應(yīng)的m個(gè)獲取點(diǎn)上的數(shù)據(jù)值,之后,將n個(gè)所述規(guī)定時(shí)間段內(nèi)獲取的數(shù)據(jù)值進(jìn)行集合,得 到實(shí)際數(shù)據(jù)。
[0189] 本發(fā)明實(shí)施例公開(kāi)的獲取實(shí)際數(shù)據(jù)的方法中,通過(guò)將所述規(guī)定時(shí)間期限分隔為n 個(gè)規(guī)定時(shí)間段,W及設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔,來(lái) 依次獲取所述初始實(shí)際數(shù)據(jù),最終得到所述實(shí)際數(shù)據(jù),能夠細(xì)化到針對(duì)所述規(guī)定時(shí)間期限 內(nèi)的每一天中的每一個(gè)獲取點(diǎn)上的數(shù)據(jù)值進(jìn)行預(yù)測(cè),為后續(xù)對(duì)風(fēng)電場(chǎng)的功率數(shù)據(jù)進(jìn)行預(yù)測(cè) 提供準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。
[0190] 請(qǐng)參閱附圖3,上述實(shí)施例中提供的步驟102的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0191] 步驟301:確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),W及所述問(wèn)題 數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù)據(jù);
[0192] 具體的,在獲取得到所述實(shí)際數(shù)據(jù)后,還需要對(duì)所述實(shí)際數(shù)據(jù)進(jìn)行異常數(shù)據(jù)識(shí)別 與缺失數(shù)據(jù)識(shí)別,其中,所述異常數(shù)據(jù)包括風(fēng)電場(chǎng)的功率數(shù)據(jù)為負(fù)值的數(shù)據(jù);
[0193] 步驟302:依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于所述問(wèn)題數(shù) 據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值;
[0194] 具體的,在確定了所述實(shí)際數(shù)據(jù)中的任一所述規(guī)定時(shí)間段內(nèi)的任一所述時(shí)間間隔 所對(duì)應(yīng)的獲取點(diǎn)上的數(shù)據(jù)值為異常數(shù)據(jù)時(shí),則將該獲取點(diǎn)上的異常數(shù)據(jù)進(jìn)行剔除,并將其 之前的一個(gè)獲取點(diǎn)上的數(shù)據(jù)值替換到該獲取點(diǎn)上;在確定了所述實(shí)際數(shù)據(jù)中的任一所述規(guī) 定時(shí)間段內(nèi)的任一所述時(shí)間間隔所對(duì)應(yīng)的獲取點(diǎn)上的數(shù)據(jù)值為缺失數(shù)據(jù)時(shí),則直接將其之 前的一個(gè)獲取點(diǎn)上的數(shù)據(jù)值替換到該獲取點(diǎn)上。
[01M]步驟303:獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù);
[0196] 具體的,在將所述實(shí)際數(shù)據(jù)中確定的全部問(wèn)題數(shù)據(jù)均進(jìn)行修正后,獲得的修正后 的數(shù)據(jù)即為所述樣本數(shù)據(jù)。
[0197] 本發(fā)明實(shí)施例公開(kāi)的修正實(shí)際數(shù)據(jù)的方法中,通過(guò)將從所述實(shí)際數(shù)據(jù)中確定的問(wèn) 題數(shù)據(jù)替換為該問(wèn)題數(shù)據(jù)所在獲取點(diǎn)的前一個(gè)獲取點(diǎn)上的數(shù)據(jù)值,實(shí)現(xiàn)了對(duì)所述實(shí)際數(shù)據(jù) 的修正,進(jìn)而為后續(xù)對(duì)風(fēng)電場(chǎng)的功率數(shù)據(jù)進(jìn)行預(yù)測(cè)提供準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。
[0198] 請(qǐng)參閱附圖4,上述實(shí)施例中提供的步驟104的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0199] 擊噓Am .悠配成拴水撒巧新笠一輪\數(shù)據(jù)樣本代入核函數(shù)公式;
[0200]
[0201] 計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中Xi為所述樣本數(shù)據(jù)的輸入向量,?為所述第一輸 入數(shù)據(jù)樣本的輸入向量,O為相關(guān)向量機(jī)的核函數(shù)寬度;
[0202] 具體的,一般將具有較強(qiáng)的非線性擬合能力與學(xué)習(xí)能力的徑向基核函數(shù)選為所述 相關(guān)向量機(jī)的核函數(shù)。
[0203] 步驟402:將所述相關(guān)向量機(jī)的核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出 樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立所述相關(guān)向量機(jī)預(yù)測(cè)模型;
[0204] 具體的,所述相關(guān)向量機(jī)預(yù)測(cè)模型包含但不限于所述相關(guān)向量機(jī)的核函數(shù)、所述 樣本數(shù)據(jù)、所述第一輸入數(shù)據(jù)樣本和第一輸出數(shù)據(jù)樣本。
[0205] 本發(fā)明實(shí)施例公開(kāi)的建立相關(guān)向量機(jī)預(yù)測(cè)模型的方法中,通過(guò)選擇并計(jì)算出所述 相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù) 作為基礎(chǔ)數(shù)據(jù),建立了相關(guān)向量機(jī)預(yù)測(cè)模型,進(jìn)而能夠利用建立的相關(guān)向量機(jī)預(yù)測(cè)模型來(lái) 靈活地選擇相關(guān)向量機(jī)的核函數(shù),同時(shí)由于相關(guān)向量機(jī)預(yù)測(cè)模型采用極度稀疏貝葉斯學(xué)習(xí) 方法,降低了計(jì)算的復(fù)雜程度,減少了所需的數(shù)據(jù)量,最終縮短了計(jì)算的時(shí)間。
[0206] 請(qǐng)參閱附圖5,上述實(shí)施例中提供的步驟105的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0207] 步驟501:將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第一訓(xùn)練樣本 數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù);
[0208] 具體的,將所述相關(guān)向量機(jī)預(yù)測(cè)模型中包含的樣本數(shù)據(jù)分類,生成第一訓(xùn)練樣本 數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù),所述第一訓(xùn)練樣本數(shù)據(jù)主要用于訓(xùn)練所述相關(guān)向量機(jī)預(yù)測(cè)模型 學(xué)習(xí)訓(xùn)練樣本的過(guò)程,且所述第一訓(xùn)練樣本數(shù)據(jù)為所述規(guī)定時(shí)間期限即2個(gè)月所對(duì)應(yīng)的數(shù) 據(jù)值,所述第一檢驗(yàn)樣本數(shù)據(jù)主要用于驗(yàn)證已經(jīng)經(jīng)過(guò)訓(xùn)練后的預(yù)測(cè)模型的預(yù)測(cè)能力的準(zhǔn)確 性,且所述第一檢驗(yàn)樣本數(shù)據(jù)為所述規(guī)定時(shí)間期限即2個(gè)月中最后一天所對(duì)應(yīng)的數(shù)據(jù)值。
[0209] 步驟502:利用所述第一訓(xùn)練樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建 立相關(guān)向量機(jī)訓(xùn)練模型;
[0210] 具體的,先計(jì)算得到第一訓(xùn)練樣本數(shù)據(jù)的后驗(yàn)分布的方差X,所述后驗(yàn)分布的方 差5:的計(jì)算公式為:
[0211] X =(〇-2 巫 T巫+A)-1
[0212]其中,A為超參數(shù)對(duì)角線元素;且A = diag(a日,al,…aN);o為相關(guān)向量機(jī)的核函數(shù)寬 度;〇為基函數(shù)向量;
[0213] 再計(jì)算得到第一訓(xùn)練樣本數(shù)據(jù)的后驗(yàn)分布的均值ii,所述后驗(yàn)分布的均值y的計(jì)算 公式為:
[0214] u = 〇-2 5:巫\
[0215] 其中,t為所述第一訓(xùn)練樣本數(shù)據(jù)的目標(biāo)參數(shù)個(gè)數(shù),〇為相關(guān)向量機(jī)的核函數(shù)寬度, O為基函數(shù)向量,S為第一訓(xùn)練樣本數(shù)據(jù)的后驗(yàn)分布的方差;
[0216] 之后,計(jì)算得到超參數(shù)Oi與O2的似然估計(jì)值L(a),所述似然估計(jì)值L(a)的計(jì)算公式 為:
[0^7] L(a) =-〇. 5[Nlog23T+l0g I CI Wk-it]
[0218] 其中,C = 〇2I + 〇A-i〇t且C為協(xié)方差矩陣,N為所述樣本數(shù)據(jù)的個(gè)數(shù),t為所述第一 訓(xùn)練樣本數(shù)據(jù)的目標(biāo)參數(shù)個(gè)數(shù);
[0219] 將所述超參數(shù)Qi與O2的似然估計(jì)值L(Q)最大化處理,得到超參數(shù)Qi與O2的最大化 先驗(yàn)分布:
[0220]
[022。 其中,丫 1= I-Qi S 11且5: 1功所述第一訓(xùn)練樣本數(shù)據(jù)的后驗(yàn)分布的方差S的第i個(gè) 對(duì)角線元素,N為所述樣本數(shù)據(jù)的個(gè)數(shù),Qi為超參數(shù);
[0。^ 最后,計(jì)算出初始預(yù)測(cè)值y*及方差erf ;計(jì)算初始預(yù)測(cè)值y*及方差(J?的公式分別
為:
[0223]
[0224]
[0225] 其中,y為后驗(yàn)分布的均值,〇為基函數(shù)向量,X為第一訓(xùn)練樣本數(shù)據(jù)的后驗(yàn)分布 的方差,為超參數(shù)O2的最大化先驗(yàn)分布,O (X*)為將計(jì)算出的相關(guān)向量機(jī)的核函數(shù)映射 到高維空間后得到的向量矩陣,且
[0226]
[0227] 將所述初始預(yù)測(cè)值及方差作為基礎(chǔ)數(shù)據(jù),建立所述相關(guān)向量機(jī)訓(xùn)練模型。
[0228] 步驟503:利用所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確 定所述相關(guān)向量機(jī)訓(xùn)練模型;
[0229] 具體的,在利用所述第一訓(xùn)練樣本數(shù)據(jù)建立了相關(guān)向量機(jī)訓(xùn)練模型之后,還需要 用所述第一檢驗(yàn)樣本數(shù)據(jù)對(duì)建立的相關(guān)向量機(jī)訓(xùn)練模型的預(yù)測(cè)能力的準(zhǔn)確性進(jìn)行驗(yàn)證,進(jìn) 一步確定所述相關(guān)向量機(jī)訓(xùn)練模型。
[0230] 本發(fā)明實(shí)施例公開(kāi)的建立相關(guān)向量機(jī)訓(xùn)練模型的方法中,通過(guò)將所述相關(guān)向量機(jī) 預(yù)測(cè)模型包含的樣本數(shù)據(jù)進(jìn)行分類,生成第一訓(xùn)練樣本數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù),并分別 利用所述第一訓(xùn)練樣本數(shù)據(jù)對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,利用所述第一檢驗(yàn)樣本 數(shù)據(jù)對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行驗(yàn)證,最終獲得相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而為后續(xù)獲 得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型提供基礎(chǔ)模型。
[0231] 請(qǐng)參閱附圖6,上述實(shí)施例中提供的步驟106的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0232] 步驟601:將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度O映射為個(gè)體矢量。
[0233] 步驟602:利用映射成的個(gè)體矢量,建立初始化種群;
[0234] 具體的,所述初始化種群Xi,G(i = l,2, . . .,N)中包含的個(gè)體矢量的個(gè)數(shù)N為需要優(yōu) 化的所述相關(guān)向量機(jī)的核函數(shù)寬度O的個(gè)數(shù)。
[0235] 步驟603:獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適應(yīng)交叉概率CR 初值。
[0236] 步驟604:利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自 適應(yīng)變異操作,獲得變異矢量;
[0237] 具體的,先從所述初始化種群中隨機(jī)找到兩個(gè)不同的個(gè)體矢量對(duì)應(yīng)的基因位,W 及當(dāng)前個(gè)體矢量對(duì)應(yīng)的基因位,并將其代入自適應(yīng)變異計(jì)算公式:
[023引 Vi,G = Xrl,G+F(Xr2,G-Xr3,G),rl^r2^r3^i
[0239] 其中,r 1,r2和r3是隨機(jī)選自所述初始化種群范圍{1,2,. . .,N},且r 1,r2,^和王四 個(gè)常數(shù)其值不同;F為自適應(yīng)變異因子,Vi,G為執(zhí)行變異操作之后新生成的變異矢量,Xi,C為 屬于初始化種群中的當(dāng)前個(gè)體矢量。
[0240] 其中,初期所述自適應(yīng)變異因子F的值較大,能夠保證所述初始化種群的多樣性, 之后,所述自適應(yīng)變異因子F的值會(huì)隨著迭代次數(shù)的增加,將逐漸減小,使得后期所述自適 應(yīng)變異因子F的值較小,能夠保留優(yōu)良的個(gè)體矢量,所述自適應(yīng)變異因子F的計(jì)算公式為:
[0241]
[0242] 其中,F(xiàn)min為變異因子的最小值,F(xiàn)max為變異因子的最大值,Mgen為最大的迭代代 數(shù),G為當(dāng)前進(jìn)化的代數(shù)。
[0243] 步驟605:利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)交 叉選擇,獲得交叉矢量;
[0244] 具體的,將所述變異矢量Vi,C與屬于所述初始化種群的當(dāng)前個(gè)體矢量Xi,遜行自適 應(yīng)交叉選擇,所述自適應(yīng)交叉選擇公式為:
[0245]
[0246] 其中,CR為自適應(yīng)交叉概率,且CR G [0,1 ]; rand為0-1之間的隨機(jī)數(shù);Vi,G為執(zhí)行 變異操作之后新生成的變異矢量,Xi,G為屬于初始化種群中的當(dāng)前個(gè)體矢量,Ui,G為執(zhí)行交 叉操作之后形成的交叉矢量;
[0247] 其中,初期的所述自適應(yīng)交叉概率CR的值較大,能夠保證全局范圍的變異情況,之 后,所述自適應(yīng)交叉概率CR的值會(huì)隨著迭代次數(shù)的增加,將逐漸減小,使得后期的所述自適 應(yīng)交叉廠莖CR的值巧小.能傲羊炸扁部的階鄉(xiāng)信瓶.所化自適應(yīng)交叉概率CR的計(jì)算公式為:
[024引
[0249] 其中,CRmin為自適應(yīng)交叉概率的最小值,CRmax為自適應(yīng)交叉概率的最大值,Mgen為 最大的迭代代數(shù),。
[0250] 步驟606:將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng)度函數(shù),獲得交叉矢 量的適應(yīng)度值和當(dāng)前個(gè)體矢量的適應(yīng)度值;
[0251] 具體的,將絕對(duì)平均百分比誤差6MAPE作為適應(yīng)度函數(shù),用于優(yōu)化所述相關(guān)向量機(jī) 訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù)。
[0252] 步驟607:比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適應(yīng)度值的大小, 獲得適應(yīng)度值較小的矢量。
[0253] 步驟608:判斷當(dāng)前迭代的次數(shù),若當(dāng)前迭代的次數(shù)等于最大迭代次數(shù),則執(zhí)行步 驟609,若當(dāng)前迭代的次數(shù)小于最大迭代次數(shù),則執(zhí)行步驟604;
[0254] 具體的,在當(dāng)前迭代的次數(shù)小于最大迭代次數(shù)時(shí),選擇適應(yīng)度值較小的矢量作為 下一次迭代的當(dāng)前個(gè)體矢量,并返回執(zhí)行步驟604,直到當(dāng)前迭代的次數(shù)等于最大迭代次 數(shù)。
[02W]步驟609:輸出最小適應(yīng)度值,并執(zhí)行步驟6010;
[0256] 具體的,當(dāng)前迭代的次數(shù)等于最大迭代次數(shù)時(shí),輸出的計(jì)算結(jié)果為本次迭代計(jì)算 中的最小適應(yīng)度值。
[0257] 步驟6010:獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬度0,作為最優(yōu) 相關(guān)向量機(jī)的核函數(shù)寬度曰。
[0258] 步驟6011:獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度O對(duì)應(yīng)的相關(guān)向量機(jī)訓(xùn)練模 型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。
[0259] 本發(fā)明實(shí)施例公開(kāi)的優(yōu)化相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù)的方法中, 通過(guò)采用改進(jìn)的差分進(jìn)化算法(IDE)優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函 數(shù)寬度0,獲得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度0,并將與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度O 對(duì)應(yīng)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而實(shí)現(xiàn)了從預(yù)測(cè)誤差產(chǎn)生 的原因方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度。
[0260]請(qǐng)參閱附圖7,為本發(fā)明實(shí)施例公開(kāi)的一種獲得最優(yōu)GARCH誤差預(yù)測(cè)模型的方法, 所述方法具體包括W下步驟:
[0%1 ] 步驟701:建立初始ARMA模型;
[0262]具體的,通過(guò)所述初始ARMA模型建立均值方程,所述初始ARMA模型的表達(dá)式為: [0%3]
[0264] 其中,鴉為待估的自回歸參數(shù);0J為移動(dòng)平均參數(shù);r為自回歸階數(shù);m為移動(dòng)平均的 階數(shù);e(t)為第t時(shí)刻的殘差;C為常數(shù)。
[02化]步驟702:建立初始GARCH模型;
[0266]具體的,由于所述初始ARMA模型不適于處理所述第一相對(duì)誤差序列的方差,因此, 需要采用廣義自回歸條件異方差模型即通過(guò)所述初始GARCH模型建立方差方程,所述初始 GARCH模型的表達(dá)式為:
[0%7]
[026引其中,G功初始GARCH模型影響的待估參數(shù),且大于0; Aj為初始ARMA模型影響的待 估參數(shù),且大于0; P與q為初始ARMA模型的階次,為條件方差;k為常數(shù)。
[0269] 步驟703:對(duì)所述初始ARMA模型進(jìn)行擬合,確定最終ARMA模型的階數(shù);
[0270] 具體的,采用所述初始ARMA模型對(duì)經(jīng)多次差分平穩(wěn)化處理后的所述第一相對(duì)誤差 序列進(jìn)行擬合,檢驗(yàn)經(jīng)過(guò)擬合后的第一相對(duì)誤差序列的自相關(guān)性和偏自相關(guān)性,并計(jì)算其 自相關(guān)系數(shù)和偏自相關(guān)系數(shù),作為衡量本次擬合效果優(yōu)劣的標(biāo)準(zhǔn),W確定最終ARMA模型的 階數(shù)。
[0271 ]步驟704:對(duì)所述初始GARCH模型進(jìn)行擬合,確定最終GARCH模型的階數(shù);
[0272] 具體的,采用赤池信息準(zhǔn)則(AIC)來(lái)衡量所述初始GARCH模型擬合的優(yōu)劣性,W確 定最終GARCH模型的階數(shù)。
[0273] 步驟705:利用所述最終ARMA模型與最終GARCH模型對(duì)所述第一相對(duì)誤差序列進(jìn)行 擬合,建立GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的所述最終ARMA模型 的階數(shù),所述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù);
[0274] 具體的,利用所述最終ARMA模型與最終GARCH模型分別擬合所述第一相對(duì)誤差序 列,進(jìn)而確定最終ARMA模型中的待估的自回歸參數(shù)巧、移動(dòng)平均參數(shù)0神日常數(shù)C,同時(shí)確定 最終GARCH模型中的初始ARM模型影響的待估參數(shù)A神日常數(shù)k,最終得到包含了與確定參數(shù) 對(duì)應(yīng)的均值方程和方差方程的GARCH誤差預(yù)測(cè)模型。
[0275] 步驟706:將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù)和第二檢驗(yàn) 樣本數(shù)據(jù);
[0276] 具體的,所述第二訓(xùn)練樣本數(shù)據(jù)為所述規(guī)定時(shí)間期限即2個(gè)月中第二個(gè)月除去該 月最后一天的全部時(shí)間對(duì)應(yīng)的數(shù)據(jù)值,所述第二檢驗(yàn)樣本數(shù)據(jù)為所述規(guī)定時(shí)間期限即2個(gè) 月中第二個(gè)月最后一天的前一天的數(shù)據(jù)值。
[0277] 步驟707:利用所述第二訓(xùn)練樣本數(shù)據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得 優(yōu)化的GARCH誤差預(yù)測(cè)模型;
[0278] 具體的,利用所述第二訓(xùn)練樣本數(shù)據(jù)對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,進(jìn)而確 定所述GARCH誤差預(yù)測(cè)模型中相關(guān)的待估的自回歸參數(shù)P,、移動(dòng)平均參數(shù)0j、常數(shù)c,W及初 始ARMA模型影響的待估參數(shù)A神日常數(shù)k,最終得到包含了與確定參數(shù)對(duì)應(yīng)的均值方程和方 差方程的優(yōu)化的GARCH誤差預(yù)測(cè)模型。
[0279] 步驟708:利用所述第二檢驗(yàn)樣本數(shù)據(jù),對(duì)所述優(yōu)化的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn) 證,獲得驗(yàn)證值;
[0280] 具體的,將絕對(duì)平均百分比誤差6MAPE作為驗(yàn)證值,并在將所述第二檢驗(yàn)樣本數(shù)據(jù) 良P2個(gè)月的所述規(guī)定時(shí)間期限中第二個(gè)月最后一天的前一天的數(shù)據(jù)值代入絕對(duì)平均百分比 誤差6MAPE的計(jì)算公式:
[0281
[0282] 獲得驗(yàn)證值,其中,Yi為所述第二檢驗(yàn)樣本數(shù)據(jù)對(duì)應(yīng)的風(fēng)電場(chǎng)的功率,f,.為所述第 二檢驗(yàn)樣本數(shù)據(jù)對(duì)應(yīng)的實(shí)際預(yù)測(cè)值,n為所述第二檢驗(yàn)樣本數(shù)據(jù)得數(shù)量;
[0283] 步驟709:比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小,若所述驗(yàn)證值小于等于預(yù)定標(biāo)準(zhǔn), 則執(zhí)行步驟7010,若所述驗(yàn)證值大于預(yù)定標(biāo)準(zhǔn),則返回執(zhí)行步驟703;
[0284] 具體的,將計(jì)算出的所述絕對(duì)平均百分比誤差6MAPE與預(yù)定標(biāo)準(zhǔn)進(jìn)行比較,進(jìn)而判 斷所述驗(yàn)證值是否滿足預(yù)定標(biāo)準(zhǔn);
[0285] 在計(jì)算得出的所述絕對(duì)平均百分比誤差6MAPE大于預(yù)定標(biāo)準(zhǔn)時(shí),則返回步驟703,重 新對(duì)所述初始ARMA模型進(jìn)行擬合,確定最終ARMA模型的階數(shù),直到所述絕對(duì)平均百分比誤 差6MAPE小于等于預(yù)定標(biāo)準(zhǔn)。
[0286] 步驟7010:獲得最優(yōu)GARCH誤差預(yù)測(cè)模型;
[0287] 具體的,在計(jì)算得出的所述絕對(duì)平均百分比誤差6MAPE小于等于預(yù)定標(biāo)準(zhǔn),則確定 此時(shí)獲得的優(yōu)化的GARCH誤差預(yù)測(cè)模型為最優(yōu)GARCH誤差預(yù)測(cè)模型。
[028引本發(fā)明實(shí)施例公開(kāi)的獲得最優(yōu)GARCH誤差預(yù)測(cè)模型的方法中,通過(guò)建立初始ARMA 模型與初始GARCH模型,確定與之對(duì)應(yīng)的最終ARMA模型的階數(shù)和最終GARCH模型的階數(shù),進(jìn) 而建立GARCH誤差預(yù)測(cè)模型,之后,將所述第一相對(duì)誤差序列進(jìn)行分類,利用生成的第二訓(xùn) 練樣本數(shù)據(jù)和第二檢驗(yàn)樣本數(shù)據(jù)依次對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合及驗(yàn)證,最終獲 得最優(yōu)GARCH誤差預(yù)測(cè)模型,進(jìn)而利用廣義自回歸條件異方差(GARCH)為后續(xù)實(shí)現(xiàn)從誤差校 正的方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度提供最優(yōu)模型。
[0289] 請(qǐng)參閱附圖8,上述實(shí)施例中提供的步驟1012的具體實(shí)現(xiàn)過(guò)程包括W下步驟:
[0290] 步驟801:將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:
[0291]
[0292] 計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值if芯,其中,巧后I。為第二相對(duì)誤差序列的預(yù)測(cè)值, RP為風(fēng)機(jī)的額定功率;
[0293] 具體的,計(jì)算得到所述殘差序列預(yù)測(cè)值為所述規(guī)定時(shí)間期限即2個(gè)月中最后一天 內(nèi)的m個(gè)獲取點(diǎn)上數(shù)據(jù)值所對(duì)應(yīng)的m個(gè)殘差序列預(yù)測(cè)值形成的組合。
[0294] 步驟802:將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù)測(cè)值;
[0295] 具體的,將所述規(guī)定時(shí)間期限即2個(gè)月中任一天內(nèi)的m個(gè)獲取點(diǎn)上數(shù)據(jù)值所對(duì)應(yīng)的 實(shí)際預(yù)測(cè)值分別與計(jì)算得到所述殘差序列預(yù)測(cè)值^>中包含的m個(gè)殘差序列預(yù)測(cè)值進(jìn) 行相加計(jì)算,最后得出所述規(guī)定時(shí)間期限即2個(gè)月中任一天的最終預(yù)測(cè)值,經(jīng)過(guò)多次重復(fù)相 加計(jì)算后,得出所述規(guī)定時(shí)間期限即2個(gè)月的全部天數(shù)的最終預(yù)測(cè)值。
[0296] 本發(fā)明實(shí)施例公開(kāi)的修正實(shí)際預(yù)測(cè)值的方法中,通過(guò)利用所述第二相對(duì)誤差序列 的預(yù)測(cè)值計(jì)算出對(duì)應(yīng)的殘差序列預(yù)測(cè)值,之后將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相 加,獲得最終預(yù)測(cè)值,進(jìn)而從誤差校正的方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度。
[0297] 本發(fā)明實(shí)施例提供了一種短期風(fēng)電功率的預(yù)測(cè)裝置,請(qǐng)參見(jiàn)附圖9,所述裝置包 括:
[0298] 第一獲取模塊901,用于按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的 功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù);
[0299] 第一修正模塊902,用于修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù);
[0300] 第一預(yù)處理模塊903,用于對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入樣本 數(shù)據(jù)與第一輸出樣本數(shù)據(jù),所述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù) 據(jù),所述第一輸出樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù);
[0301] 第一模型建立模塊904,用于計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù) 據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型;
[0302] 第二模型建立模塊905,用于依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練 模型;
[0303] 第一優(yōu)化模塊906,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲 得對(duì)應(yīng)優(yōu)化后的所述相關(guān)向量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練 模型;
[0304] 第二預(yù)處理模塊907,用于對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得 實(shí)際預(yù)測(cè)值;
[0305] 第一計(jì)算模塊908,用于利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差 序列;
[0306] 第S模型建立模塊909,用于建立GARCH誤差預(yù)測(cè)模型;
[0307] 第S預(yù)處理模塊910,用于利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型 進(jìn)行第S預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型;
[0308] 第一預(yù)測(cè)模塊911,用于利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序 列進(jìn)行預(yù)測(cè),獲得第二相對(duì)誤差序列的預(yù)測(cè)值;
[0309] 第二修正模塊912,用于利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè) 值,獲得最終預(yù)測(cè)值。
[0310] 本發(fā)明實(shí)施例公開(kāi)的短期風(fēng)電功率的預(yù)測(cè)裝置中,通過(guò)第一獲取模塊901及第一 修正模塊902獲取并修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù),第一模型建立模塊904利用所述樣 本數(shù)據(jù)建立相關(guān)向量機(jī)預(yù)測(cè)模型,第二模型建立模塊905依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型獲 得相關(guān)向量機(jī)訓(xùn)練模型,第一優(yōu)化模塊906優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī) 的參數(shù)來(lái)獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,進(jìn)而從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后, 第二預(yù)處理模塊907獲得實(shí)際預(yù)測(cè)值,第一計(jì)算模塊908則計(jì)算得到第一相對(duì)誤差序列,利 用第S預(yù)處理模塊910對(duì)第S模型建立模塊909建立的GARCH誤差預(yù)測(cè)模型進(jìn)行預(yù)處理,獲 得最優(yōu)GARCH誤差預(yù)測(cè)模型,再次實(shí)現(xiàn)從優(yōu)化預(yù)測(cè)模型方面來(lái)降低預(yù)測(cè)誤差,之后第二修正 模塊912依據(jù)第一預(yù)測(cè)模塊911獲得的第二相對(duì)誤差序列的預(yù)測(cè)值,對(duì)修正所述實(shí)際預(yù)測(cè) 值,獲得最終預(yù)測(cè)值,進(jìn)而從誤差校正方面降低了預(yù)測(cè)誤差,提高了預(yù)測(cè)精度。
[0311] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖1所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0312] 上述實(shí)施例中提供的所述第一獲取模塊901包括:
[0313] 第二獲取模塊,用于獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù);
[0314] 分隔模塊,用于將所述規(guī)定時(shí)間期限分隔為n個(gè)規(guī)定時(shí)間段,n為正整數(shù);
[0315] 設(shè)定模塊,用于設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間 隔,m為正整數(shù);
[0316] 第=獲取模塊,用于在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一 次數(shù)據(jù)值,作為所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取 點(diǎn)與所述時(shí)間間隔一一對(duì)應(yīng)。
[0317] 本發(fā)明實(shí)施例中,通過(guò)所述分隔模塊將所述規(guī)定時(shí)間期限分隔為n個(gè)規(guī)定時(shí)間段, W及所述設(shè)定模塊設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔,使 得所述第=獲取模塊依次從所述初始實(shí)際數(shù)據(jù)獲取對(duì)應(yīng)的數(shù)據(jù)值,最終得到所述實(shí)際數(shù) 據(jù),能夠細(xì)化到針對(duì)所述規(guī)定時(shí)間期限內(nèi)的每一天中的每一個(gè)獲取點(diǎn)上的數(shù)據(jù)值進(jìn)行預(yù) 測(cè),為后續(xù)對(duì)風(fēng)電場(chǎng)的功率數(shù)據(jù)進(jìn)行預(yù)測(cè)提供準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。
[0318] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖2所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0319] 上述實(shí)施例中提供的所述第一修正模塊902包括:
[0320] 確定模塊,用于確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),W及所 述問(wèn)題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù) 據(jù);
[0321] 第=修正模塊,用于依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于 所述問(wèn)題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值;
[0322] 第四獲取模塊,用于獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù)。
[0323] 本發(fā)明實(shí)施例中,通過(guò)所述第=修正模塊將從所述確定模塊中確定的問(wèn)題數(shù)據(jù)替 換為該問(wèn)題數(shù)據(jù)所在獲取點(diǎn)的前一個(gè)獲取點(diǎn)上的數(shù)據(jù)值,實(shí)現(xiàn)了對(duì)所述實(shí)際數(shù)據(jù)的修正, 進(jìn)而為后續(xù)對(duì)風(fēng)電場(chǎng)的功率數(shù)據(jù)進(jìn)行預(yù)測(cè)提供準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。
[0324] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖3所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0325] 上述實(shí)施例中提供的所述第一模型建立模塊904包括:
[0326] 核函數(shù)計(jì)算模塊,用于將所述樣本數(shù)據(jù)和第一輸入樣本數(shù)據(jù)代入公式:
[0327]
[0328] 計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中Xi為所述樣本數(shù)據(jù)的輸入向量,?為所述第一輸 入樣本數(shù)據(jù)的輸入向量,O為相關(guān)向量機(jī)的核函數(shù)寬度;
[0329] 第一模型建立子模塊,用于建立所述相關(guān)向量機(jī)預(yù)測(cè)模型,所述相關(guān)向量機(jī)預(yù)測(cè) 模型包含所述相關(guān)向量機(jī)的核函數(shù)、所述樣本數(shù)據(jù)、所述第一輸入樣本數(shù)據(jù)和第一輸出樣 本數(shù)據(jù)。
[0330] 本發(fā)明實(shí)施例中,通過(guò)所述核函數(shù)計(jì)算模塊選擇并計(jì)算出所述相關(guān)向量機(jī)的核函 數(shù),所述第一模型建立子模塊將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出樣本 數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立了相關(guān)向量機(jī)預(yù)測(cè)模型,進(jìn)而能夠利用建立的相關(guān)向量機(jī)預(yù)測(cè)模 型來(lái)靈活地選擇相關(guān)向量機(jī)的核函數(shù),同時(shí)由于相關(guān)向量機(jī)預(yù)測(cè)模型采用極度稀疏貝葉斯 學(xué)習(xí)方法,降低了計(jì)算的復(fù)雜程度,減少了所需的數(shù)據(jù)量,最終縮短了計(jì)算的時(shí)間。
[0331] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖4所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0332] 上述實(shí)施例中提供的所述第二模型建立模塊905包括:
[0333] 第一分類模塊,用于將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第 一訓(xùn)練樣本數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù);
[0334] 第一訓(xùn)練模塊,用于利用所述第一分類模塊分類出的所述第一訓(xùn)練樣本數(shù)據(jù),對(duì) 所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立相關(guān)向量機(jī)訓(xùn)練模型;
[0335] 第一檢驗(yàn)?zāi)K,用于利用所述第一分類模塊分類出的所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì) 所述相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確定所述相關(guān)向量機(jī)訓(xùn)練模型。
[0336] 本發(fā)明實(shí)施例中,通過(guò)所述第一分類模塊將所述相關(guān)向量機(jī)預(yù)測(cè)模型包含的樣本 數(shù)據(jù)進(jìn)行分類,生成第一訓(xùn)練樣本數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù),所述第一訓(xùn)練模塊與所述第 一檢驗(yàn)?zāi)K分別利用所述第一訓(xùn)練樣本數(shù)據(jù)對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,W及利 用所述第一檢驗(yàn)樣本數(shù)據(jù)對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行驗(yàn)證,最終獲得相關(guān)向量機(jī)訓(xùn)練 模型,進(jìn)而為后續(xù)獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型提供基礎(chǔ)模型。
[0337] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖5所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0338] 上述實(shí)施例中提供的所述第一優(yōu)化模塊906包括:
[0339] 參數(shù)優(yōu)化模塊,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度 O,獲得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度O;
[0340] 第五獲取模塊,用于獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度切4應(yīng)的相關(guān)向量 機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。
[0341] 本發(fā)明實(shí)施例中,通過(guò)所述參數(shù)優(yōu)化模塊優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān) 向量機(jī)的核函數(shù)寬度0,所述第五獲取模塊獲得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度0,并將與所 述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度O對(duì)應(yīng)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練 模型,進(jìn)而實(shí)現(xiàn)了從預(yù)測(cè)誤差產(chǎn)生的原因方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度。
[0342] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖6所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0343] 請(qǐng)參照附圖10,上述實(shí)施例中提供的所述參數(shù)優(yōu)化模塊包括:
[0344] 映射模塊1001,用于將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度O映射為個(gè)體矢 量;
[0345] 種群建立模塊1002,用于利用映射成的個(gè)體矢量,建立初始化種群;
[0346] 第六獲取模塊1003,用于獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適 應(yīng)交叉概率CR初值;
[0347] 自適應(yīng)變異模塊1004,用于利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前 個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量;
[0348] 自適應(yīng)交叉模塊1005,用于利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體 矢量進(jìn)行自適應(yīng)交叉選擇,獲得交叉矢量;
[0349] 適應(yīng)度值獲取模塊1006,用于將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng) 度函數(shù),獲得交叉矢量的適應(yīng)度值和當(dāng)前個(gè)體矢量的適應(yīng)度值;
[0350] 第一比較模塊1007,用于比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適 應(yīng)度值的大小,并獲得適應(yīng)度值較小的矢量;
[0351] 判斷模塊1008,用于判斷當(dāng)前迭代的次數(shù);
[0352] 自適應(yīng)變異模塊1004,用于在所述判斷模塊1008判斷當(dāng)前迭代的次數(shù)小于最大迭 代次數(shù)時(shí),將所述第一比較模塊1007獲得的適應(yīng)度值較小的矢量選擇為當(dāng)前個(gè)體矢量,利 用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變 異矢量;
[0353] 輸出模塊1009,用于在所述判斷模塊判斷當(dāng)前迭代的次數(shù)等于最大迭代次數(shù)時(shí), 輸出最小適應(yīng)度值;
[0354] 第屯獲取模塊1010,用于獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬 度O,作為最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度0。
[0355] 本發(fā)明實(shí)施例中,通過(guò)所述參數(shù)優(yōu)化模塊采用改進(jìn)的差分進(jìn)化算法(IDE)優(yōu)化所 述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度0,所述第屯獲取模塊1010獲得最優(yōu) 相關(guān)向量機(jī)的核函數(shù)寬度0,進(jìn)而實(shí)現(xiàn)了從預(yù)測(cè)誤差產(chǎn)生的原因方面來(lái)降低預(yù)測(cè)誤差,提高 預(yù)測(cè)精度。
[0356] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖6所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0357] 上述實(shí)施例中提供的所述第=模型建立模塊909包括:
[035引ARMA模型建立模塊,用于建立初始ARMA模型;
[0359] GARCH模型建立模塊,用于建立初始GARCH模型;
[0360] ARMA擬合模塊,用于對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述ARMA模型的階數(shù);
[0361] GARCH擬合模塊,用于對(duì)所述初始GARCH模型進(jìn)行擬合,確定所述GARCH模型的階 數(shù);
[0362] 第S模型建立子模塊,用于利用所述最終ARMA模型與最終GARC財(cái)莫型對(duì)所述第一 相對(duì)誤差序列進(jìn)行擬合,建立GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的 所述最終ARM模型的階數(shù),所述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù)。
[0363] 本發(fā)明實(shí)施例中,通過(guò)利用所述ARMA模型建立模塊與所述GARCH模型建立模塊,分 別建立初始ARMA模型與初始GARCH模型,所述ARMA擬合模塊與所述GARCH擬合模塊,確定與 之對(duì)應(yīng)的最終ARMA模型的階數(shù)和最終GARCH模型的階數(shù),進(jìn)而使得所述第S模型建立子模 塊建立GARCH誤差預(yù)測(cè)模型,W便能夠較細(xì)致地刻畫相對(duì)誤差時(shí)間序列的方差隨時(shí)間變化 的特性,并為獲得最優(yōu)GARCH誤差預(yù)測(cè)模型提供基礎(chǔ)模型。
[0364] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖7所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0365] 上述實(shí)施例中提供的所述第=預(yù)處理模塊910包括:
[0366] 第二分類模塊,用于將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù) 和第二檢驗(yàn)樣本數(shù)據(jù);
[0367] 誤差預(yù)測(cè)模型擬合模塊,用于利用所述第二分類模塊分類出的所述第二訓(xùn)練樣本 數(shù)據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得優(yōu)化的GARCH誤差預(yù)測(cè)模型;
[0368] 第二驗(yàn)證模塊,用于利用所述第二分類模塊分類出的所述第二檢驗(yàn)樣本,對(duì)所述 優(yōu)化的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn)證,獲得驗(yàn)證值;
[0369] 第二比較模塊,用于比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大??;
[0370] 第八獲取模塊,用于在所述第二比較模塊比較所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn) 時(shí),獲得最優(yōu)GARCH誤差預(yù)測(cè)模型;
[0371] 所述第=模型建立模塊,用于在所述第二比較模塊比較所述驗(yàn)證值大于所述預(yù)定 標(biāo)準(zhǔn)時(shí),建立GARCH誤差預(yù)測(cè)模型;
[0372] 具體的,在所述第二比較模塊比較所述驗(yàn)證值大于所述預(yù)定標(biāo)準(zhǔn)時(shí),所述第=模 型建立模塊中的ARMA擬合模塊,重新對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述ARMA模型的 階數(shù),直到所述第二比較模塊比較所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)。
[0373] 本發(fā)明實(shí)施例中,通過(guò)所述第二分類模塊將所述第一相對(duì)誤差序列進(jìn)行分類,所 述誤差預(yù)測(cè)模型擬合模塊及所述第二驗(yàn)證模塊利用生成的第二訓(xùn)練樣本數(shù)據(jù)和第二檢驗(yàn) 樣本數(shù)據(jù)依次對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合及驗(yàn)證,最終使所述第八獲取模塊獲得 最優(yōu)GARCH誤差預(yù)測(cè)模型,進(jìn)而利用廣義自回歸條件異方差(GARCH)為后續(xù)實(shí)現(xiàn)從誤差校正 的方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精度提供最優(yōu)模型。
[0374] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖7所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0375] 上述實(shí)施例中提供的所述第二修正模塊912包括:
[0376] 第二計(jì)算橫塊,用于將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:
[0377]
[0378] 計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值巧心,其中,為第二相對(duì)誤差序列的預(yù)測(cè)值, RP為風(fēng)機(jī)的額定功率;
[0379] 第四修正模塊,用于將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù) 測(cè)值。
[0380] 本發(fā)明實(shí)施例中,通過(guò)所述第二計(jì)算模塊利用所述第二相對(duì)誤差序列的預(yù)測(cè)值進(jìn) 行計(jì)算,獲得對(duì)應(yīng)的殘差序列預(yù)測(cè)值,之后所述第四修正模塊將所述殘差序列預(yù)測(cè)值與所 述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù)測(cè)值,進(jìn)而從誤差校正的方面來(lái)降低預(yù)測(cè)誤差,提高預(yù)測(cè)精 度。
[0381] 本發(fā)明實(shí)施例提供的各個(gè)模塊的工作過(guò)程,請(qǐng)參照附圖8所對(duì)應(yīng)的流程圖,具體工 作過(guò)程不再寶述。
[0382] 本發(fā)明所公開(kāi)的各個(gè)實(shí)施例之間相同相似的部分可W相互參見(jiàn)。
[0383] 對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明,使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。 對(duì)運(yùn)些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的,本文中所定義的 一般原理可W在不脫離本發(fā)明的精神或范圍的情況下,在其它實(shí)施例中實(shí)現(xiàn)。因此,本發(fā)明 將不會(huì)被限制于本文所示的運(yùn)些實(shí)施例,而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一 致的最寬的范圍。
【主權(quán)項(xiàng)】
1. 一種短期風(fēng)電功率的預(yù)測(cè)方法,其特征在于,所述方法包括: 按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù) 據(jù); 修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù); 對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù),所 述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù),所述第一輸出樣本數(shù)據(jù)包 含風(fēng)電場(chǎng)的功率數(shù)據(jù); 計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出 樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型; 依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模型; 優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得對(duì)應(yīng)優(yōu)化后的所述相關(guān)向 量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型; 對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí)際預(yù)測(cè)值; 利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差序列; 建立GARCH誤差預(yù)測(cè)模型; 利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行第三預(yù)處理,獲得最優(yōu) GARCH誤差預(yù)測(cè)模型; 利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列進(jìn)行預(yù)測(cè),獲得第二相對(duì) 誤差序列的預(yù)測(cè)值; 利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值,獲得最終預(yù)測(cè)值。2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),包括: 獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù); 將所述規(guī)定時(shí)間期限分隔為η個(gè)規(guī)定時(shí)間段; 設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔; 在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一次數(shù)據(jù)值,作為所述實(shí)際 數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取點(diǎn)與所述時(shí)間間隔一一對(duì) 應(yīng); 其中,η與m均為正整數(shù)。3. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù),包 括: 確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),以及所述問(wèn)題數(shù)據(jù)在任一所 述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù)據(jù); 依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于所述問(wèn)題數(shù)據(jù)在任一所述 規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值; 獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù)。4. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述 核函數(shù)、樣本數(shù)據(jù)、第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī) 預(yù)測(cè)模型,包括: 將所述樣本數(shù)據(jù)和第一輸入數(shù)據(jù)樣本代入核函數(shù)公式:計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中X1為所述樣本數(shù)據(jù)的輸入向量,xj為所述第一輸入樣 本數(shù)據(jù)的輸入向量,σ為相關(guān)向量機(jī)的核函數(shù)寬度; 建立所述相關(guān)向量機(jī)預(yù)測(cè)模型,所述相關(guān)向量機(jī)預(yù)測(cè)模型包含所述相關(guān)向量機(jī)的核函 數(shù)、所述樣本數(shù)據(jù)、所述第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)。5. 根據(jù)權(quán)利要求4所述的方法,其特征在于,所述依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立 相關(guān)向量機(jī)訓(xùn)練模型,包括: 將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第一訓(xùn)練樣本數(shù)據(jù)與第一檢 驗(yàn)樣本數(shù)據(jù); 利用所述第一訓(xùn)練樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立相關(guān)向量機(jī) 訓(xùn)練t吳型; 利用所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì)所述相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確定所述相關(guān)向 量機(jī)訓(xùn)練模型。6. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相 關(guān)向量機(jī)的參數(shù),獲得最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型,包括: 優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度〇,獲得最優(yōu)相關(guān)向量機(jī) 的核函數(shù)寬度σ; 獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度σ對(duì)應(yīng)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相 關(guān)向量機(jī)訓(xùn)練模型。7. 根據(jù)權(quán)利要求6所述的方法,其特征在于,所述優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相 關(guān)向量機(jī)的核函數(shù)寬度〇,獲得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度〇,包括: 將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度σ映射為個(gè)體矢量; 利用映射成的個(gè)體矢量,建立初始化種群; 獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適應(yīng)交叉概率CR初值; 利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作, 獲得變異矢量; 利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)交叉選擇,獲得 交叉矢量; 將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng)度函數(shù),獲得交叉矢量的適應(yīng)度值 和當(dāng)前個(gè)體矢量的適應(yīng)度值; 比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適應(yīng)度值的大小,獲得適應(yīng)度值 較小的矢量; 選擇適應(yīng)度值較小的矢量作為下一次迭代的當(dāng)前個(gè)體矢量,返回執(zhí)行利用所述自適應(yīng) 變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量,直到 到達(dá)最大迭代次數(shù)時(shí),輸出最小適應(yīng)度值; 獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬度〇,作為最優(yōu)相關(guān)向量機(jī)的 核函數(shù)寬度〇。8. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述建立GARCH誤差預(yù)測(cè)模型,包括: 建立初始ARMA模型; 建立初始GARCH模型; 對(duì)所述初始ARMA模型進(jìn)行擬合,確定最終ARMA模型的階數(shù); 對(duì)所述初始GARCH模型進(jìn)行擬合,確定最終GARCH模型的階數(shù); 利用所述最終ARMA模型與最終GARCH模型對(duì)所述第一相對(duì)誤差序列進(jìn)行擬合,建立 GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的所述最終ARMA模型的階數(shù),所 述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù)。9. 根據(jù)權(quán)利要求8所述的方法,其特征在于,所述利用所述第一相對(duì)誤差序列對(duì)所述 GARCH誤差預(yù)測(cè)模型進(jìn)行第三預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型,包括: 將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù)和第二檢驗(yàn)樣本數(shù)據(jù); 利用所述第二訓(xùn)練樣本數(shù)據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得優(yōu)化的GARCH 誤差預(yù)測(cè)模型; 利用所述第二檢驗(yàn)樣本數(shù)據(jù),對(duì)所述優(yōu)化的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn)證,獲得驗(yàn)證 值; 比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小; 在所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)時(shí),獲得最優(yōu)GARCH誤差預(yù)測(cè)模型。10. 根據(jù)權(quán)利要求9所述的方法,其特征在于,在所述比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大 小之后,還包括: 在所述驗(yàn)證值大于所述預(yù)定標(biāo)準(zhǔn)時(shí),返回對(duì)所述初始ARMA模型進(jìn)行擬合,確定最終 ARMA模型的階數(shù),直到所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)。11. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述利用所述第二相對(duì)誤差序列的預(yù)測(cè) 值修正所述實(shí)際預(yù)測(cè)值,獲得最終預(yù)測(cè)值,包括: 將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值/?£,其中,為第二相對(duì)誤差序列的預(yù)測(cè)值,RP為 風(fēng)機(jī)的額定功率; 將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù)測(cè)值。12. -種短期風(fēng)電功率的預(yù)測(cè)裝置,其特征在于,所述裝置包括: 第一獲取模塊,用于按照預(yù)設(shè)規(guī)則獲取實(shí)際數(shù)據(jù),所述實(shí)際數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù) 據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù); 第一修正模塊,用于修正所述實(shí)際數(shù)據(jù),獲得樣本數(shù)據(jù); 第一預(yù)處理模塊,用于對(duì)所述樣本數(shù)據(jù)進(jìn)行第一預(yù)處理,并生成第一輸入樣本數(shù)據(jù)與 第一輸出樣本數(shù)據(jù),所述第一輸入樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù)及對(duì)應(yīng)的風(fēng)速數(shù)據(jù),所 述第一輸出樣本數(shù)據(jù)包含風(fēng)電場(chǎng)的功率數(shù)據(jù); 第一模型建立模塊,用于計(jì)算相關(guān)向量機(jī)的核函數(shù),并將所述核函數(shù)、樣本數(shù)據(jù)、第一 輸入樣本數(shù)據(jù)和第一輸出樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),建立相關(guān)向量機(jī)預(yù)測(cè)模型; 第二模型建立模塊,用于依據(jù)所述相關(guān)向量機(jī)預(yù)測(cè)模型,建立相關(guān)向量機(jī)訓(xùn)練模型; 第一優(yōu)化模塊,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的參數(shù),獲得對(duì)應(yīng) 優(yōu)化后的所述相關(guān)向量機(jī)的參數(shù)的相關(guān)向量機(jī)訓(xùn)練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型; 第二預(yù)處理模塊,用于對(duì)所述最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行第二預(yù)處理,獲得實(shí)際預(yù) 測(cè)值; 第一計(jì)算模塊,用于利用所述樣本數(shù)據(jù)與實(shí)際預(yù)測(cè)值,計(jì)算得到第一相對(duì)誤差序列; 第三模型建立模塊,用于建立GARCH誤差預(yù)測(cè)模型; 第三預(yù)處理模塊,用于利用所述第一相對(duì)誤差序列對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行第 三預(yù)處理,獲得最優(yōu)GARCH誤差預(yù)測(cè)模型; 第一預(yù)測(cè)模塊,用于利用所述最優(yōu)GARCH誤差預(yù)測(cè)模型對(duì)所述第一相對(duì)誤差序列進(jìn)行 預(yù)測(cè),獲得第二相對(duì)誤差序列的預(yù)測(cè)值; 第二修正模塊,用于利用所述第二相對(duì)誤差序列的預(yù)測(cè)值修正所述實(shí)際預(yù)測(cè)值,獲得 最終預(yù)測(cè)值。13. 根據(jù)權(quán)利要求12所述的裝置,其特征在于,所述第一獲取模塊包括: 第二獲取模塊,用于獲取規(guī)定時(shí)間期限內(nèi)的初始實(shí)際數(shù)據(jù); 分隔模塊,用于將所述規(guī)定時(shí)間期限分隔為η個(gè)規(guī)定時(shí)間段; 設(shè)定模塊,用于設(shè)定任一所述規(guī)定時(shí)間段內(nèi)獲取所述初始實(shí)際數(shù)據(jù)的m個(gè)時(shí)間間隔; 第三獲取模塊,用于在經(jīng)過(guò)任一所述時(shí)間間隔時(shí),從所述初始實(shí)際數(shù)據(jù)中獲取一次數(shù) 據(jù)值,作為所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的一個(gè)獲取點(diǎn)的數(shù)據(jù)值,所述獲取點(diǎn)與 所述時(shí)間間隔 對(duì)應(yīng); 其中,η與m均為正整數(shù)。14. 根據(jù)權(quán)利要求13所述的裝置,其特征在于,所述第一修正模塊包括: 確定模塊,用于確定所述實(shí)際數(shù)據(jù)中任一所述規(guī)定時(shí)間段內(nèi)的問(wèn)題數(shù)據(jù),以及所述問(wèn) 題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置,所述問(wèn)題數(shù)據(jù)為缺失數(shù)據(jù)或異常數(shù)據(jù); 第三修正模塊,用于依次將所述問(wèn)題數(shù)據(jù)替換為修正數(shù)據(jù),所述修正數(shù)據(jù)為位于所述 問(wèn)題數(shù)據(jù)在任一所述規(guī)定時(shí)間段內(nèi)的獲取點(diǎn)位置的前一個(gè)獲取點(diǎn)位置上的數(shù)據(jù)值; 第四獲取模塊,用于獲得修正后的數(shù)據(jù),作為樣本數(shù)據(jù)。15. 根據(jù)權(quán)利要求12所述的裝置,其特征在于,所述第一模型建立模塊包括: 核函數(shù)計(jì)算模塊,用于將所述樣本數(shù)據(jù)和第一輸入樣本數(shù)據(jù)代入公式:計(jì)算出相關(guān)向量機(jī)的核函數(shù),其中Xl為所述樣本數(shù)據(jù)的輸入向量,Xj為所述第一輸入樣 本數(shù)據(jù)的輸入向量,σ為相關(guān)向量機(jī)的核函數(shù)寬度; 第一模型建立子模塊,用于建立所述相關(guān)向量機(jī)預(yù)測(cè)模型,所述相關(guān)向量機(jī)預(yù)測(cè)模型 包含所述相關(guān)向量機(jī)的核函數(shù)、所述樣本數(shù)據(jù)、所述第一輸入樣本數(shù)據(jù)和第一輸出樣本數(shù) 據(jù)。16. 根據(jù)權(quán)利要求15所述的裝置,其特征在于,所述第二模型建立模塊包括: 第一分類模塊,用于將所述第一輸入樣本數(shù)據(jù)與第一輸出樣本數(shù)據(jù)分類,生成第一訓(xùn) 練樣本數(shù)據(jù)與第一檢驗(yàn)樣本數(shù)據(jù); 第一訓(xùn)練模塊,用于利用所述第一分類模塊分類出的所述第一訓(xùn)練樣本數(shù)據(jù),對(duì)所述 相關(guān)向量機(jī)預(yù)測(cè)模型進(jìn)行訓(xùn)練,建立相關(guān)向量機(jī)訓(xùn)練模型; 第一檢驗(yàn)?zāi)K,用于利用所述第一分類模塊分類出的所述第一檢驗(yàn)樣本數(shù)據(jù),對(duì)所述 相關(guān)向量機(jī)訓(xùn)練模型進(jìn)行驗(yàn)證,確定所述相關(guān)向量機(jī)訓(xùn)練模型。17. 根據(jù)權(quán)利要求12所述的裝置,其特征在于,所述第一優(yōu)化模塊包括: 參數(shù)優(yōu)化模塊,用于優(yōu)化所述相關(guān)向量機(jī)訓(xùn)練模型中的相關(guān)向量機(jī)的核函數(shù)寬度〇,獲 得最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度σ; 第五獲取模塊,用于獲得與所述最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度σ對(duì)應(yīng)的相關(guān)向量機(jī)訓(xùn) 練模型,作為最優(yōu)相關(guān)向量機(jī)訓(xùn)練模型。18. 根據(jù)權(quán)利要求17所述的裝置,其特征在于,所述參數(shù)優(yōu)化模塊包括: 映射模塊,用于將需要優(yōu)化的所述相關(guān)向量機(jī)的核函數(shù)寬度σ映射為個(gè)體矢量; 種群建立模塊,用于利用映射成的個(gè)體矢量,建立初始化種群; 第六獲取模塊,用于獲取設(shè)定的最大迭代次數(shù)、自適應(yīng)變異因子F初值和自適應(yīng)交叉概 率CR初值; 自適應(yīng)變異模塊,用于利用所述自適應(yīng)變異因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量 進(jìn)行自適應(yīng)變異操作,獲得變異矢量; 自適應(yīng)交叉模塊,用于利用自適應(yīng)交叉概率CR,對(duì)所述變異矢量和當(dāng)前個(gè)體矢量進(jìn)行 自適應(yīng)交叉選擇,獲得交叉矢量; 適應(yīng)度值獲取模塊,用于將所述交叉矢量與所述當(dāng)前個(gè)體矢量分別代入適應(yīng)度函數(shù), 獲得交叉矢量的適應(yīng)度值和當(dāng)前個(gè)體矢量的適應(yīng)度值; 第一比較模塊,用于比較所述交叉矢量的適應(yīng)度值與所述當(dāng)前個(gè)體矢量的適應(yīng)度值的 大小,獲得適應(yīng)度值較小的矢量; 判斷模塊,用于判斷當(dāng)前迭代的次數(shù); 自適應(yīng)變異模塊,用于在所述判斷模塊判斷當(dāng)前迭代的次數(shù)小于最大迭代次數(shù)時(shí),將 所述第一比較模塊獲得的適應(yīng)度值較小的矢量選擇為當(dāng)前個(gè)體矢量,利用所述自適應(yīng)變異 因子F,對(duì)所述初始化種群和當(dāng)前個(gè)體矢量進(jìn)行自適應(yīng)變異操作,獲得變異矢量; 輸出模塊,用于在所述判斷模塊判斷當(dāng)前迭代的次數(shù)等于最大迭代次數(shù)時(shí),輸出最小 適應(yīng)度值; 第七獲取模塊,用于獲得與所述最小適應(yīng)度值對(duì)應(yīng)的相關(guān)向量機(jī)的核函數(shù)寬度〇,作為 最優(yōu)相關(guān)向量機(jī)的核函數(shù)寬度〇。19. 根據(jù)權(quán)利要求12所述的裝置,其特征在于,所述第三模型建立模塊包括: ARMA模型建立模塊,用于建立初始ARMA模型; GARCH模型建立模塊,用于建立初始GARCH模型; ARMA擬合模塊,用于對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述ARMA模型的階數(shù); GARCH擬合模塊,用于對(duì)所述初始GARCH模型進(jìn)行擬合,確定所述GARCH模型的階數(shù); 第三模型建立子模塊,用于利用所述最終ARMA模型與最終GARCH模型對(duì)所述第一相對(duì) 誤差序列進(jìn)行擬合,建立GARCH誤差預(yù)測(cè)模型,其中,所述最終ARMA模型對(duì)應(yīng)于確定的所述 最終ARMA模型的階數(shù),所述最終GARCH模型對(duì)應(yīng)于確定的所述最終GARCH模型的階數(shù)。20. 根據(jù)權(quán)利要求19所述的裝置,其特征在于,所述第三預(yù)處理模塊包括: 第二分類模塊,用于將所述第一相對(duì)誤差序列進(jìn)行分類,生成第二訓(xùn)練樣本數(shù)據(jù)和第 二檢驗(yàn)樣本數(shù)據(jù); 誤差預(yù)測(cè)模型擬合模塊,用于利用所述第二分類模塊分類出的所述第二訓(xùn)練樣本數(shù) 據(jù),對(duì)所述GARCH誤差預(yù)測(cè)模型進(jìn)行擬合,獲得優(yōu)化的GARCH誤差預(yù)測(cè)模型; 第二驗(yàn)證模塊,用于利用所述第二分類模塊分類出的所述第二檢驗(yàn)樣本,對(duì)所述優(yōu)化 的GARCH誤差預(yù)測(cè)模型進(jìn)行驗(yàn)證,獲得驗(yàn)證值; 第二比較模塊,用于比較所述驗(yàn)證值與預(yù)定標(biāo)準(zhǔn)的大小; 第八獲取模塊,用于在所述驗(yàn)證值小于等于所述預(yù)定標(biāo)準(zhǔn)時(shí),獲得最優(yōu)GARCH誤差預(yù)測(cè) 模型。21. 根據(jù)權(quán)利要求20所述的裝置,其特征在于,在所述第二比較模塊比較所述驗(yàn)證值與 預(yù)定標(biāo)準(zhǔn)的大小之后,所述ARMA擬合模塊還用于: 在所述驗(yàn)證值大于所述預(yù)定標(biāo)準(zhǔn)時(shí),對(duì)所述初始ARMA模型進(jìn)行擬合,確定所述ARMA模 型的階數(shù)。22. 根據(jù)權(quán)利要求12所述的裝置,其特征在于,所述第二修正模塊包括: 第二計(jì)算模塊,用于將所述第二相對(duì)誤差序列的預(yù)測(cè)值代入公式:計(jì)算得到對(duì)應(yīng)的殘差序列預(yù)測(cè)值/?>,其中,為第二相對(duì)誤差序列的預(yù)測(cè)值,RP為 風(fēng)機(jī)的額定功率; 第四修正模塊,用于將所述殘差序列預(yù)測(cè)值與所述實(shí)際預(yù)測(cè)值相加,獲得最終預(yù)測(cè)值。
【文檔編號(hào)】G06Q10/04GK105956722SQ201610472144
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年6月22日
【發(fā)明人】林翔, 武小梅, 謝旭泉, 謝海波
【申請(qǐng)人】廣東工業(yè)大學(xué)