基于核极限学习机模型的风电功率预测方法及装置与流程

1.本发明涉及风电技术领域，具体涉及一种基于核极限学习机模型的风电功率预测方法及装置。


背景技术：

2.近年来，随着全球石化能源的不断减少和人们对环境污染问题日益重视，电力生产由原来的煤炭资源逐渐向可再生清洁能源转变。其中，风能作为一种常见的可再生能源，具有巨大的开发利用价值。然而，风电的间接性会对电网的稳定性带来安全隐患，这已经成为限制风电发展的重要因素。风电功率预测可以为电网调度部门提供有效指导，进而提升风电的利用效率。因此，风电功率预测是智慧电网的重要组成部分。
3.现有风电研究大致可划分3种方法，即风电功率预测统计模型，物理预测模型和人工智能预测模型。其中，人工智能预测模型以其较为精准的预测性能得到了较多的关注和应用。然而，采用人工智能方法通常存在模型参数不准确而影响预测效果的问题，具体包括粒子群优化算法存在搜索后期搜索精度低，搜索粒子容易陷入局部最优解的问题，进而导致核极限学习机参数选择不当，影响模型预测精度。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种基于核极限学习机模型的风电功率预测方法及装置，能够至少部分地解决现有技术中存在的问题。
5.一方面，本发明提出一种基于核极限学习机模型的风电功率预测方法，包括：
6.初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
7.对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
8.若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
9.若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
10.其中，所述对随机选取的每一个粒子进行变异操作处理，包括：
11.根据如下公式对随机选取的每一个粒子进行变异操作处理：
[0012]vi
(t)＝x
r1
(t) f
×
(x
r2
(t)-x
r3
(t))
[0013]
其中，vi(t)为变异操作的第i个粒子、r1、r2和r3的取值区间为不大于种群数的随机整数、f为预设缩放参数、x
r1
(t)、x
r2
(t)和x
r3
(t)分别为与r1、r2和r3分别对应的粒子位置、t为迭代次数。
[0014]
其中，所述对所述粒子位置进行局部搜索处理，包括：
[0015]
根据如下公式对对所述粒子位置进行局部搜索处理：
[0016]
x'(t)＝x(t) aδ
[0017]
其中，x'(t)为局部搜索处理的粒子位置、x(t)为粒子位置、a为扰动参数、δ为与x(t)维数相同的随机向量、t为迭代次数。
[0018]
其中，所述基于核极限学习机模型的风电功率预测方法还包括：
[0019]
若确定个体最优位置的适应值大于最近一次的全局最优位置的适应值，则将所述最近一次的全局最优位置的适应值作为当前全局最优位置的适应值，并根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置；
[0020]
对当前全局最优位置进行高斯扰动局部搜索，得到更新全局最优位置；
[0021]
若确定满足预设算法终止条件，则根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型。
[0022]
其中，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：
[0023]
若确定当前粒子位置的适应值小于最近一次的个体最优位置，则将当前个体最优位置作为所述个体最优位置。
[0024]
其中，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：
[0025]
若确定当前粒子位置的适应值大于等于最近一次的个体最优位置，则将最近一次的个体最优位置作为所述个体最优位置。
[0026]
其中，使用如上述基于核极限学习机模型的风电功率预测方法的风电功率预测方法，包括：
[0027]
获取风速时序数据或风电功率时序数据；
[0028]
基于优化核极限学习机模型对所述风速时序数据或所述风电功率时序数据进行预测，得到风电功率预测结果。
[0029]
一方面，本发明提出一种基于核极限学习机模型的风电功率预测装置，包括：
[0030]
初始化单元，用于初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0031]
变异操作单元，用于对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0032]
搜索单元，用于若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0033]
预测单元，用于若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0034]
再一方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方
法：
[0035]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0036]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0037]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0038]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0039]
本发明实施例提供一种计算机可读存储介质，包括：
[0040]
所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
[0041]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0042]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0043]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0044]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0045]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
[0046]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0047]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0048]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0049]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0050]
本发明实施例提供的基于核极限学习机模型的风电功率预测方法及装置，初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子
位置；所述变异操作处理包括粒子位置差分处理；若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测，能够提高核极限学习机模型的风电功率预测精度。
附图说明
[0051]
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一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
[0052]
图1是本发明实施例提供的基于核极限学习机模型的风电功率预测方法的流程示意图。
[0053]
图2是本发明另一实施例提供的基于核极限学习机模型的风电功率预测方法的流程示意图。
[0054]
图3是本发明另一实施例提供的基于核极限学习机模型的风电功率预测方法的流程示意图。
[0055]
图4是本发明一实施例提供的基于核极限学习机模型的风电功率预测装置的结构示意图。
[0056]
图5为本发明实施例提供的计算机设备实体结构示意图。
具体实施方式
[0057]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
[0058]
图1是本发明一实施例提供的基于核极限学习机模型的风电功率预测方法的流程示意图，如图1所示，本发明实施例提供的基于核极限学习机模型的风电功率预测方法，包括：
[0059]
步骤s1：初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置。
[0060]
步骤s2：对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理。
[0061]
步骤s3：若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理。
[0062]
步骤s4：若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优
化核极限学习机模型进行风电功率预测。
[0063]
在上述步骤s1中，装置初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置。装置可以是执行该方法的计算机设备等，例如为服务器。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。如图2所示，初始化算法参数包括群体规模、交叉系数和最大迭代次数等。
[0064]
步骤1：初始化搜索种群等算法参数，对粒子的初始位置进行初始设置，并设置初始个体最优位置pi(0)与粒子的初始位置xi(0)相同。
[0065]
在上述步骤s2中，装置对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理。步骤2：随机选取n(n《n)个搜索粒子，并进行变异操作处理。
[0066]
所述对随机选取的每一个粒子进行变异操作处理，包括：
[0067]
根据如下公式对随机选取的每一个粒子进行变异操作处理：
[0068]vi
(t)＝x
r1
(t) f
×
(x
r2
(t)-x
r3
(t))
[0069]
其中，vi(t)为变异操作的第i个粒子、r1、r2和r3的取值区间为不大于种群数的随机整数、f为预设缩放参数，可选为0.5、x
r1
(t)、x
r2
(t)和x
r3
(t)分别为与r1、r2和r3分别对应的粒子位置、t为迭代次数，其最大值为上述最大迭代次数t。种群数即上述群体规模n。
[0070]
步骤3：对变异操作处理后的粒子进行交叉操作处理，包括：
[0071]
根据如下公式对变异操作处理后的粒子进行交叉操作处理：
[0072][0073]
其中，rnd为1到搜索维度数m之间均匀分布的整数，用以确保至少有一维分量继承于目标个体vi(t)、j表示第j个搜索维度数、cr为交叉系数、r为不大于种群数的随机整数。
[0074]
步骤4：更新粒子位置，即将变异交叉后位置更优的粒子代替原来搜索粒子，根据如下公式表示；
[0075][0076]
其中，f(ui(t 1))为ui(t 1)的适应值、f(xi(t))为xi(t)的适应值，f(ui(t 1))≤f(xi(t))表示f(ui(t 1))更优于f(xi(t))。
[0077]
在上述步骤s3中，装置若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理。步骤5：将个体最优位置pi(t)的适应值与最近一次的全局最优位置g(t-1)的适应值进行比较，如果个体最优位置pi(t)的适应值优于g(t-1)的适应值，即pi(t)≤g(t-1)，则g(t)＝pi(t)，并对所述粒子位置进行局部搜索处理。
[0078]
所述对所述粒子位置进行局部搜索处理，包括：
[0079]
根据如下公式对对所述粒子位置进行局部搜索处理：
[0080]
x'(t)＝x(t) aδ
[0081]
其中，x'(t)为局部搜索处理的粒子位置、x(t)为粒子位置、a为扰动参数，可选为小于1的小数、δ为与x(t)维数相同的随机向量、每个维度分量都服从n(0,1)、t为迭代次数。
[0082]
如果个体最优位置g(t-1)的适应值优于的pi(t)适应值，即pi(t)＞g(t-1)，则g(t)＝g(t-1)；并根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置；具体包括：
[0083]
若确定当前粒子位置的适应值小于最近一次的个体最优位置，则将当前个体最优位置作为所述个体最优位置；
[0084]
若确定当前粒子位置的适应值大于等于最近一次的个体最优位置，则将最近一次的个体最优位置作为所述个体最优位置；即根据如下公式表示：
[0085][0086]
在上述步骤s4中，装置若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0087]
步骤6：对当前全局最优位置进行高斯扰动局部搜索，得到更新全局最优位置，高斯扰动可以采用现有成熟高斯扰动技术实现。
[0088]
步骤7：判断算法是否满足预设算法终止条件，若满足，则搜索结束；否则令t＝t 1，并进行步骤8，预设算法终止条件可以包括局部搜索处理的粒子位置的适应值f(x'(t))小于预设阈值，预设阈值可以根据实际情况自主设置。
[0089]
预设算法终止条件还可以包括迭代次数t达到最大迭代次数t，不作具体限定。
[0090]
步骤8：根据如下公式计算个体最优位置：
[0091][0092]
步骤9：根据如下公式计算搜索粒子新的位置，并返回上述步骤2：
[0093][0094]
其中，
[0095][0096]
对利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，说明如下：
[0097]
选择风电功率建模数据，进行数据异常检测处理，并将数据样本按照下式进行标准化处理：
[0098][0099][0100]
其中，为输入数据的最大值、为输入数据的最小值、y
max
为输出数据的最大值、y
min
为输出数据的最小值。
[0101]
初始化优化量子粒子群算法的算法参数，将标准化后的风电功率建模数据分为训练样本集和测试样本集，并利用训练样本集数据和优化量子粒子群算法对核极限学习机，即kelm模型的核函数中的γ和正则化系数c进行择优选取。
[0102]
具体的，将训练样本平均分为5份，对于每一组参数γ和c，选择4份数据训练kelm模型，一份数据测试模型精度，重复5次上述操作，使每一份数据轮流测试模型精度，最终采用5次精度的平均数作为该组参数对应的模型精度。通过优化量子粒子群算法对kelm中参数γ和c两两组合的方式，得到优化kelm模型，通过训练数据选择最佳参数组合。
[0103]
如图3所示，使用如上述基于核极限学习机模型的风电功率预测方法的风电功率预测方法，包括：
[0104]
步骤r1：获取风速时序数据或风电功率时序数据；时序数据即是时间序列数据。
[0105]
步骤r2：基于优化核极限学习机模型对所述风速时序数据或所述风电功率时序数据进行预测，得到风电功率预测结果。将风速时序数据或风电功率时序数据输入优化核极限学习机模型，将优化核极限学习机模型的输出结果作为风电功率预测结果。
[0106]
本发明实施例的方法将差分进化思想融入到量子粒子群算法中，丰富搜索种群的多样性，并将高斯扰动方法用于搜索粒子的局部寻优中，并一步增强算法搜索精度，将该优化量子粒子群优化算法用于核极限学习机参数优化中，解决了核极限学习机参数寻优效果不理想问题，进而增加模型预测精度。
[0107]
本发明实施例利用优化量子粒子群算法优化kelm模型参数，相比于标准量子粒子群算法，改进后的算法具有更高、更稳定的搜索精度，可为风电功率预测提供准确的模型。
[0108]
本发明实施例提供的基于核极限学习机模型的风电功率预测方法，初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测，能够提高核极限学习机模型的风电功率预测精度。
[0109]
进一步地，所述对随机选取的每一个粒子进行变异操作处理，包括：
[0110]
根据如下公式对随机选取的每一个粒子进行变异操作处理：
[0111]vi
(t)＝x
r1
(t) f
×
(x
r2
(t)-x
r3
(t))
[0112]
其中，vi(t)为变异操作的第i个粒子、r1、r2和r3的取值区间为不大于种群数的随机整数、f为预设缩放参数、x
r1
(t)、x
r2
(t)和x
r3
(t)分别为与r1、r2和r3分别对应的粒子位置、t为迭代次数。可参照上述说明，不再赘述。
[0113]
进一步地，所述对所述粒子位置进行局部搜索处理，包括：
[0114]
根据如下公式对对所述粒子位置进行局部搜索处理：
[0115]
x'(t)＝x(t) aδ
[0116]
其中，x'(t)为局部搜索处理的粒子位置、x(t)为粒子位置、a为扰动参数、δ为与x(t)维数相同的随机向量、t为迭代次数。可参照上述说明，不再赘述。
[0117]
进一步地，所述基于核极限学习机模型的风电功率预测方法还包括：
[0118]
若确定个体最优位置的适应值大于最近一次的全局最优位置的适应值，则将所述最近一次的全局最优位置的适应值作为当前全局最优位置的适应值，并根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置；可参照上述说明，不再赘述。
[0119]
对当前全局最优位置进行高斯扰动局部搜索，得到更新全局最优位置；可参照上述说明，不再赘述。
[0120]
若确定满足预设算法终止条件，则根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型。可参照上述说明，不再赘述。
[0121]
进一步地，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：
[0122]
若确定当前粒子位置的适应值小于最近一次的个体最优位置，则将当前个体最优位置作为所述个体最优位置。可参照上述说明，不再赘述。
[0123]
进一步地，所述根据当前粒子位置的适应值和最近一次的个体最优位置的适应值的比较结果，计算当前个体最优位置，包括：
[0124]
若确定当前粒子位置的适应值大于等于最近一次的个体最优位置，则将最近一次的个体最优位置作为所述个体最优位置。可参照上述说明，不再赘述。
[0125]
进一步地，使用如上述基于核极限学习机模型的风电功率预测方法的风电功率预测方法，包括：
[0126]
获取风速时序数据或风电功率时序数据；可参照上述说明，不再赘述。
[0127]
基于优化核极限学习机模型对所述风速时序数据或所述风电功率时序数据进行预测，得到风电功率预测结果。可参照上述说明，不再赘述。
[0128]
图4是本发明一实施例提供的基于核极限学习机模型的风电功率预测装置的结构示意图，如图4所示，本发明实施例提供的基于核极限学习机模型的风电功率预测装置，包括初始化单元401、变异操作单元402、搜索单元403和预测单元404，其中：
[0129]
初始化单元401用于初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；变异操作单元402用于对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；搜索单元403用于若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；预测单元404用于若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0130]
具体的，装置中的初始化单元401用于初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；变异操作单元402用于对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；搜索单元403用于若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优
位置的适应值，并对所述粒子位置进行局部搜索处理；预测单元404用于若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0131]
本发明实施例提供的基于核极限学习机模型的风电功率预测装置，初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测，能够提高核极限学习机模型的风电功率预测精度。
[0132]
本发明实施例提供基于核极限学习机模型的风电功率预测装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0133]
图5为本发明实施例提供的计算机设备实体结构示意图，如图5所示，所述计算机设备包括：存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，所述处理器502执行所述计算机程序时实现如下方法：
[0134]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0135]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0136]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0137]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0138]
本实施例公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
[0139]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0140]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0141]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0142]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功
率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0143]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
[0144]
初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；
[0145]
对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；
[0146]
若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；
[0147]
若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。
[0148]
本发明实施例与现有技术中的技术方案相比，初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测，能够提高核极限学习机模型的风电功率预测精度。
[0149]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0150]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0154]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。