申请/专利权人：中国长江电力股份有限公司

申请日：2022-12-31

公开（公告）日：2024-01-02

公开（公告）号：CN116128121B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F18/2411;G06F17/18;G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.01.02#授权;2023.06.02#实质审查的生效;2023.05.16#公开

摘要：本发明公开了一种基于特征选择和贝叶斯岭回归的水电站非弃水期日均出力预测方法，通过构造新特征变量集，并对新特征变量集采用递归特征消除方法和交叉验证法进行特征选择，寻找最佳特征变量集；通过建立基于贝叶斯岭回归的水电站非弃水期日均出力预测模型，采用自动机器学习方法实现特征处理和模型优化流程；通过建立的预测模型进行待预测日的日均出力预测；本发明实现了非弃水情况下水电站日均出力的快速准确预测，可降低超容许阈值误差发生的概率，尤其对汛期弃水与非弃水交替以及调峰等复杂情况下的日均出力预测效果更为显著。

主权项：1.一种基于特征选择和贝叶斯岭回归的水电站非弃水期日均出力预测方法，其特征在于，包括以下步骤：S1，收集与水电站日均出力相关的特征变量；S2，对所选特征变量的历史数据集，划分弃水期数据集和非弃水期数据集；S3，对非弃水期数据集的特征变量进行扩展，构造新特征变量集，具体包括以下变量：1对步骤S1中所述特征变量进行指数幂扩展生成的特征变量，一般为二次指数幂和三次指数幂；2除待预测日的特征变量外，还包括待预测日前K日的特征变量；其中K根据过渡期确定；S4，对新特征变量集采用递归特征消除方法和交叉验证法进行特征选择，寻找最佳特征变量集；S5，建立基于贝叶斯岭回归的水电站非弃水期日均出力预测模型，采用自动机器学习方法实现特征处理和模型优化流程；具体方法如下：贝叶斯岭回归方法是采用贝叶斯方法解决带l2正则项的回归模型参数估计问题，具体过程如下：S501，对样本集Xn表示第n个样本的自变量值，yn表示第n个样本的因变量值，N表示样本数；S502，设X为所有自变量和一列常数1所组成的矩阵，y为因变量向量，β为回归系数；S503，设yn服从正态分布： β的先验分布为正态分布：β|λ～N0,λ-1Ip；式中，Ip表示p阶单位矩阵；α表示yn服从的正态分布的参数，λ表示β服从的多元正态分布的参数；参数α和λ的先验分布分别取其共轭分布Gamma分布，即 根据贝叶斯定理，参数β,α,λ的联合后验分布密度为pβ,α,λ|X,y∝Ly|X,β,α·pβ|λ·pα·pλ；S504，对于给定的新预测点X*，对应的因变量y*的分布密度为py*|X*,X,y＝∫py*|X*,β,α,λpβ,α,λ|X,ydβdαdλ；取分布的均值作为因变量y*的预测值；S6，通过建立的预测模型进行待预测日的水电站日均出力预测。

全文数据：

权利要求：

百度查询： 中国长江电力股份有限公司 一种基于特征选择和贝叶斯岭回归的水电站非弃水期日均出力预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD