申请/专利权人：南京华盾电力信息安全测评有限公司

申请日：2021-10-22

公开（公告）日：2024-01-26

公开（公告）号：CN114154679B

主分类号：G06Q10/04

分类号：G06Q10/04;G06F18/2411;G06N3/126;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.01.26#授权;2022.03.25#实质审查的生效;2022.03.08#公开

摘要：本发明公开了一种基于Spark的PCFOA‑KELM风功率预测方法及装置。方法包括：采集风电场中影响单台风机风功率的气象指标数据；利用Spark平台对所述气象指标数据进行预处理；将预处理后的气象指标数据输入预先训练好的对应于所述单台风机的KELM模型，所述KELM模型输出所述单台风机的风功率预测值；将风电场中所有风机的风功率预测值相加，得到风电场的总功率预测值。KELM模型是基于Spark平台，利用风电场中影响单台风机风功率的气象指标和对应的风功率历史数据作为训练样本对KELM模型进行训练，并利用PCFOA算法对KELM模型进行参数寻优得到的。本发明能够实现对风功率高效准确地预测，同时很好地提升了运行速度。

主权项：1.一种基于Spark的PCFOA-KELM风功率预测方法，其特征在于，包括：采集风电场中影响单台风机风功率的气象指标数据；利用Spark平台对所述气象指标数据进行预处理；将预处理后的气象指标数据输入预先训练好的对应于所述单台风机的KELM模型，所述KELM模型输出所述单台风机的风功率预测值；将风电场中所有风机的风功率预测值相加，得到风电场的总功率预测值；其中，所述KELM模型是基于Spark平台，利用风电场中影响单台风机风功率的气象指标和对应的风功率历史数据作为训练样本对KELM模型进行训练，并利用PCFOA算法对KELM模型进行参数寻优得到的；所述KELM模型的训练方法包括：获取风电场中影响单台风机风功率的气象指标历史数据和对应的风功率历史数据；利用Spark平台对获取的历史数据进行预处理；根据预处理后的数据建立特征向量，并将其分为训练样本和测试样本；采用训练样本对所述KELM模型进行训练，利用PCFOA算法优化KELM模型的正则化系数和核参数，获得优化后的KELM模型；采用测试样本对优化后的KELM模型预测效果进行测试；所述利用PCFOA算法优化KELM模型的正则化系数和核参数，包括：通过Spark平台的RDD，将大小为N的果蝇群体划分为N个独立的并行单元，每一个单独的果蝇根据适应度函数计算味道浓度值以及从当前位置局部搜索更新位置的步骤，所述味道浓度值和当前位置局部搜索更新位置并行执行计算；所述利用PCFOA算法优化KELM模型的正则化系数和核参数，包括：S1，初始化果蝇种群规模N、最大迭代次数max、搜索步长l、初始位置x0,y0和混沌参数μ；S2，将果蝇种群被划分为N个独立的并行计算单元；S3，开始迭代寻优，对于每一个并行计算单元，进行第一次迭代时，果蝇个体利用嗅觉搜索食物的随机距离如下式所示： 第一次迭代完毕，后续迭代使用最优解信息基于二维Logistic混沌映射混沌化获得新的混沌步长lx和ly，计算公式如下式所示： 其中μ∈0,2.28，xn,yn∈0,1；S4，计算果蝇个体当前位置到原点的间距di，并取其倒数作为果蝇个体味道浓度判定值si，计算公式如下式所示： si＝1diS5，将味道浓度判定值si代入到味道浓度判定函数，计算出果蝇个体在当前位置的味道浓度值；S6，找出所有果蝇个体中味道浓度值最优的那个果蝇，并记录此果蝇的味道浓度值和相应的位置值；S7，保留最优的味道浓度值s及其坐标xindex,yindex，并利用视觉飞往步骤S6记录的最优位置，进行位置更新，形成新的果蝇种群中心： sbest＝sS8，重复执行步骤S2～S6，判断最优味道浓度值是否优于历史最优味道浓度值，若是且当前迭代次数小于max，则执行步骤S7。

全文数据：

权利要求：

百度查询： 南京华盾电力信息安全测评有限公司 一种基于Spark的PCFOA-KELM风功率预测方法及装置

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