一种短期风电功率的预测方法及装置的制造方法

一种短期风电功率的预测方法及装置的制造方法
【专利摘要】本发明提供了一种短期风电功率的预测方法及装置，通过获得的样本数据建立相关向量机预测模型，并优化依据所述相关向量机预测模型获得的相关向量机训练模型中的参数，来获得最优相关向量机训练模型，进而从优化预测模型方面来降低预测误差，再依据最优相关向量机训练模型获得的实际预测值及所述样本数据，计算出第一相对误差序列，并利用第一相对误差序列优化建立的GARCH误差预测模型，获得最优GARCH误差预测模型，实现从优化预测模型方面来降低预测误差，之后利用最优GARCH误差预测模型对第一相对误差序列进行预测后获得的预测值，对实际预测值进行修正，进而从误差校正方面降低了预测误差，提高了预测精度。
【专利说明】
-种短期风电功率的预测方法及装置
技术领域
[0001] 本发明设及风电场技术领域，更具体的说，是设及一种短期风电功率的预测方法 及装置。
【背景技术】
[0002] 风力发电W其自身资源的丰富、清洁无污染、可再生等优势，成为电力行业中替代 现有化学能源的新能源之一。然而，由于风力发电固有的随机波动性会影响电力系统的稳 定运行，因此需要对风电功率进行相应的预测，从而更好地管理和利用风电。而短期风电功 率预测一般是对未来24小时-72小时风机或风电场的有功功率进行预测，但实际中风电场 上报的日前预测数据误差较大，导致电力系统调度计划制定的难度增加，进而降低了系统 运行的安全性和经济性。
[0003] 目前，国内主要集中于通过改进预测算法降低预测误差，其中，支持向量机的预测 方法因具有运用较少的训练样本实现较为精确的预测，并有效避免陷入局部最小的危险等 优点，使得在风电功率预测领域的研究与应用逐渐增加，并取得良好效果。然而，在实际工 程运用中支持向量机也存在一些不足之处，如核函数的选取必须满足Mercer条件，支持向 量的数目随着训练样本数的增加而线性增长，不敏感参数的选取还没有一种公认统一的最 好方法，导致计算量和参数量的无谓增加，有待进一步的研究和改进，且现阶段还未能熟练 地从预测误差产生的原因与预测后误差修正两方面来降低预测误差，进而提高预测精度。

【发明内容】

[0004] 有鉴于此，本发明提供了一种短期风电功率的预测方法及装置，从优化预测模型 和误差校正两方面来降低预测误差，提高预测精度。
[0005] 为实现上述目的，本发明提供如下技术方案：
[0006] -种短期风电功率的预测方法，包括：
[0007] 按照预设规则获取实际数据，所述实际数据包含风电场的功率数据及对应的风速 数据；
[000引修正所述实际数据，获得样本数据；
[0009] 对所述样本数据进行第一预处理，并生成第一输入样本数据与第一输出样本数 据，所述第一输入样本数据包含风电场的功率数据及对应的风速数据，所述第一输出样本 数据包含风电场的功率数据；
[0010] 计算相关向量机的核函数，并将所述核函数、样本数据、第一输入样本数据和第一 输出样本数据作为基础数据，建立相关向量机预测模型；
[0011] 依据所述相关向量机预测模型，建立相关向量机训练模型；
[0012] 优化所述相关向量机训练模型中的相关向量机的参数，获得对应优化后的所述相 关向量机的参数的相关向量机训练模型，作为最优相关向量机训练模型；
[0013] 对所述最优相关向量机训练模型进行第二预处理，获得实际预测值；
[0014]利用所述样本数据与实际预测值，计算得到第一相对误差序列；
[001引建立GARCH误差预测模型；
[0016] 利用所述第一相对误差序列对所述GARCH误差预测模型进行第S预处理，获得最 优GARCH误差预测模型；
[0017] 利用所述最优GARCH误差预测模型对所述第一相对误差序列进行预测，获得第二 相对误差序列的预测值；
[0018] 利用所述第二相对误差序列的预测值修正所述实际预测值，获得最终预测值。
[0019] 优选地，所述按照预设规则获取实际数据，包括：
[0020] 获取规定时间期限内的初始实际数据；
[0021] 将所述规定时间期限分隔为n个规定时间段；
[0022] 设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔；
[0023] 在经过任一所述时间间隔时，从所述初始实际数据中获取一次数据值，作为所述 实际数据中任一所述规定时间段内的一个获取点的数据值，所述获取点与所述时间间隔一 一对应；
[0024] 其中，n与m均为正整数。
[0025] 优选地，所述修正所述实际数据，获得样本数据，包括：
[0026] 确定所述实际数据中任一所述规定时间段内的问题数据，W及所述问题数据在任 一所述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数据；
[0027] 依次将所述问题数据替换为修正数据，所述修正数据为位于所述问题数据在任一 所述规定时间段内的获取点位置的前一个获取点位置上的数据值；
[0028] 获得修正后的数据，作为样本数据。
[0029] 优选地，所述计算相关向量机的核函数，并将所述核函数、样本数据、第一输入样 本数据和第一输出样本数据作为基础数据，建立相关向量机预测模型，包括：
[0030] 烙航冰拴水掀巧前笛一餘T A掀巧拴太代入核函数公式.
[0031]
[0032] 计算出相关向量机的核函数，其中Xi为所述样本数据的输入向量,?为所述第一输 入样本数据的输入向量，O为相关向量机的核函数宽度；
[0033] 建立所述相关向量机预测模型，所述相关向量机预测模型包含所述相关向量机的 核函数、所述样本数据、所述第一输入样本数据和第一输出样本数据。
[0034] 优选地，所述依据所述相关向量机预测模型，建立相关向量机训练模型，包括：
[0035] 将所述第一输入样本数据与第一输出样本数据分类，生成第一训练样本数据与第 一检验样本数据；
[0036] 利用所述第一训练样本数据，对所述相关向量机预测模型进行训练，建立相关向 量机训练模型；
[0037] 利用所述第一检验样本数据，对所述相关向量机训练模型进行验证，确定所述相 关向量机训练模型。
[0038] 优选地，所述优化所述相关向量机训练模型中的相关向量机的参数，获得最优相 关向量机训练模型，包括：
[0039] 优化所述相关向量机训练模型中的相关向量机的核函数宽度0,获得最优相关向 量机的核函数宽度曰；
[0040] 获得与所述最优相关向量机的核函数宽度切4应的相关向量机训练模型，作为最 优相关向量机训练模型。
[0041] 优选地，所述优化所述相关向量机训练模型中的相关向量机的核函数宽度0,获得 最优相关向量机的核函数宽度0,包括：
[0042] 将需要优化的所述相关向量机的核函数宽度O映射为个体矢量；
[0043] 利用映射成的个体矢量，建立初始化种群；
[0044] 获取设定的最大迭代次数、自适应变异因子F初值和自适应交叉概率CR初值；
[0045] 利用所述自适应变异因子F，对所述初始化种群和当前个体矢量进行自适应变异 操作，获得变异矢量；
[0046] 利用自适应交叉概率CR，对所述变异矢量和当前个体矢量进行自适应交叉选择， 获得交叉矢量；
[0047] 将所述交叉矢量与所述当前个体矢量分别代入适应度函数，获得交叉矢量的适应 度值和当前个体矢量的适应度值；
[0048] 比较所述交叉矢量的适应度值与所述当前个体矢量的适应度值的大小，获得适应 度值较小的矢量；
[0049] 选择适应度值较小的矢量作为下一次迭代的当前个体矢量，返回执行利用所述自 适应变异因子F，对所述初始化种群和当前个体矢量进行自适应变异操作，获得变异矢量， 直到到达最大迭代次数时，输出最小适应度值；
[0050] 获得与所述最小适应度值对应的相关向量机的核函数宽度O，作为最优相关向量 机的核函数宽度曰。
[0051 ]优选地，所述建立GARCH误差预测模型，包括：
[0化2] 建立初始ARMA模型；
[0化3] 建立初始GARCH模型；
[0054] 对所述初始ARMA模型进行拟合，确定最终ARMA模型的阶数；
[0055] 对所述初始GARCH模型进行拟合，确定最终GARCH模型的阶数；
[0056] 利用所述最终ARMA模型与最终GARCH模型对所述第一相对误差序列进行拟合，建 立GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的所述最终ARMA模型的阶数， 所述最终GARCH模型对应于确定的所述最终GARCH模型的阶数。
[0057] 优选地，所述利用所述第一相对误差序列对所述GARCH误差预测模型进行第S预 处理，获得最优GARCH误差预测模型，包括：
[0058] 将所述第一相对误差序列进行分类，生成第二训练样本数据和第二检验样本数 据；
[0059] 利用所述第二训练样本数据，对所述GARCH误差预测模型进行拟合，获得优化的 GARCH误差预测模型；
[0060] 利用所述第二检验样本数据，对所述优化的GARCH误差预测模型进行验证，获得验 证值；
[0061 ]比较所述验证值与预定标准的大小；
[0062] 在所述验证值小于等于所述预定标准时，获得最优GARCH误差预测模型。
[0063] 优选地，在所述比较所述验证值与预定标准的大小之后，还包括：
[0064] 在所述验证值大于所述预定标准时，返回对所述初始ARMA模型进行拟合，确定最 终ARMA模型的阶数，直到所述验证值小于等于所述预定标准。
[0065] 优选地，所述利用所述第二相对误差序列的预测值修正所述实际预测值，获得最 终预测值，包括：
[0066] 将所述第二相对误差序列的预测值代入公式：
[0067]
[0068] 计算得到对应的残差序列预测值if最，其中，巧￡/>为第二相对误差序列的预测值， RP为风机的额定功率；
[0069] 将所述残差序列预测值与所述实际预测值相加，获得最终预测值。
[0070] -种短期风电功率的预测装置，包括：
[0071] 第一获取模块，用于按照预设规则获取实际数据，所述实际数据包含风电场的功 率数据及对应的风速数据；
[0072] 第一修正模块，用于修正所述实际数据，获得样本数据；
[0073] 第一预处理模块，用于对所述样本数据进行第一预处理，并生成第一输入样本数 据与第一输出样本数据，所述第一输入样本数据包含风电场的功率数据及对应的风速数 据，所述第一输出样本数据包含风电场的功率数据；
[0074] 第一模型建立模块，用于计算相关向量机的核函数，并将所述核函数、样本数据、 第一输入样本数据和第一输出样本数据作为基础数据，建立相关向量机预测模型；
[0075] 第二模型建立模块，用于依据所述相关向量机预测模型，建立相关向量机训练模 型；
[0076] 第一优化模块，用于优化所述相关向量机训练模型中的相关向量机的参数，获得 对应优化后的所述相关向量机的参数的相关向量机训练模型，作为最优相关向量机训练模 型；
[0077] 第二预处理模块，用于对所述最优相关向量机训练模型进行第二预处理，获得实 际预测值；
[0078] 第一计算模块，用于利用所述样本数据与实际预测值，计算得到第一相对误差序 列；
[0079] 第S模型建立模块，用于建立GARCH误差预测模型；
[0080] 第S预处理模块，用于利用所述第一相对误差序列对所述GARCH误差预测模型进 行第S预处理，获得最优GARCH误差预测模型；
[0081] 第一预测模块，用于利用所述最优GARCH误差预测模型对所述第一相对误差序列 进行预测，获得第二相对误差序列的预测值；
[0082] 第二修正模块，用于利用所述第二相对误差序列的预测值修正所述实际预测值， 获得最终预测值。
[0083] 优选地，所述第一获取模块包括：
[0084] 第二获取模块，用于获取规定时间期限内的初始实际数据；
[0085] 分隔模块，用于将所述规定时间期限分隔为n个规定时间段；
[0086] 设定模块，用于设定任一所述规定时间段内获取所述初始实际数据的m个时间间 隔；
[0087] 第=获取模块，用于在经过任一所述时间间隔时，从所述初始实际数据中获取一 次数据值，作为所述实际数据中任一所述规定时间段内的一个获取点的数据值，所述获取 点与所述时间间隔一一对应；
[0088] 其中，n与m均为正整数。
[0089] 优选地，所述第一修正模块包括：
[0090] 确定模块，用于确定所述实际数据中任一所述规定时间段内的问题数据，W及所 述问题数据在任一所述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数 据；
[0091] 第=修正模块，用于依次将所述问题数据替换为修正数据，所述修正数据为位于 所述问题数据在任一所述规定时间段内的获取点位置的前一个获取点位置上的数据值；
[0092] 第四获取模块，用于获得修正后的数据，作为样本数据。
[0093] 优选地，所述第一模型建立模块包括：
[0094] 核函数计算模块，用于将所述样本数据和第一输入样本数据代入公式：
[0095]
[0096] 计算出相关向量机的核函数，其中Xi为所述样本数据的输入向量,?为所述第一输 入样本数据的输入向量，O为相关向量机的核函数宽度；
[0097] 第一模型建立子模块，用于建立所述相关向量机预测模型，所述相关向量机预测 模型包含所述相关向量机的核函数、所述样本数据、所述第一输入样本数据和第一输出样 本数据。
[0098] 优选地，所述第二模型建立模块包括：
[0099] 第一分类模块，用于将所述第一输入样本数据与第一输出样本数据分类，生成第 一训练样本数据与第一检验样本数据；
[0100] 第一训练模块，用于利用所述第一分类模块分类出的所述第一训练样本数据，对 所述相关向量机预测模型进行训练，建立相关向量机训练模型；
[0101] 第一检验模块，用于利用所述第一分类模块分类出的所述第一检验样本数据，对 所述相关向量机训练模型进行验证，确定所述相关向量机训练模型。
[0102] 优选地，所述第一优化模块包括：
[0103] 参数优化模块，用于优化所述相关向量机训练模型中的相关向量机的核函数宽度 O，获得最优相关向量机的核函数宽度O;
[0104] 第五获取模块，用于获得与所述最优相关向量机的核函数宽度切4应的相关向量 机训练模型，作为最优相关向量机训练模型。
[0105] 优选地，所述参数优化模块包括：
[0106] 映射模块，用于将需要优化的所述相关向量机的核函数宽度O映射为个体矢量；
[0107] 种群建立模块，用于利用映射成的个体矢量，建立初始化种群；
[0108] 第六获取模块，用于获取设定的最大迭代次数、自适应变异因子F初值和自适应交 叉概率CR初值；
[0109] 自适应变异模块，用于利用所述自适应变异因子F，对所述初始化种群和当前个体 矢量进行自适应变异操作，获得变异矢量；
[0110] 自适应交叉模块，用于利用自适应交叉概率CR,对所述变异矢量和当前个体矢量 进行自适应交叉选择，获得交叉矢量；
[0111] 适应度值获取模块，用于将所述交叉矢量与所述当前个体矢量分别代入适应度函 数，获得交叉矢量的适应度值和当前个体矢量的适应度值；
[0112] 第一比较模块，用于比较所述交叉矢量的适应度值与所述当前个体矢量的适应度 值的大小，获得适应度值较小的矢量；
[0113] 判断模块，用于判断当前迭代的次数；
[0114] 自适应变异模块，用于在所述判断模块判断当前迭代的次数小于最大迭代次数 时，将所述第一比较模块获得的适应度值较小的矢量选择为当前个体矢量，利用所述自适 应变异因子F，对所述初始化种群和当前个体矢量进行自适应变异操作，获得变异矢量；
[0115] 输出模块，用于在所述判断模块判断当前迭代的次数等于最大迭代次数时，输出 最小适应度值；
[0116] 第屯获取模块，用于获得与所述最小适应度值对应的相关向量机的核函数宽度曰， 作为最优相关向量机的核函数宽度曰。
[0117] 优选地，所述第=模型建立模块包括：
[0118] ARMA模型建立模块，用于建立初始ARMA模型；
[0119] GARCH模型建立模块，用于建立初始GARCH模型；
[0120] ARMA拟合模块，用于对所述初始ARMA模型进行拟合，确定所述ARMA模型的阶数；
[0121] GARCH拟合模块，用于对所述初始GARCH模型进行拟合，确定所述GARCH模型的阶 数；
[0122] 第S模型建立子模块，用于利用所述最终ARMA模型与最终GARC財莫型对所述第一 相对误差序列进行拟合，建立GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的 所述最终ARM模型的阶数，所述最终GARCH模型对应于确定的所述最终GARCH模型的阶数。
[0123] 优选地，所述第=预处理模块包括：
[0124] 第二分类模块，用于将所述第一相对误差序列进行分类，生成第二训练样本数据 和第二检验样本数据；
[0125] 误差预测模型拟合模块，用于利用所述第二分类模块分类出的所述第二训练样本 数据，对所述GARCH误差预测模型进行拟合，获得优化的GARCH误差预测模型；
[0126] 第二验证模块，用于利用所述第二分类模块分类出的所述第二检验样本，对所述 优化的GARCH误差预测模型进行验证，获得验证值；
[0127] 第二比较模块，用于比较所述验证值与预定标准的大小；
[0128] 第八获取模块，用于在所述验证值小于等于所述预定标准时，获得最优GARCH误差 预测模型。
[0129] 优选地，在所述第二比较模块比较所述验证值与预定标准的大小之后，所述ARMA 拟合模块还用于：
[0130] 在所述验证值大于所述预定标准时，对所述初始ARMA模型进行拟合，确定所述 ARM模型的阶数。
[0131] 优选地，所述第二修正模块包括：
[0132] 第二计算模块，用于将所述第二相对误差序列的预测值代入公式：
[0133]
[0134] 计算得到对应的残差序列预测值i{技，其中，巧为第二相对误差序列的预测值， RP为风机的额定功率；
[0135] 第四修正模块，用于将所述残差序列预测值与所述实际预测值相加，获得最终预 测值。
[0136] 经由上述的技术方案可知，与现有技术相比，本发明提供了一种短期风电功率的 预测方法及装置，通过获取并修正所述实际数据，获得样本数据，利用所述样本数据建立相 关向量机预测模型，并依据所述相关向量机预测模型获得相关向量机训练模型，优化所述 相关向量机训练模型中的相关向量机的参数来获得最优相关向量机训练模型，进而从优化 预测模型方面来降低预测误差，之后，对所述最优相关向量机训练模型进行第二预处理，获 得实际预测值，利用所述样本数据与实际预测值，计算第一相对误差序列，并利用所述第一 相对误差序列对建立的GARCH误差预测模型进行第S预处理，获得最优GARCH误差预测模 型，再次实现从优化预测模型方面来降低预测误差，之后利用最优GARCH误差预测模型对所 述第一相对误差序列进行预测，获得第二相对误差序列的预测值，W便对所述实际预测值 进行修正，获得最终预测值，进而从误差校正方面降低了预测误差，提高了预测精度。
【附图说明】
[0137] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据 提供的附图获得其他的附图。
[0138] 图1为本发明实施例提供的一种短期风电功率的预测方法流程图；
[0139] 图2为本发明实施例提供的一种获取实际数据的方法流程图；
[0140] 图3为本发明实施例提供的一种修正实际数据的方法流程图；
[0141] 图4为本发明实施例提供的一种建立相关向量机预测模型的方法流程图；
[0142] 图5为本发明实施例提供的一种建立相关向量机训练模型的方法流程图；
[0143] 图6为本发明实施例提供的一种优化相关向量机训练模型中的相关向量机的参数 的方法流程图；
[0144] 图7为本发明实施例提供的一种获得最优GARCH误差预测模型的方法流程图；
[0145] 图8为本发明实施例提供的一种修正实际预测值的方法流程图；
[0146] 图9为本发明实施例提供的一种短期风电功率的预测装置的结构示意图；
[0147] 图10为本发明实施例提供的一种优化相关向量机训练模型中的相关向量机的参 数的结构示意图。
【具体实施方式】
[0148] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0149] 本发明实施例提供了一种短期风电功率的预测方法，请参见附图1，所述方法具体 包括W下步骤：
[0150] 步骤101:按照预设规则获取实际数据，所述实际数据包含风电场的功率数据及对 应的风速数据。
[0151] 步骤102:修正所述实际数据，获得样本数据。
[0152] 步骤103:对所述样本数据进行第一预处理，并生成第一输入数据样本与第一输出 数据样本，所述第一输入样本数据包含风电场的功率数据及对应的风速数据，所述第一输 出样本数据包含风电场的功率数据；
[0153] 具体的，将获得的所述样本数据先进行归一化处理，即把所述样本数据映射到一 个较小的区间单，所沐映射区间可W为「-1.11之间，所沐扫一化公式为：
[0154]
[01W]其中，Xli为所述样本数据归一化前的值，Xj；为所述样本数据归一化后的值，yimax 为进行归一化的映射区间的最大值，yimin为进行归一化的映射区间的最小值，Xlmax为所述样 本数据中的最大值，Xlmin为所述样本数据中的最小值；
[0156] 之后，再将所述样本数据归一化后得到的数据值进行分类，生成第一输入数据样 本与第一输出数据样本，其中，所述第一输入数据样本为风电场的功率数据及对应的风速 数据，所述第一输出数据样本为风电场的功率数据。
[0157] 步骤104:计算相关向量机的核函数，并将所述核函数、样本数据、第一输入样本数 据和第一输出样本数据作为基础数据，建立相关向量机预测模型。
[0158] 步骤105:依据所述相关向量机预测模型，建立相关向量机训练模型。
[0159] 步骤106:优化所述相关向量机训练模型中的相关向量机的参数，获得对应优化后 的所述相关向量机的参数的相关向量机训练模型，作为最优相关向量机训练模型；
[0160] 具体的，基于预测误差产生的原因，对所述相关向量机的参数进行优化，进而获得 与优化后的所述相关向量机的参数对应的最优相关向量机训练模型。
[0161] 步骤107:对所述最优相关向量机训练模型进行第二预处理，获得实际预测值；
[0162] 具体的，先利用所述第一输入数据样本与第一输出数据样本对所述最优相关向量 机训练模型进行训练与检验，得到初始预测值，再对所述初始预测值进行反归一化处理，得 到实际预测值，其中，所述反归一化处理公式为：
[0163]
[0164] 其中，为处理后的所述初始预测值反归一化前的数据值，Xlr为处理后的所述初 始预测值反归一化后的数据值，yimax为所述样本数据进行归一化处理时的映射区间的最大 值1，yimin为所述样本数据进行归一化处理时的映射区间的最小值-1 ,Xlmax为所述样本数据 中的最大值，Xlmin为所述样本数据中的最小值。
[0165] 步骤108:利用所述样本数据与实际预测值，计算得到第一相对误差序列；
[0166] 具体的，将所述样本数据与实际预测值代入相对误差值RE计算公式：
[0167]
[0168] 计算得到初始第一相对误差序列，所述初始第一相对误差序列由多个相对误差值 RE组成，其中，y(t)为所述样本数据，；为所述实际预测值，RP为风机的额定功率；
[0169] 其中，所述初始第一相对误差序列为所述规定时间期限即2个月中第二个月除去 最后一天的剩余天数所对应的多个相对误差值RE组成的序列，且在每次计算第二个月中的 任一天所对应的多个相对误差值RE组成的序列时，需要将第一个月W及第二个月中该天之 前的所有天数所对应的样本数据作为一个训练样本数据代入所述最优相关向量机训练模 型进行第二预处理，获得对应的实际预测值，之后，将得到的所述实际预测值与其对应的样 本数据一起代入相对误差值RE计算公式，最终在重复计算多次相对误差值RE后，获得所述 初始第一相对误差序列；
[0170] 之后，对计算得到的所述初始第一相对误差序列进行时间序列平稳化检测，并在 得出所述初始第一相对误差序列的检测结果为非平稳相对误差序列时，对非平稳的相对误 差序列进行差分处理W及单位根检验，若每次的单位根检验得到的检验结果仍为非平稳的 相对误差序列，则重复执行对非平稳的相对误差序列进行差分处理W及单位根检验，直到 检验结果为平稳化的相对误差序列，才输出结果，并将平稳化的相对误差序列作为所述第 一相对误差序列。
[0171] 步骤109:建立GARCH误差预测模型；
[0172] 具体的，由于广义自回归条件异方差(GARCH)能够较细致地刻画时间序列的方差 随时间变化的特性，且对残差项中可能的信息进行挖掘，因此建立GARCH误差预测模型，用 于后续从预测后误差修正方面降低预测误差，提高预测误差精度。
[0173] 步骤1010:利用所述第一相对误差序列对所述GARCH误差预测模型进行第S预处 理，获得最优GARCH误差预测模型；
[0174] 具体的，基于预测误差产生的原因，对所述GARCH误差预测模型进行优化处理，获 得对应的最优GARCH误差预测模型。
[0175] 步骤1011:利用所述最优GARCH误差预测模型对所述第一相对误差序列进行预测， 获得第二相对误差序列的预测值；
[0176] 具体的，在获得了最优GARCH误差预测模型之后，再利用所述最优GARCH误差预测 模型对所述第一相对误差序列进行预测，进而能够较为准确地预测所述规定时间期限即2 个月的最后一天内的m个获取点上的数据值所对应的相对误差预测值/?￡,,，作为第二相对 误差序列的预测值。
[0177] 步骤1012:利用所述第二相对误差序列的预测值修正所述实际预测值，获得最终 预测值；
[0178] 具体的，采用经过所述最优GARCH误差预测模型预测后获得的所述第二相对误差 序列的预测值去修正所述实际预测值，能够从预测后误差修正方面降低预测误差，提高预 测误差精度。
[0179] 本发明实施例公开的短期风电功率的预测方法中，通过获取并修正所述实际数 据，获得样本数据，利用所述样本数据建立相关向量机预测模型，并依据所述相关向量机预 测模型获得相关向量机训练模型，优化所述相关向量机训练模型中的相关向量机的参数来 获得最优相关向量机训练模型，进而从优化预测模型方面来降低预测误差，之后，对所述最 优相关向量机训练模型进行第二预处理，获得实际预测值，利用所述样本数据与实际预测 值，计算第一相对误差序列，并利用所述第一相对误差序列对建立的GARCH误差预测模型进 行第S预处理，获得最优GARCH误差预测模型，再次实现从优化预测模型方面来降低预测误 差，之后利用最优GARCH误差预测模型对所述第一相对误差序列进行预测，获得第二相对误 差序列的预测值，W便对所述实际预测值进行修正，获得最终预测值，进而从误差校正方面 降低了预测误差，提高了预测精度。
[0180] 请参阅附图2,上述实施例中提供的步骤101的具体实现过程包括W下步骤：
[0181 ]步骤201:获取规定时间期限内的初始实际数据；
[0182] 具体的，所述初始实际数据为规定时间期限内包含风电场的功率数据及对应的风 速数据的实测数据，其中，所述规定时间期限可W为2个月。
[0183] 步骤202:将所述规定时间期限分隔为n个规定时间段，n为正整数；
[0184] 具体的，任一所述规定时间段对应于所述规定时间期限即2个月中的任意一天。
[0185] 步骤203:设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔，m为 正整数；
[0186] 具体的，在任一所述规定时间段即每一天内，均设定相同的获取所述初始实际数 据的m个时间间隔，任一所述时间间隔可W按照分钟、小时等时间单位去获取所述初始实际 数据中对应时刻的数据值。
[0187] 步骤204:在经过任一所述时间间隔时，从所述初始实际数据中获取一次数据值， 作为所述实际数据中任一所述规定时间段内的一个获取点的数据值，所述获取点与所述时 间间隔--对应；
[0188] 具体的，在任一所述规定时间段即每一天内，每经过任一所述时间间隔时，就从所 述初始实际数据中获取一次对应时刻的数据值，作为该规定时间段即每一天内当前时间间 隔所对应的获取点上的数据值，最终依此获取到该规定时间段即每一天内的m个时间间隔 所对应的m个获取点上的数据值，之后，将n个所述规定时间段内获取的数据值进行集合，得 到实际数据。
[0189] 本发明实施例公开的获取实际数据的方法中，通过将所述规定时间期限分隔为n 个规定时间段，W及设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔，来 依次获取所述初始实际数据，最终得到所述实际数据，能够细化到针对所述规定时间期限 内的每一天中的每一个获取点上的数据值进行预测，为后续对风电场的功率数据进行预测 提供准确的基础数据。
[0190] 请参阅附图3,上述实施例中提供的步骤102的具体实现过程包括W下步骤：
[0191] 步骤301:确定所述实际数据中任一所述规定时间段内的问题数据，W及所述问题 数据在任一所述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数据；
[0192] 具体的，在获取得到所述实际数据后，还需要对所述实际数据进行异常数据识别 与缺失数据识别，其中，所述异常数据包括风电场的功率数据为负值的数据；
[0193] 步骤302:依次将所述问题数据替换为修正数据，所述修正数据为位于所述问题数 据在任一所述规定时间段内的获取点位置的前一个获取点位置上的数据值；
[0194] 具体的，在确定了所述实际数据中的任一所述规定时间段内的任一所述时间间隔 所对应的获取点上的数据值为异常数据时，则将该获取点上的异常数据进行剔除，并将其 之前的一个获取点上的数据值替换到该获取点上;在确定了所述实际数据中的任一所述规 定时间段内的任一所述时间间隔所对应的获取点上的数据值为缺失数据时，则直接将其之 前的一个获取点上的数据值替换到该获取点上。
[01M]步骤303:获得修正后的数据，作为样本数据；
[0196] 具体的，在将所述实际数据中确定的全部问题数据均进行修正后，获得的修正后 的数据即为所述样本数据。
[0197] 本发明实施例公开的修正实际数据的方法中，通过将从所述实际数据中确定的问 题数据替换为该问题数据所在获取点的前一个获取点上的数据值，实现了对所述实际数据 的修正，进而为后续对风电场的功率数据进行预测提供准确的基础数据。
[0198] 请参阅附图4,上述实施例中提供的步骤104的具体实现过程包括W下步骤：
[0199] 击噓Am .悠配成拴水撒巧新笠一輪\数据样本代入核函数公式；
[0200]
[0201] 计算出相关向量机的核函数，其中Xi为所述样本数据的输入向量,?为所述第一输 入数据样本的输入向量，O为相关向量机的核函数宽度；
[0202] 具体的，一般将具有较强的非线性拟合能力与学习能力的径向基核函数选为所述 相关向量机的核函数。
[0203] 步骤402:将所述相关向量机的核函数、样本数据、第一输入样本数据和第一输出 样本数据作为基础数据，建立所述相关向量机预测模型；
[0204] 具体的，所述相关向量机预测模型包含但不限于所述相关向量机的核函数、所述 样本数据、所述第一输入数据样本和第一输出数据样本。
[0205] 本发明实施例公开的建立相关向量机预测模型的方法中，通过选择并计算出所述 相关向量机的核函数，并将所述核函数、样本数据、第一输入样本数据和第一输出样本数据 作为基础数据，建立了相关向量机预测模型，进而能够利用建立的相关向量机预测模型来 灵活地选择相关向量机的核函数，同时由于相关向量机预测模型采用极度稀疏贝叶斯学习 方法，降低了计算的复杂程度，减少了所需的数据量，最终缩短了计算的时间。
[0206] 请参阅附图5,上述实施例中提供的步骤105的具体实现过程包括W下步骤：
[0207] 步骤501:将所述第一输入样本数据与第一输出样本数据分类，生成第一训练样本 数据与第一检验样本数据；
[0208] 具体的，将所述相关向量机预测模型中包含的样本数据分类，生成第一训练样本 数据与第一检验样本数据，所述第一训练样本数据主要用于训练所述相关向量机预测模型 学习训练样本的过程，且所述第一训练样本数据为所述规定时间期限即2个月所对应的数 据值，所述第一检验样本数据主要用于验证已经经过训练后的预测模型的预测能力的准确 性，且所述第一检验样本数据为所述规定时间期限即2个月中最后一天所对应的数据值。
[0209] 步骤502:利用所述第一训练样本数据，对所述相关向量机预测模型进行训练，建 立相关向量机训练模型；
[0210] 具体的，先计算得到第一训练样本数据的后验分布的方差X，所述后验分布的方 差5：的计算公式为：
[0211] X =(〇-2 巫 T巫+A)-1
[0212]其中，A为超参数对角线元素;且A = diag(a日，al，…aN);o为相关向量机的核函数宽 度；〇为基函数向量；
[0213] 再计算得到第一训练样本数据的后验分布的均值ii，所述后验分布的均值y的计算 公式为：
[0214] u = 〇-2 5：巫\
[0215] 其中，t为所述第一训练样本数据的目标参数个数，〇为相关向量机的核函数宽度， O为基函数向量，S为第一训练样本数据的后验分布的方差；
[0216] 之后，计算得到超参数Oi与O2的似然估计值L(a)，所述似然估计值L(a)的计算公式 为：
[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为协方差矩阵，N为所述样本数据的个数，t为所述第一 训练样本数据的目标参数个数；
[0219] 将所述超参数Qi与O2的似然估计值L(Q)最大化处理，得到超参数Qi与O2的最大化 先验分布：
[0220]
[022。 其中，丫 1= I-Qi S 11且5： 1功所述第一训练样本数据的后验分布的方差S的第i个 对角线元素，N为所述样本数据的个数，Qi为超参数；
[0。^ 最后，计算出初始预测值y*及方差erf ;计算初始预测值y*及方差(J?的公式分别
为：
[0223]
[0224]
[0225] 其中，y为后验分布的均值，〇为基函数向量，X为第一训练样本数据的后验分布 的方差，为超参数O2的最大化先验分布，O (X*)为将计算出的相关向量机的核函数映射 到高维空间后得到的向量矩阵，且
[0226]
[0227] 将所述初始预测值及方差作为基础数据，建立所述相关向量机训练模型。
[0228] 步骤503:利用所述第一检验样本数据，对所述相关向量机训练模型进行验证，确 定所述相关向量机训练模型；
[0229] 具体的，在利用所述第一训练样本数据建立了相关向量机训练模型之后，还需要 用所述第一检验样本数据对建立的相关向量机训练模型的预测能力的准确性进行验证，进 一步确定所述相关向量机训练模型。
[0230] 本发明实施例公开的建立相关向量机训练模型的方法中，通过将所述相关向量机 预测模型包含的样本数据进行分类，生成第一训练样本数据与第一检验样本数据，并分别 利用所述第一训练样本数据对所述相关向量机预测模型进行训练，利用所述第一检验样本 数据对所述相关向量机预测模型进行验证，最终获得相关向量机训练模型，进而为后续获 得最优相关向量机训练模型提供基础模型。
[0231] 请参阅附图6,上述实施例中提供的步骤106的具体实现过程包括W下步骤：
[0232] 步骤601:将需要优化的所述相关向量机的核函数宽度O映射为个体矢量。
[0233] 步骤602:利用映射成的个体矢量，建立初始化种群；
[0234] 具体的，所述初始化种群Xi,G(i = l，2, . . .，N)中包含的个体矢量的个数N为需要优 化的所述相关向量机的核函数宽度O的个数。
[0235] 步骤603:获取设定的最大迭代次数、自适应变异因子F初值和自适应交叉概率CR 初值。
[0236] 步骤604:利用所述自适应变异因子F，对所述初始化种群和当前个体矢量进行自 适应变异操作，获得变异矢量；
[0237] 具体的，先从所述初始化种群中随机找到两个不同的个体矢量对应的基因位，W 及当前个体矢量对应的基因位，并将其代入自适应变异计算公式：
[023引 Vi,G = Xrl,G+F(Xr2,G-Xr3,G),rl^r2^r3^i
[0239] 其中，r 1，r2和r3是随机选自所述初始化种群范围{1，2，. . .，N}，且r 1，r2，^和王四 个常数其值不同;F为自适应变异因子，Vi,G为执行变异操作之后新生成的变异矢量，Xi,C为 属于初始化种群中的当前个体矢量。
[0240] 其中，初期所述自适应变异因子F的值较大，能够保证所述初始化种群的多样性， 之后，所述自适应变异因子F的值会随着迭代次数的增加，将逐渐减小，使得后期所述自适 应变异因子F的值较小，能够保留优良的个体矢量，所述自适应变异因子F的计算公式为：
[0241]
[0242] 其中，Fmin为变异因子的最小值，Fmax为变异因子的最大值，Mgen为最大的迭代代 数，G为当前进化的代数。
[0243] 步骤605:利用自适应交叉概率CR,对所述变异矢量和当前个体矢量进行自适应交 叉选择，获得交叉矢量；
[0244] 具体的，将所述变异矢量Vi,C与属于所述初始化种群的当前个体矢量Xi,逊行自适 应交叉选择，所述自适应交叉选择公式为：
[0245]
[0246] 其中，CR为自适应交叉概率，且CR G [0，1 ]; rand为0-1之间的随机数;Vi,G为执行 变异操作之后新生成的变异矢量，Xi,G为属于初始化种群中的当前个体矢量，Ui,G为执行交 叉操作之后形成的交叉矢量；
[0247] 其中，初期的所述自适应交叉概率CR的值较大，能够保证全局范围的变异情况，之 后，所述自适应交叉概率CR的值会随着迭代次数的增加，将逐渐减小，使得后期的所述自适 应交叉廠莖CR的值巧小.能傲羊炸扁部的阶鄉信瓶.所化自适应交叉概率CR的计算公式为：
[024引
[0249] 其中，CRmin为自适应交叉概率的最小值，CRmax为自适应交叉概率的最大值，Mgen为 最大的迭代代数，。
[0250] 步骤606:将所述交叉矢量与所述当前个体矢量分别代入适应度函数，获得交叉矢 量的适应度值和当前个体矢量的适应度值；
[0251] 具体的，将绝对平均百分比误差6MAPE作为适应度函数，用于优化所述相关向量机 训练模型中的相关向量机的参数。
[0252] 步骤607:比较所述交叉矢量的适应度值与所述当前个体矢量的适应度值的大小， 获得适应度值较小的矢量。
[0253] 步骤608:判断当前迭代的次数，若当前迭代的次数等于最大迭代次数，则执行步 骤609，若当前迭代的次数小于最大迭代次数，则执行步骤604;
[0254] 具体的，在当前迭代的次数小于最大迭代次数时，选择适应度值较小的矢量作为 下一次迭代的当前个体矢量，并返回执行步骤604,直到当前迭代的次数等于最大迭代次 数。
[02W]步骤609:输出最小适应度值，并执行步骤6010;
[0256] 具体的，当前迭代的次数等于最大迭代次数时，输出的计算结果为本次迭代计算 中的最小适应度值。
[0257] 步骤6010:获得与所述最小适应度值对应的相关向量机的核函数宽度0,作为最优 相关向量机的核函数宽度曰。
[0258] 步骤6011:获得与所述最优相关向量机的核函数宽度O对应的相关向量机训练模 型，作为最优相关向量机训练模型。
[0259] 本发明实施例公开的优化相关向量机训练模型中的相关向量机的参数的方法中， 通过采用改进的差分进化算法(IDE)优化所述相关向量机训练模型中的相关向量机的核函 数宽度0,获得最优相关向量机的核函数宽度0,并将与所述最优相关向量机的核函数宽度O 对应的相关向量机训练模型，作为最优相关向量机训练模型，进而实现了从预测误差产生 的原因方面来降低预测误差，提高预测精度。
[0260]请参阅附图7,为本发明实施例公开的一种获得最优GARCH误差预测模型的方法， 所述方法具体包括W下步骤：
[0%1 ] 步骤701:建立初始ARMA模型；
[0262]具体的，通过所述初始ARMA模型建立均值方程，所述初始ARMA模型的表达式为： [0%3]
[0264] 其中，鸦为待估的自回归参数;0J为移动平均参数;r为自回归阶数;m为移动平均的 阶数;e(t)为第t时刻的残差;C为常数。
[02化]步骤702:建立初始GARCH模型；
[0266]具体的，由于所述初始ARMA模型不适于处理所述第一相对误差序列的方差，因此， 需要采用广义自回归条件异方差模型即通过所述初始GARCH模型建立方差方程，所述初始 GARCH模型的表达式为：
[0%7]
[026引其中，G功初始GARCH模型影响的待估参数，且大于0; Aj为初始ARMA模型影响的待 估参数，且大于0; P与q为初始ARMA模型的阶次，为条件方差;k为常数。
[0269] 步骤703:对所述初始ARMA模型进行拟合，确定最终ARMA模型的阶数；
[0270] 具体的，采用所述初始ARMA模型对经多次差分平稳化处理后的所述第一相对误差 序列进行拟合，检验经过拟合后的第一相对误差序列的自相关性和偏自相关性，并计算其 自相关系数和偏自相关系数，作为衡量本次拟合效果优劣的标准，W确定最终ARMA模型的 阶数。
[0271 ]步骤704:对所述初始GARCH模型进行拟合，确定最终GARCH模型的阶数；
[0272] 具体的，采用赤池信息准则(AIC)来衡量所述初始GARCH模型拟合的优劣性，W确 定最终GARCH模型的阶数。
[0273] 步骤705:利用所述最终ARMA模型与最终GARCH模型对所述第一相对误差序列进行 拟合，建立GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的所述最终ARMA模型 的阶数，所述最终GARCH模型对应于确定的所述最终GARCH模型的阶数；
[0274] 具体的，利用所述最终ARMA模型与最终GARCH模型分别拟合所述第一相对误差序 列，进而确定最终ARMA模型中的待估的自回归参数巧、移动平均参数0神日常数C，同时确定 最终GARCH模型中的初始ARM模型影响的待估参数A神日常数k，最终得到包含了与确定参数 对应的均值方程和方差方程的GARCH误差预测模型。
[0275] 步骤706:将所述第一相对误差序列进行分类，生成第二训练样本数据和第二检验 样本数据；
[0276] 具体的，所述第二训练样本数据为所述规定时间期限即2个月中第二个月除去该 月最后一天的全部时间对应的数据值，所述第二检验样本数据为所述规定时间期限即2个 月中第二个月最后一天的前一天的数据值。
[0277] 步骤707:利用所述第二训练样本数据，对所述GARCH误差预测模型进行拟合，获得 优化的GARCH误差预测模型；
[0278] 具体的，利用所述第二训练样本数据对所述GARCH误差预测模型进行拟合，进而确 定所述GARCH误差预测模型中相关的待估的自回归参数P,、移动平均参数0j、常数c，W及初 始ARMA模型影响的待估参数A神日常数k，最终得到包含了与确定参数对应的均值方程和方 差方程的优化的GARCH误差预测模型。
[0279] 步骤708:利用所述第二检验样本数据，对所述优化的GARCH误差预测模型进行验 证，获得验证值；
[0280] 具体的，将绝对平均百分比误差6MAPE作为验证值，并在将所述第二检验样本数据 良P2个月的所述规定时间期限中第二个月最后一天的前一天的数据值代入绝对平均百分比 误差6MAPE的计算公式：
[0281
[0282] 获得验证值，其中，Yi为所述第二检验样本数据对应的风电场的功率，f,.为所述第 二检验样本数据对应的实际预测值，n为所述第二检验样本数据得数量；
[0283] 步骤709:比较所述验证值与预定标准的大小，若所述验证值小于等于预定标准， 则执行步骤7010，若所述验证值大于预定标准，则返回执行步骤703;
[0284] 具体的，将计算出的所述绝对平均百分比误差6MAPE与预定标准进行比较，进而判 断所述验证值是否满足预定标准；
[0285] 在计算得出的所述绝对平均百分比误差6MAPE大于预定标准时，则返回步骤703,重 新对所述初始ARMA模型进行拟合，确定最终ARMA模型的阶数，直到所述绝对平均百分比误 差6MAPE小于等于预定标准。
[0286] 步骤7010:获得最优GARCH误差预测模型；
[0287] 具体的，在计算得出的所述绝对平均百分比误差6MAPE小于等于预定标准，则确定 此时获得的优化的GARCH误差预测模型为最优GARCH误差预测模型。
[028引本发明实施例公开的获得最优GARCH误差预测模型的方法中，通过建立初始ARMA 模型与初始GARCH模型，确定与之对应的最终ARMA模型的阶数和最终GARCH模型的阶数，进 而建立GARCH误差预测模型，之后，将所述第一相对误差序列进行分类，利用生成的第二训 练样本数据和第二检验样本数据依次对所述GARCH误差预测模型进行拟合及验证，最终获 得最优GARCH误差预测模型，进而利用广义自回归条件异方差(GARCH)为后续实现从误差校 正的方面来降低预测误差，提高预测精度提供最优模型。
[0289] 请参阅附图8,上述实施例中提供的步骤1012的具体实现过程包括W下步骤：
[0290] 步骤801:将所述第二相对误差序列的预测值代入公式：
[0291]
[0292] 计算得到对应的残差序列预测值if芯，其中，巧后I。为第二相对误差序列的预测值， RP为风机的额定功率；
[0293] 具体的，计算得到所述残差序列预测值为所述规定时间期限即2个月中最后一天 内的m个获取点上数据值所对应的m个残差序列预测值形成的组合。
[0294] 步骤802:将所述残差序列预测值与所述实际预测值相加，获得最终预测值；
[0295] 具体的，将所述规定时间期限即2个月中任一天内的m个获取点上数据值所对应的 实际预测值分别与计算得到所述残差序列预测值^>中包含的m个残差序列预测值进 行相加计算，最后得出所述规定时间期限即2个月中任一天的最终预测值，经过多次重复相 加计算后，得出所述规定时间期限即2个月的全部天数的最终预测值。
[0296] 本发明实施例公开的修正实际预测值的方法中，通过利用所述第二相对误差序列 的预测值计算出对应的残差序列预测值，之后将所述残差序列预测值与所述实际预测值相 加，获得最终预测值，进而从误差校正的方面来降低预测误差，提高预测精度。
[0297] 本发明实施例提供了一种短期风电功率的预测装置，请参见附图9,所述装置包 括：
[0298] 第一获取模块901，用于按照预设规则获取实际数据，所述实际数据包含风电场的 功率数据及对应的风速数据；
[0299] 第一修正模块902，用于修正所述实际数据，获得样本数据；
[0300] 第一预处理模块903，用于对所述样本数据进行第一预处理，并生成第一输入样本 数据与第一输出样本数据，所述第一输入样本数据包含风电场的功率数据及对应的风速数 据，所述第一输出样本数据包含风电场的功率数据；
[0301] 第一模型建立模块904,用于计算相关向量机的核函数，并将所述核函数、样本数 据、第一输入样本数据和第一输出样本数据作为基础数据，建立相关向量机预测模型；
[0302] 第二模型建立模块905,用于依据所述相关向量机预测模型，建立相关向量机训练 模型；
[0303] 第一优化模块906,用于优化所述相关向量机训练模型中的相关向量机的参数，获 得对应优化后的所述相关向量机的参数的相关向量机训练模型，作为最优相关向量机训练 模型；
[0304] 第二预处理模块907,用于对所述最优相关向量机训练模型进行第二预处理，获得 实际预测值；
[0305] 第一计算模块908,用于利用所述样本数据与实际预测值，计算得到第一相对误差 序列；
[0306] 第S模型建立模块909，用于建立GARCH误差预测模型；
[0307] 第S预处理模块910，用于利用所述第一相对误差序列对所述GARCH误差预测模型 进行第S预处理，获得最优GARCH误差预测模型；
[0308] 第一预测模块911，用于利用所述最优GARCH误差预测模型对所述第一相对误差序 列进行预测，获得第二相对误差序列的预测值；
[0309] 第二修正模块912,用于利用所述第二相对误差序列的预测值修正所述实际预测 值，获得最终预测值。
[0310] 本发明实施例公开的短期风电功率的预测装置中，通过第一获取模块901及第一 修正模块902获取并修正所述实际数据，获得样本数据，第一模型建立模块904利用所述样 本数据建立相关向量机预测模型，第二模型建立模块905依据所述相关向量机预测模型获 得相关向量机训练模型，第一优化模块906优化所述相关向量机训练模型中的相关向量机 的参数来获得最优相关向量机训练模型，进而从优化预测模型方面来降低预测误差，之后， 第二预处理模块907获得实际预测值，第一计算模块908则计算得到第一相对误差序列，利 用第S预处理模块910对第S模型建立模块909建立的GARCH误差预测模型进行预处理，获 得最优GARCH误差预测模型，再次实现从优化预测模型方面来降低预测误差，之后第二修正 模块912依据第一预测模块911获得的第二相对误差序列的预测值，对修正所述实际预测 值，获得最终预测值，进而从误差校正方面降低了预测误差，提高了预测精度。
[0311] 本发明实施例提供的各个模块的工作过程，请参照附图1所对应的流程图，具体工 作过程不再寶述。
[0312] 上述实施例中提供的所述第一获取模块901包括：
[0313] 第二获取模块，用于获取规定时间期限内的初始实际数据；
[0314] 分隔模块，用于将所述规定时间期限分隔为n个规定时间段，n为正整数；
[0315] 设定模块，用于设定任一所述规定时间段内获取所述初始实际数据的m个时间间 隔，m为正整数；
[0316] 第=获取模块，用于在经过任一所述时间间隔时，从所述初始实际数据中获取一 次数据值，作为所述实际数据中任一所述规定时间段内的一个获取点的数据值，所述获取 点与所述时间间隔一一对应。
[0317] 本发明实施例中，通过所述分隔模块将所述规定时间期限分隔为n个规定时间段， W及所述设定模块设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔，使 得所述第=获取模块依次从所述初始实际数据获取对应的数据值，最终得到所述实际数 据，能够细化到针对所述规定时间期限内的每一天中的每一个获取点上的数据值进行预 测，为后续对风电场的功率数据进行预测提供准确的基础数据。
[0318] 本发明实施例提供的各个模块的工作过程，请参照附图2所对应的流程图，具体工 作过程不再寶述。
[0319] 上述实施例中提供的所述第一修正模块902包括：
[0320] 确定模块，用于确定所述实际数据中任一所述规定时间段内的问题数据，W及所 述问题数据在任一所述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数 据；
[0321] 第=修正模块，用于依次将所述问题数据替换为修正数据，所述修正数据为位于 所述问题数据在任一所述规定时间段内的获取点位置的前一个获取点位置上的数据值；
[0322] 第四获取模块，用于获得修正后的数据，作为样本数据。
[0323] 本发明实施例中，通过所述第=修正模块将从所述确定模块中确定的问题数据替 换为该问题数据所在获取点的前一个获取点上的数据值，实现了对所述实际数据的修正， 进而为后续对风电场的功率数据进行预测提供准确的基础数据。
[0324] 本发明实施例提供的各个模块的工作过程，请参照附图3所对应的流程图，具体工 作过程不再寶述。
[0325] 上述实施例中提供的所述第一模型建立模块904包括：
[0326] 核函数计算模块，用于将所述样本数据和第一输入样本数据代入公式：
[0327]
[0328] 计算出相关向量机的核函数，其中Xi为所述样本数据的输入向量,?为所述第一输 入样本数据的输入向量，O为相关向量机的核函数宽度；
[0329] 第一模型建立子模块，用于建立所述相关向量机预测模型，所述相关向量机预测 模型包含所述相关向量机的核函数、所述样本数据、所述第一输入样本数据和第一输出样 本数据。
[0330] 本发明实施例中，通过所述核函数计算模块选择并计算出所述相关向量机的核函 数，所述第一模型建立子模块将所述核函数、样本数据、第一输入样本数据和第一输出样本 数据作为基础数据，建立了相关向量机预测模型，进而能够利用建立的相关向量机预测模 型来灵活地选择相关向量机的核函数，同时由于相关向量机预测模型采用极度稀疏贝叶斯 学习方法，降低了计算的复杂程度，减少了所需的数据量，最终缩短了计算的时间。
[0331] 本发明实施例提供的各个模块的工作过程，请参照附图4所对应的流程图，具体工 作过程不再寶述。
[0332] 上述实施例中提供的所述第二模型建立模块905包括：
[0333] 第一分类模块，用于将所述第一输入样本数据与第一输出样本数据分类，生成第 一训练样本数据与第一检验样本数据；
[0334] 第一训练模块，用于利用所述第一分类模块分类出的所述第一训练样本数据，对 所述相关向量机预测模型进行训练，建立相关向量机训练模型；
[0335] 第一检验模块，用于利用所述第一分类模块分类出的所述第一检验样本数据，对 所述相关向量机训练模型进行验证，确定所述相关向量机训练模型。
[0336] 本发明实施例中，通过所述第一分类模块将所述相关向量机预测模型包含的样本 数据进行分类，生成第一训练样本数据与第一检验样本数据，所述第一训练模块与所述第 一检验模块分别利用所述第一训练样本数据对所述相关向量机预测模型进行训练，W及利 用所述第一检验样本数据对所述相关向量机预测模型进行验证，最终获得相关向量机训练 模型，进而为后续获得最优相关向量机训练模型提供基础模型。
[0337] 本发明实施例提供的各个模块的工作过程，请参照附图5所对应的流程图，具体工 作过程不再寶述。
[0338] 上述实施例中提供的所述第一优化模块906包括：
[0339] 参数优化模块，用于优化所述相关向量机训练模型中的相关向量机的核函数宽度 O，获得最优相关向量机的核函数宽度O;
[0340] 第五获取模块，用于获得与所述最优相关向量机的核函数宽度切4应的相关向量 机训练模型，作为最优相关向量机训练模型。
[0341] 本发明实施例中，通过所述参数优化模块优化所述相关向量机训练模型中的相关 向量机的核函数宽度0,所述第五获取模块获得最优相关向量机的核函数宽度0,并将与所 述最优相关向量机的核函数宽度O对应的相关向量机训练模型，作为最优相关向量机训练 模型，进而实现了从预测误差产生的原因方面来降低预测误差，提高预测精度。
[0342] 本发明实施例提供的各个模块的工作过程，请参照附图6所对应的流程图，具体工 作过程不再寶述。
[0343] 请参照附图10,上述实施例中提供的所述参数优化模块包括：
[0344] 映射模块1001，用于将需要优化的所述相关向量机的核函数宽度O映射为个体矢 量；
[0345] 种群建立模块1002,用于利用映射成的个体矢量，建立初始化种群；
[0346] 第六获取模块1003，用于获取设定的最大迭代次数、自适应变异因子F初值和自适 应交叉概率CR初值；
[0347] 自适应变异模块1004,用于利用所述自适应变异因子F，对所述初始化种群和当前 个体矢量进行自适应变异操作，获得变异矢量；
[0348] 自适应交叉模块1005,用于利用自适应交叉概率CR,对所述变异矢量和当前个体 矢量进行自适应交叉选择，获得交叉矢量；
[0349] 适应度值获取模块1006,用于将所述交叉矢量与所述当前个体矢量分别代入适应 度函数，获得交叉矢量的适应度值和当前个体矢量的适应度值；
[0350] 第一比较模块1007,用于比较所述交叉矢量的适应度值与所述当前个体矢量的适 应度值的大小，并获得适应度值较小的矢量；
[0351] 判断模块1008,用于判断当前迭代的次数；
[0352] 自适应变异模块1004,用于在所述判断模块1008判断当前迭代的次数小于最大迭 代次数时，将所述第一比较模块1007获得的适应度值较小的矢量选择为当前个体矢量，利 用所述自适应变异因子F，对所述初始化种群和当前个体矢量进行自适应变异操作，获得变 异矢量；
[0353] 输出模块1009,用于在所述判断模块判断当前迭代的次数等于最大迭代次数时， 输出最小适应度值；
[0354] 第屯获取模块1010,用于获得与所述最小适应度值对应的相关向量机的核函数宽 度O，作为最优相关向量机的核函数宽度0。
[0355] 本发明实施例中，通过所述参数优化模块采用改进的差分进化算法（IDE)优化所 述相关向量机训练模型中的相关向量机的核函数宽度0,所述第屯获取模块1010获得最优 相关向量机的核函数宽度0,进而实现了从预测误差产生的原因方面来降低预测误差，提高 预测精度。
[0356] 本发明实施例提供的各个模块的工作过程，请参照附图6所对应的流程图，具体工 作过程不再寶述。
[0357] 上述实施例中提供的所述第=模型建立模块909包括：
[035引ARMA模型建立模块，用于建立初始ARMA模型；
[0359] GARCH模型建立模块，用于建立初始GARCH模型；
[0360] ARMA拟合模块，用于对所述初始ARMA模型进行拟合，确定所述ARMA模型的阶数；
[0361] GARCH拟合模块，用于对所述初始GARCH模型进行拟合，确定所述GARCH模型的阶 数；
[0362] 第S模型建立子模块，用于利用所述最终ARMA模型与最终GARC財莫型对所述第一 相对误差序列进行拟合，建立GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的 所述最终ARM模型的阶数，所述最终GARCH模型对应于确定的所述最终GARCH模型的阶数。
[0363] 本发明实施例中，通过利用所述ARMA模型建立模块与所述GARCH模型建立模块，分 别建立初始ARMA模型与初始GARCH模型，所述ARMA拟合模块与所述GARCH拟合模块，确定与 之对应的最终ARMA模型的阶数和最终GARCH模型的阶数，进而使得所述第S模型建立子模 块建立GARCH误差预测模型，W便能够较细致地刻画相对误差时间序列的方差随时间变化 的特性，并为获得最优GARCH误差预测模型提供基础模型。
[0364] 本发明实施例提供的各个模块的工作过程，请参照附图7所对应的流程图，具体工 作过程不再寶述。
[0365] 上述实施例中提供的所述第=预处理模块910包括：
[0366] 第二分类模块，用于将所述第一相对误差序列进行分类，生成第二训练样本数据 和第二检验样本数据；
[0367] 误差预测模型拟合模块，用于利用所述第二分类模块分类出的所述第二训练样本 数据，对所述GARCH误差预测模型进行拟合，获得优化的GARCH误差预测模型；
[0368] 第二验证模块，用于利用所述第二分类模块分类出的所述第二检验样本，对所述 优化的GARCH误差预测模型进行验证，获得验证值；
[0369] 第二比较模块，用于比较所述验证值与预定标准的大小；
[0370] 第八获取模块，用于在所述第二比较模块比较所述验证值小于等于所述预定标准 时，获得最优GARCH误差预测模型；
[0371] 所述第=模型建立模块，用于在所述第二比较模块比较所述验证值大于所述预定 标准时，建立GARCH误差预测模型；
[0372] 具体的，在所述第二比较模块比较所述验证值大于所述预定标准时，所述第=模 型建立模块中的ARMA拟合模块，重新对所述初始ARMA模型进行拟合，确定所述ARMA模型的 阶数，直到所述第二比较模块比较所述验证值小于等于所述预定标准。
[0373] 本发明实施例中，通过所述第二分类模块将所述第一相对误差序列进行分类，所 述误差预测模型拟合模块及所述第二验证模块利用生成的第二训练样本数据和第二检验 样本数据依次对所述GARCH误差预测模型进行拟合及验证，最终使所述第八获取模块获得 最优GARCH误差预测模型，进而利用广义自回归条件异方差(GARCH)为后续实现从误差校正 的方面来降低预测误差，提高预测精度提供最优模型。
[0374] 本发明实施例提供的各个模块的工作过程，请参照附图7所对应的流程图，具体工 作过程不再寶述。
[0375] 上述实施例中提供的所述第二修正模块912包括：
[0376] 第二计算横块，用于将所述第二相对误差序列的预测值代入公式：
[0377]
[0378] 计算得到对应的残差序列预测值巧心，其中，为第二相对误差序列的预测值， RP为风机的额定功率；
[0379] 第四修正模块，用于将所述残差序列预测值与所述实际预测值相加，获得最终预 测值。
[0380] 本发明实施例中，通过所述第二计算模块利用所述第二相对误差序列的预测值进 行计算，获得对应的残差序列预测值，之后所述第四修正模块将所述残差序列预测值与所 述实际预测值相加，获得最终预测值，进而从误差校正的方面来降低预测误差，提高预测精 度。
[0381] 本发明实施例提供的各个模块的工作过程，请参照附图8所对应的流程图，具体工 作过程不再寶述。
[0382] 本发明所公开的各个实施例之间相同相似的部分可W相互参见。
[0383] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对运些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可W在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的运些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种短期风电功率的预测方法，其特征在于，所述方法包括： 按照预设规则获取实际数据，所述实际数据包含风电场的功率数据及对应的风速数 据； 修正所述实际数据，获得样本数据； 对所述样本数据进行第一预处理，并生成第一输入样本数据与第一输出样本数据，所 述第一输入样本数据包含风电场的功率数据及对应的风速数据，所述第一输出样本数据包 含风电场的功率数据； 计算相关向量机的核函数，并将所述核函数、样本数据、第一输入样本数据和第一输出 样本数据作为基础数据，建立相关向量机预测模型； 依据所述相关向量机预测模型，建立相关向量机训练模型； 优化所述相关向量机训练模型中的相关向量机的参数，获得对应优化后的所述相关向 量机的参数的相关向量机训练模型，作为最优相关向量机训练模型； 对所述最优相关向量机训练模型进行第二预处理，获得实际预测值； 利用所述样本数据与实际预测值，计算得到第一相对误差序列； 建立GARCH误差预测模型； 利用所述第一相对误差序列对所述GARCH误差预测模型进行第三预处理，获得最优 GARCH误差预测模型； 利用所述最优GARCH误差预测模型对所述第一相对误差序列进行预测，获得第二相对 误差序列的预测值； 利用所述第二相对误差序列的预测值修正所述实际预测值，获得最终预测值。2. 根据权利要求1所述的方法，其特征在于，所述按照预设规则获取实际数据，包括： 获取规定时间期限内的初始实际数据； 将所述规定时间期限分隔为η个规定时间段； 设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔； 在经过任一所述时间间隔时，从所述初始实际数据中获取一次数据值，作为所述实际 数据中任一所述规定时间段内的一个获取点的数据值，所述获取点与所述时间间隔一一对 应； 其中，η与m均为正整数。3. 根据权利要求2所述的方法，其特征在于，所述修正所述实际数据，获得样本数据，包 括： 确定所述实际数据中任一所述规定时间段内的问题数据，以及所述问题数据在任一所 述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数据； 依次将所述问题数据替换为修正数据，所述修正数据为位于所述问题数据在任一所述 规定时间段内的获取点位置的前一个获取点位置上的数据值； 获得修正后的数据，作为样本数据。4. 根据权利要求1所述的方法，其特征在于，所述计算相关向量机的核函数，并将所述 核函数、样本数据、第一输入样本数据和第一输出样本数据作为基础数据，建立相关向量机 预测模型，包括： 将所述样本数据和第一输入数据样本代入核函数公式：计算出相关向量机的核函数，其中X1为所述样本数据的输入向量，xj为所述第一输入样 本数据的输入向量，σ为相关向量机的核函数宽度； 建立所述相关向量机预测模型，所述相关向量机预测模型包含所述相关向量机的核函 数、所述样本数据、所述第一输入样本数据和第一输出样本数据。5. 根据权利要求4所述的方法，其特征在于，所述依据所述相关向量机预测模型，建立 相关向量机训练模型，包括： 将所述第一输入样本数据与第一输出样本数据分类，生成第一训练样本数据与第一检 验样本数据； 利用所述第一训练样本数据，对所述相关向量机预测模型进行训练，建立相关向量机 训练t吴型； 利用所述第一检验样本数据，对所述相关向量机训练模型进行验证，确定所述相关向 量机训练模型。6. 根据权利要求1所述的方法，其特征在于，所述优化所述相关向量机训练模型中的相 关向量机的参数，获得最优相关向量机训练模型，包括： 优化所述相关向量机训练模型中的相关向量机的核函数宽度〇,获得最优相关向量机 的核函数宽度σ; 获得与所述最优相关向量机的核函数宽度σ对应的相关向量机训练模型，作为最优相 关向量机训练模型。7. 根据权利要求6所述的方法，其特征在于，所述优化所述相关向量机训练模型中的相 关向量机的核函数宽度〇,获得最优相关向量机的核函数宽度〇,包括： 将需要优化的所述相关向量机的核函数宽度σ映射为个体矢量； 利用映射成的个体矢量，建立初始化种群； 获取设定的最大迭代次数、自适应变异因子F初值和自适应交叉概率CR初值； 利用所述自适应变异因子F，对所述初始化种群和当前个体矢量进行自适应变异操作， 获得变异矢量； 利用自适应交叉概率CR，对所述变异矢量和当前个体矢量进行自适应交叉选择，获得 交叉矢量； 将所述交叉矢量与所述当前个体矢量分别代入适应度函数，获得交叉矢量的适应度值 和当前个体矢量的适应度值； 比较所述交叉矢量的适应度值与所述当前个体矢量的适应度值的大小，获得适应度值 较小的矢量； 选择适应度值较小的矢量作为下一次迭代的当前个体矢量，返回执行利用所述自适应 变异因子F，对所述初始化种群和当前个体矢量进行自适应变异操作，获得变异矢量，直到 到达最大迭代次数时，输出最小适应度值； 获得与所述最小适应度值对应的相关向量机的核函数宽度〇,作为最优相关向量机的 核函数宽度〇。8. 根据权利要求1所述的方法，其特征在于，所述建立GARCH误差预测模型，包括： 建立初始ARMA模型； 建立初始GARCH模型； 对所述初始ARMA模型进行拟合，确定最终ARMA模型的阶数； 对所述初始GARCH模型进行拟合，确定最终GARCH模型的阶数； 利用所述最终ARMA模型与最终GARCH模型对所述第一相对误差序列进行拟合，建立 GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的所述最终ARMA模型的阶数，所 述最终GARCH模型对应于确定的所述最终GARCH模型的阶数。9. 根据权利要求8所述的方法，其特征在于，所述利用所述第一相对误差序列对所述 GARCH误差预测模型进行第三预处理，获得最优GARCH误差预测模型，包括： 将所述第一相对误差序列进行分类，生成第二训练样本数据和第二检验样本数据； 利用所述第二训练样本数据，对所述GARCH误差预测模型进行拟合，获得优化的GARCH 误差预测模型； 利用所述第二检验样本数据，对所述优化的GARCH误差预测模型进行验证，获得验证 值； 比较所述验证值与预定标准的大小； 在所述验证值小于等于所述预定标准时，获得最优GARCH误差预测模型。10. 根据权利要求9所述的方法，其特征在于，在所述比较所述验证值与预定标准的大 小之后，还包括： 在所述验证值大于所述预定标准时，返回对所述初始ARMA模型进行拟合，确定最终 ARMA模型的阶数，直到所述验证值小于等于所述预定标准。11. 根据权利要求1所述的方法，其特征在于，所述利用所述第二相对误差序列的预测 值修正所述实际预测值，获得最终预测值，包括： 将所述第二相对误差序列的预测值代入公式：计算得到对应的残差序列预测值/?￡，其中，为第二相对误差序列的预测值，RP为 风机的额定功率； 将所述残差序列预测值与所述实际预测值相加，获得最终预测值。12. -种短期风电功率的预测装置，其特征在于，所述装置包括： 第一获取模块，用于按照预设规则获取实际数据，所述实际数据包含风电场的功率数 据及对应的风速数据； 第一修正模块，用于修正所述实际数据，获得样本数据； 第一预处理模块，用于对所述样本数据进行第一预处理，并生成第一输入样本数据与 第一输出样本数据，所述第一输入样本数据包含风电场的功率数据及对应的风速数据，所 述第一输出样本数据包含风电场的功率数据； 第一模型建立模块，用于计算相关向量机的核函数，并将所述核函数、样本数据、第一 输入样本数据和第一输出样本数据作为基础数据，建立相关向量机预测模型； 第二模型建立模块，用于依据所述相关向量机预测模型，建立相关向量机训练模型； 第一优化模块，用于优化所述相关向量机训练模型中的相关向量机的参数，获得对应 优化后的所述相关向量机的参数的相关向量机训练模型，作为最优相关向量机训练模型； 第二预处理模块，用于对所述最优相关向量机训练模型进行第二预处理，获得实际预 测值； 第一计算模块，用于利用所述样本数据与实际预测值，计算得到第一相对误差序列； 第三模型建立模块，用于建立GARCH误差预测模型； 第三预处理模块，用于利用所述第一相对误差序列对所述GARCH误差预测模型进行第 三预处理，获得最优GARCH误差预测模型； 第一预测模块，用于利用所述最优GARCH误差预测模型对所述第一相对误差序列进行 预测，获得第二相对误差序列的预测值； 第二修正模块，用于利用所述第二相对误差序列的预测值修正所述实际预测值，获得 最终预测值。13. 根据权利要求12所述的装置，其特征在于，所述第一获取模块包括： 第二获取模块，用于获取规定时间期限内的初始实际数据； 分隔模块，用于将所述规定时间期限分隔为η个规定时间段； 设定模块，用于设定任一所述规定时间段内获取所述初始实际数据的m个时间间隔； 第三获取模块，用于在经过任一所述时间间隔时，从所述初始实际数据中获取一次数 据值，作为所述实际数据中任一所述规定时间段内的一个获取点的数据值，所述获取点与 所述时间间隔 对应； 其中，η与m均为正整数。14. 根据权利要求13所述的装置，其特征在于，所述第一修正模块包括： 确定模块，用于确定所述实际数据中任一所述规定时间段内的问题数据，以及所述问 题数据在任一所述规定时间段内的获取点位置，所述问题数据为缺失数据或异常数据； 第三修正模块，用于依次将所述问题数据替换为修正数据，所述修正数据为位于所述 问题数据在任一所述规定时间段内的获取点位置的前一个获取点位置上的数据值； 第四获取模块，用于获得修正后的数据，作为样本数据。15. 根据权利要求12所述的装置，其特征在于，所述第一模型建立模块包括： 核函数计算模块，用于将所述样本数据和第一输入样本数据代入公式：计算出相关向量机的核函数，其中Xl为所述样本数据的输入向量，Xj为所述第一输入样 本数据的输入向量，σ为相关向量机的核函数宽度； 第一模型建立子模块，用于建立所述相关向量机预测模型，所述相关向量机预测模型 包含所述相关向量机的核函数、所述样本数据、所述第一输入样本数据和第一输出样本数 据。16. 根据权利要求15所述的装置，其特征在于，所述第二模型建立模块包括： 第一分类模块，用于将所述第一输入样本数据与第一输出样本数据分类，生成第一训 练样本数据与第一检验样本数据； 第一训练模块，用于利用所述第一分类模块分类出的所述第一训练样本数据，对所述 相关向量机预测模型进行训练，建立相关向量机训练模型； 第一检验模块，用于利用所述第一分类模块分类出的所述第一检验样本数据，对所述 相关向量机训练模型进行验证，确定所述相关向量机训练模型。17. 根据权利要求12所述的装置，其特征在于，所述第一优化模块包括： 参数优化模块，用于优化所述相关向量机训练模型中的相关向量机的核函数宽度〇,获 得最优相关向量机的核函数宽度σ; 第五获取模块，用于获得与所述最优相关向量机的核函数宽度σ对应的相关向量机训 练模型，作为最优相关向量机训练模型。18. 根据权利要求17所述的装置，其特征在于，所述参数优化模块包括： 映射模块，用于将需要优化的所述相关向量机的核函数宽度σ映射为个体矢量； 种群建立模块，用于利用映射成的个体矢量，建立初始化种群； 第六获取模块，用于获取设定的最大迭代次数、自适应变异因子F初值和自适应交叉概 率CR初值； 自适应变异模块，用于利用所述自适应变异因子F，对所述初始化种群和当前个体矢量 进行自适应变异操作，获得变异矢量； 自适应交叉模块，用于利用自适应交叉概率CR，对所述变异矢量和当前个体矢量进行 自适应交叉选择，获得交叉矢量； 适应度值获取模块，用于将所述交叉矢量与所述当前个体矢量分别代入适应度函数， 获得交叉矢量的适应度值和当前个体矢量的适应度值； 第一比较模块，用于比较所述交叉矢量的适应度值与所述当前个体矢量的适应度值的 大小，获得适应度值较小的矢量； 判断模块，用于判断当前迭代的次数； 自适应变异模块，用于在所述判断模块判断当前迭代的次数小于最大迭代次数时，将 所述第一比较模块获得的适应度值较小的矢量选择为当前个体矢量，利用所述自适应变异 因子F，对所述初始化种群和当前个体矢量进行自适应变异操作，获得变异矢量； 输出模块，用于在所述判断模块判断当前迭代的次数等于最大迭代次数时，输出最小 适应度值； 第七获取模块，用于获得与所述最小适应度值对应的相关向量机的核函数宽度〇,作为 最优相关向量机的核函数宽度〇。19. 根据权利要求12所述的装置，其特征在于，所述第三模型建立模块包括： ARMA模型建立模块，用于建立初始ARMA模型； GARCH模型建立模块，用于建立初始GARCH模型； ARMA拟合模块，用于对所述初始ARMA模型进行拟合，确定所述ARMA模型的阶数； GARCH拟合模块，用于对所述初始GARCH模型进行拟合，确定所述GARCH模型的阶数； 第三模型建立子模块，用于利用所述最终ARMA模型与最终GARCH模型对所述第一相对 误差序列进行拟合，建立GARCH误差预测模型，其中，所述最终ARMA模型对应于确定的所述 最终ARMA模型的阶数，所述最终GARCH模型对应于确定的所述最终GARCH模型的阶数。20. 根据权利要求19所述的装置，其特征在于，所述第三预处理模块包括： 第二分类模块，用于将所述第一相对误差序列进行分类，生成第二训练样本数据和第 二检验样本数据； 误差预测模型拟合模块，用于利用所述第二分类模块分类出的所述第二训练样本数 据，对所述GARCH误差预测模型进行拟合，获得优化的GARCH误差预测模型； 第二验证模块，用于利用所述第二分类模块分类出的所述第二检验样本，对所述优化 的GARCH误差预测模型进行验证，获得验证值； 第二比较模块，用于比较所述验证值与预定标准的大小； 第八获取模块，用于在所述验证值小于等于所述预定标准时，获得最优GARCH误差预测 模型。21. 根据权利要求20所述的装置，其特征在于，在所述第二比较模块比较所述验证值与 预定标准的大小之后，所述ARMA拟合模块还用于： 在所述验证值大于所述预定标准时，对所述初始ARMA模型进行拟合，确定所述ARMA模 型的阶数。22. 根据权利要求12所述的装置，其特征在于，所述第二修正模块包括： 第二计算模块，用于将所述第二相对误差序列的预测值代入公式：计算得到对应的残差序列预测值/?>，其中，为第二相对误差序列的预测值，RP为 风机的额定功率； 第四修正模块，用于将所述残差序列预测值与所述实际预测值相加，获得最终预测值。
【文档编号】G06Q10/04GK105956722SQ201610472144
【公开日】2016年9月21日
【申请日】2016年6月22日
【发明人】林翔, 武小梅, 谢旭泉, 谢海波
【申请人】广东工业大学