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！

摘要：本发明公开了一种基于数据增强和元学习的新风机短期功率预测方法，该风电功率预测方法主要通过数据增强、元学习过程、在线功率预测三个步骤，针对历史数据匮乏问题，进行数据增强过程，利用较适合时间序列数据生成的TimeGAN模型对其中的生成器进行多次变异‑评估‑选择过程，评估时提出了一种兼顾样本相似性和样本多样性的综合适应度得分函数。在模型预测阶段，利用了元学习方法综合了多种简单和复杂的预测模型，充分发挥不同预测模型的优势，同时为功率预测模型引入了在线更新模块，更贴近风电功率预测的实际需求。

主权项：1.一种基于数据增强和元学习的新风机短期功率预测方法，其特征在于：包括以下步骤：步骤1：数据增强：将适合时间序列数据生成的TimeGAN生成对抗网络中的生成器视为个体，将其判别器视为环境，同时本专利还设立三种不同的突变算子，其相当于不同的目标函数从各个角度对生成器进行执行变异操作；在评估阶段，设计了一个从样本多样性和相似性两个角度来评估生成器性能的综合适应度得分函数；在每次生成器执行变异操作后，适应度得分函数都会对每个生成器后代进行评估，随后将得分低的生成器个体淘汰，得分最高的个体则进入下一轮进化过程；由此通过不断更新生成器-判别器的博弈过程，最终选择出在生成样本多样性和相似性的性能最佳的生成器，进而扩充新建风机有限的历史数据集，给后续预测模型提供数据保证；步骤2：元学习过程：在元学习的离线阶段，本专利首先将数据集分为训练期和测试期；训练期则拟合所有的候选的预测模型，测试期则评估每段时间序列在每个候选的预测模型上的预测误差，然后并获取该段时间序列特征以及对应预测精度最高的候选模型的序号作为其标签，最后组成元学习数据集，一并送入分类模型进行元学习的训练；由此能够该分类模型能够学到风电数据特征与候选预测模型的关系，便于后续在线预测阶段的推理；步骤3：在线功率预测：在元学习的在线预测阶段，根据步骤2的结果，获得相应时间序列最佳的分类模型；当新的风电数据到来时，先计算该时间序列相关的时序特征，再经分类模型获得当前时序数据的最佳预测模型完成最后的预测；此外，在预测模型的在线更新阶段中，将预测结果和修正过后的真实结果相结合作为新的参考集投入下一轮元学习过程，不断优化分类模型参数，使其能掌握近段时间风电数据特征与当前候选模型之间的关系，进而调整当前风况条件下最佳的预测模型参数，在保证预测精度的条件下尽可能实现快速预测的功能。

全文数据：

权利要求：

百度查询： 湖南第一师范学院 湖南湘江鲲鹏信息科技有限责任公司 一种基于数据增强和元学习的新风机短期功率预测方法