买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜河北工业大学申请的专利一种基于IJS-SVR模型的短期风电功率预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114707421B 。

龙图腾网通过国家知识产权局官网在2025-03-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210455250.9，技术领域涉及：G06F30/27；该发明授权一种基于IJS-SVR模型的短期风电功率预测方法是由李玲玲;武定山;李恒屹;任琦瑛;曲立楠;李家荣设计研发完成，并于2022-04-28向国家知识产权局提交的专利申请。

本一种基于IJS-SVR模型的短期风电功率预测方法在说明书摘要公布了：本发明提出一种基于IJS‑SVR模型的短期风电功率预测方法。步骤如下：获取风力发电相关数据集S，将其分为训练数据和测试数据，确定预测模型的输入和输出，并对数据进行归一化处理；设置改进人工水母IJS算法和支持向量回归SVR模型的参数；运行改进人工水母IJS算法，获得支持向量回归SVR模型中的最优惩罚因子C和核函数最优参数g；将优化得到的最优参数组合带入到支持向量回归SVR模型中，并训练改进人工水母算法优化的支持向量回归IJS‑SVR模型；将测试数据输入到IJS‑SVR模型中得到预测结果，并对预测结果进行反归一化。结果表明，在MAE、MAPE、RMSE、R2性能指标下，本发明提出的IJS‑SVR模型的预测性能更好，有效弥补了现有短期风力发电输出功率预测方法预测精度低的不足。

本发明授权一种基于IJS-SVR模型的短期风电功率预测方法在权利要求书中公布了：1.一种基于IJS-SVR模型的短期风电功率预测方法，其特征在于，该方法通过构建基于改进人工水母算法优化的支持向量回归模型IJS-SVR对风力发电输出功率进行预测，具体步骤是：步骤1，获取风力发电相关数据集S，将风力发电相关数据分类成训练数据和测试数据，确定预测模型的输入和输出，并对数据进行归一化处理；步骤2，设置改进人工水母IJS算法和支持向量回归SVR模型的参数；步骤3，运行改进人工水母IJS算法，获得支持向量回归SVR模型中的最优惩罚因子C和核函数最优参数g；步骤4，将优化得到的最优惩罚因子C和核函数最优参数g带入到支持向量回归SVR模型中并训练改进人工水母算法优化的支持向量回归IJS-SVR模型；步骤5，将测试数据输入到IJS-SVR模型中得到预测结果，并对预测结果进行反归一化；步骤6，显示输出风电功率预测结果；进一步，所述步骤1的具体实现方法包括以下步骤：步骤1.1，获取风力发电相关数据集S，具体包括风速、风向和风力发电输出功率数据；步骤1.2，对获取的数据集S按比例分别划分为训练数据和测试数据，将风速和风向作为模型的输入部分；风力发电输出功率作为模型的输出部分：步骤1.3，根据式1对上述数据进行归一化处理： 式中，A为待归一化的变量的值，如风速、风向和风力发电输出功率，Amin为变量的最小值，Amax为变量的最大值，AN为该变量归一化后的数值；进一步，所述步骤2设置的参数包括：改进人工水母算法中的种群数量N、种群维度D和最大迭代次数T，以及支持向量回归模型中惩罚因子C的搜索范围、核函数参数g的搜素范围；进一步，所述步骤3的具体实现方法包括以下步骤：步骤3.1，使用改进的初始化策略对水母种群的位置进行初始化；步骤3.2，计算水母种群中所有个体的适应度值，并记录适应度值最优的水母个体位置；步骤3.3，开始迭代寻优，通过时间控制机制选择水母运动方式，使用所选运动方式对应的位置更新公式更新种群位置；步骤3.4，计算每一代中个体的适应度值，记录并更新全局最优水母个体；步骤3.5，对水母种群进行变异操作，更新种群中水母的位置，并计算适应度函数值，记录并更新全局最优水母个体位置；步骤3.6，判断当前迭代次数是否满足最大迭代次数，若满足，则迭代结束，输出此时的全局最优水母个体位置Xx1，x2，其中x1、x2分别对应支持向量回归SVR模型的最优惩罚因子C和核函数最优参数g；若不满足，则返回并继续执行步骤3.3；进一步，所述步骤3中适应度值的计算方式为：选取均方误差即MSE作为适应度函数，采用训练数据优化支持向量回归SVR模型的内部参数； 式中，Fobj表示适应度函数，MSE表示均方误差函数，其值作为适应度函数值，m表示需要预测的输出功率数据的个数，yi和分别表示风力发电输出功率的真实值和预测值；所述步骤3.1的具体实现方法为：在进行种群位置初始化时，若出现种群分布不够均匀，甚至集中在很小范围内的情况，则会导致算法无法在规定的搜索空间内全面搜索；为此，使用混沌Tent映射初始化方法生成初始种群；混沌Tent映射方法通过使用混沌机制，使得初始化的水母在解空间内均匀分布；其函数形式描述如下： 式中，xt表示所生成混沌序列中水母，其中t∈[1，2，...，n]，n表示所需初始化的水母种群的个数，α为调节参数，其取值决定着所生成的混沌序列的分布特性；由于初始化种群以均匀分布为宜，因此选择对应均匀分布的调节参数值α＝0.5；此时可得公式4； 采用混沌Tent映射方法生成的混合水母种群能够在丰富种群多样性的同时，使种群在解空间中的分布更加均匀，能够有效避免由于种群初始化位置分布的不均匀而导致的算法陷入局部最优解的情况；所述步骤3.3的具体实现方法为：所述水母运动方式包括跟随洋流运动，群内运动两种方式，其中，水母的群内运动分为被动运动和主动运动两种，表示为A类运动和B类运动；水母运动方式的切换由时间控制机制决定；a跟随洋流运动将洋流的运动方向定义为其数学模型如公式5所示： 式中，npop表示水母种群的数量，i为种群中每个水母的序号，表示第i个水母所处位置到当前最优位置的矢量，X*表示当前最优位置，Xi表示第i个水母的位置，ec表示决定食物对水母吸引力的因子，μ表示当前水母种群中所有水母的平均位置；定义一个DF如公式6，用于表示当前位于最优位置的水母与所有水母平均位置的差异，则可由公式7表示：DF＝ecμ6 假设水母在所有维度上的都符合正态空间分布，其中，σ为正态分布的标准偏差，β表示分布系数，在算法中设置为3，平均位置μ周围±βσ的范围内包含所有水母位置的可能性；DF位于βσ的范围内，可由公式8表示：DF＝βσranda0，18式中，randa0，1表示0至1之间的随机数；设σ＝randb0，1×μ，将其代入到公式8中，可得公式9：DF＝β×randa0，1×randb0，1×μ＝β×rand0，1×μ9式中，randb0，1和rand0，1均表示0至1之间的随机数；将公式9和公式6对比可得ec可表示为：ec＝β×rand0，110将公式9代入到公式7中，由此可得洋流的运动方向如公式11所示： 因此，可得水母跟随洋流运动的位置更新公式，如公式12所示： b群内运动水母进行A类运动多出现于水母种群形成初期，随着时间的推移，水母的运动类型发生转变，更多进行B类运动；A类运动表现为水母在当前位置的附近移动，其位置更新公式如公式13所示：Xit+1＝Xit+γ×rand0，1×Ub-Lb13式中，Ub、Lb分别表示搜索空间的上界和下界，γ表示水母的运动系数且γ0；为提高算法的局部搜索能力，在公式13中加入正弦自适应因子S，其表达式如公式14所示： 可得改进后的位置更新公式如公式15所示：Xit+1＝Xit+S×γ×rand0，1×Ub-Lb15式中，Ub、Lb分别表示搜索空间的上界和下界，γ表示水母的运动系数且γ0，在算法中γ通常取0.1；B类运动表现为水母朝向或者远离其它水母个体进行移动，其位置更新公式如公式16所示： 式中，Xit表示水母i在B类运动前的的位置，表示水母i的带有运动方向的步长，其表达式如公式17所示： 式中，rand0，1为0至1之间的随机数，表示水母i的运动方向，具体可根据公式18判定水母i运动方向； 式中，Xit表示水母i的当前位置，Xjt表示水母j的当前位置；函数f是关于X的目标函数，fXit表示水母i所在当前位置的食物含量，fXjt表示水母j所在当前位置的食物含量；c时间控制机制时间控制机制以时间控制函数ct表示，其表达式如公式19所示： 式中，t和T分别表示当前迭代次数和最大迭代次数，由此得出的ct是与迭代次数有关的0到1之间的随机数；进一步，所述步骤3.3的具体实现方法为：按照公式19计算时间控制函数值ct，判断时间控制函数值ct是否小于0.5，若不满足，则水母跟随洋流运动，按照公式12更新其位置；若满足，则水母进行群内运动，再使用函数1-ct作为参考标准，并将函数值与通过rand0，1随机获得的0至1之间的数进行比较；若rand0，1大于1-ct的值，则水母进行群内运动的A类运动，按照改进后的位置更新公式15更新其位置；若rand0，1小于1-ct的值，则水母进行群内运动的B类运动，按照公式16更新其位置；所述步骤3.5的具体实现方法为：步骤3.5.1，在水母按照位置更新公式完成移动，并计算完适应度值后，从当前种群中选一个水母个体Xk，再随机选出的三个水母个体，并将适应度值由优到劣排序，得到Xa、Xb和Xc，三者的适应度值分别为fa、fb、fc，再利用三者的位置通过公式20计算出一个新的水母位置，用于更新Xk的当前位置，由此实现水母Xk的变异操作；Xk＝Xa+δXb-Xc20式中，δ为变异算子，其表达式如公式21所示： 式中，δl和δu分别为变异率的上下界，分别取0.1和0.9；步骤3.5.2，随着步骤3.5.1中变异的不断进行，最终形成变异种群；将变异种群与变异前的种群进行交叉互换，通过随机生成一个0至1之间的随机数R，再与随机交叉参数CR作对比，CR的计算方式如公式22所示： 在每一次的计算中，若随机出的R的值大于CR，则使用变异前该水母个体替换于变异种群对应的水母个体；若随机出的R的值小于CR，则保持变异种群的该水母个体位置不变；由此，完成变异种群与变异前种群的交叉操作；步骤3.5.3，逐一计算完成变异和交叉操作后的种群中每个水母的适应度值，再与变异前的种群中相应个体的适应度值作比较，保留经变异交叉后种群中适应度值较高的水母个体，并替换变异前种群对应的水母，完成整个种群水母位置的更新，计算适应度函数值，记录并更新全局最优个体；进一步，所述步骤4的具体实现方法为：将步骤3得到的最优惩罚因子C和核函数最优参数g输入至支持向量回归SVR模型中，组成改进人工水母算法优化的支持向量回归IJS-SVR模型，利用优化后的最优惩罚因子C和核函数最优参数g训练支持向量回归模型；进一步，所述步骤5进行反归一化处理如公式23所示： 式中，为反归一化后的风力发电输出功率预测值，y′scale，i为归一化的风力发电输出功率预测值，ymax、ymin为步骤1.3中风力发电输出功率变量的最大值和最小值；进一步，所述步骤6的具体实现方法为：在计算机的显示屏上输出步骤5中得到的IJS-SVR模型对风力发电输出功率的预测曲线图和相对误差曲线图；其中相对误差RE的计算方法如公式24所示： 式中，和yi分别为风力发电输出功率的预测值和实际值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北工业大学，其通讯地址为：300401 天津市北辰区西平道5340号河北工业大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。