融合深度学习和自适应建模机制的风电功率预测方法、系统

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种融合深度学习和自适应建模机制的风电功率预测方法、系统，属于风电功率预测技术领域。背景技术：2.随着化石能源的枯竭和环境污染加剧，风能作为一种清洁可再生能源，受到国内外越来越多的重视。但风能所具有的随机性和波动性导致风能的开发利用面临巨大挑战。解决这个问题的关键在于能否实现准确且实时的风电功率预测。准确实时的风电功率预测不仅可以有效规避风电对所并电网的冲击，而且可以为电力的优化调度提供有效的指导信息。3.风电功率预测方法可以大致分为物理方法，传统统计学方法，人工智能方法和混合方法四个方法。基于人工智能的方法是目前应用最为广泛的方法，意在通过历史数据拟合输入输出之间的函数关系。深度学习模型可以拟合更为复杂的函数关系，捕捉风电功率的非线性特征，非常适合于风电功率预测。风电数据是一种时间系列数据，深度学习中长短期记忆网络(lstm)可以有效的捕捉这种时间相关性。并且考虑到风电功率受到季节性和周期性因素的影响，使用整年的数据训练lstm可以有效捕捉这种季节性和周期性因素。4.目前绝大多数预测模型都忽视了预测残差中的有用信息，这种针对预测误差的处理方法通常称为后处理(post-process)技术。常规后处理方法是将历史误差或者历史累积误差通过直接或加权的方式校正当前预测值，这种对误差简单的利用往往不能达到很好的效果，尤其是当预测时长变长时反而会导致预测性能的降低。而基于数据驱动的误差后处理方法试图直接拟合一次模型输入输出信息和预测残差之间的函数关系达到直接预测的目的。在获得误差的预测值后，用于校正一次模型的预测值，从而进一步减少预测误差。5.随着时间的推移，历史数据之间的函数关系会发生改变，这种现象被称为概念漂移。概念漂移发生时会导致预测精度的下降，尤其是当预测时长变长时这种影响会更加明显。因此为了保证模型具有稳定的预测性能，预测模型应该具有一定的自适应能力。单一的深度学习模型由于其模型较为复杂且训练数据庞大，不能够很好的捕捉到风电的局部信息，因此还需要结合局部建模技术提高风电的预测性能。技术实现要素：6.本发明提供了一种融合深度学习和自适应建模机制的风电功率预测方法、系统，以用于对风电功率进行预测。7.本发明的技术方案是：一种融合深度学习和自适应建模机制的风电功率预测方法，包括：8.s1、收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；将建模数据集划分为第一数据集dy1、第二数据集dy2；将第二数据集dy2划分为第一验证集dval1、第二验证集dval2和测试集dtest；9.s2、利用第一数据集dy1训练lstm网络并保存，获得lstm预测模型；10.s3、使用lstm预测模型对第一验证集dval1进行预测，构建lstmecor预测模型的训练集drep；11.s4、同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，构建随机森林训练集drf，训练并保存随机森林模型；12.s5、同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各不同模型下的功率预测值；构造随机森林查询样本repq；将随机森林查询样本输入随机森林模型，获得对应输出的后验概率值；利用后验概率值加权融合各功率预测值输出得到最终预测值。13.所述s1，包括：收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；并根据年度顺序，将建模数据集划分为第一数据集dy1、第二数据集dy2；在第二数据集dy2中每个月随机抽取k个样本，并平均分成两部分，分别是第一验证集dval1和第二验证集dval2，第二数据集剩余部分用做测试集dtest；所述建模数据集中每个样本的形式为：{xt,yt}＝{(rt-l,rt-l+1,…,rt),rt+ahead}，xt作为输入表示t时刻真实功率向量，yt作为输出表示t时刻的预测目标值即t+ahead时刻的功率真实值，rt表示t时刻功率真实值，l表示延迟变量，rt+ahead为t+ahead时刻的功率真实值，ahead表示提前步，t表示t时刻或者第t个样本。14.所述s3，包括：使用lstm预测模型对第一验证集dval1进行预测，获得第一验证集dval1中每个样本对应的功率预测值plstm1,j1，将功率预测值与对应的功率真实值rlstm1,j1作差，获得误差值elstm1,j1，第一验证集中所有样本对应的误差形成误差系列；构建lstmecor预测模型的训练集drep；其中，j1表示第j1个样本。15.所述drep中样本的形式为：{(replstm1,j1-l,replstm1,j1-l+1,…,replstm1,j1),elstm1,j1+ahead}，ahead表示提前步，replstm1,j1＝(rlstm1,j1,elstm1,j1,plstm1,j1),ahead表示提前步，l表示延迟变量。16.所述s4，包括：同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，分别获得第二验证集中每个样本在lstm预测模型下的功率预测值plstm2,j2、在lstmecor预测模型下的功率预测值pecor,j2、在jitlridge预测模型下的功率预测值pjitl,j2，进而获得第二验证集中所有样本对应的误差形成误差系列；构建随机森林训练集drf，训练并保存随机森林模型；其中，j2表示第j2个样本。17.所述drf中的样本形式为：{(replstm2,j2-l,replstm2,j2-l+1,…,replstm2,j2),lj2}replstm2,j2＝(rlstm2,j2,elstm2,j2,plstm2,j2)，其中，rlstm2,j2表示第二验证集中第j2个样本对应的功率真实值；ejitl,j2,eecor,j2,elstm2,j2分别表示第二验证集中第j2个样本在不同预测模型下对应的误差值。18.所述lstmecor预测模型的预测过程如下：19.①构造lstmecor预测模型的查询样本repj2；20.②计算查询样本repj2和lstmecor预测模型的训练集drep中的所有样本的欧式相似度，并选择最相似的p1个样本；归一化后训练gpr模型，并预测查询样本对应的误差值ej2；21.③将预测的误差值用于补偿在lstm模型下的功率预测值，以获得在lstmecor模型下的功率预测值pecor,j2：22.pecor,j2＝plstm,j2+ej223.式中：pecor,j2为在lstmecor预测模型下的功率预测值。24.所述jitlridge预测模型的预测过程如下：25.①输入第二验证集dval2中的样本的功率真实值，构造jitlridge预测模型的查询样本rj2；26.②计算查询样本rj2和第一验证集dval1的所有样本的欧式距离，并选择最相似的p2个样本；归一化后训练ridge模型，并预测查询点对应预测值，作为jitlridge预测模型的预测值pjitl,j2。27.所述s5，包括：28.①同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各自的功率预测值plstmtest,q,pecortest,q,pjitltest,q；构造随机森林查询样本repq；29.所述repq的形式为：(replstmtest,q-l,replstmtest,q-l+1,…,replstmtest,q)，replstmtest,q＝(rlstmtest,q,elstmtest,q,plstmtest,q)，其中，rlstmtest,q,elstmtest,q,plstmtest,q分别表示采用lstm预测模型对测试集dtest进行预测获得的功率真实值、误差值、功率预测值；30.②将随机森林查询样本repq输入随机森林模型，获得对应输出的后验概率值；31.③利用后验概率值加权融合各功率预测值输出得到最终预测值：32.prefinall,q＝p0,q×pjitltest,q+p1,q×pecortest,q+p2,q×plstmtest,q33.式中：pj,q(j＝0,1,2)分别表示使用jitlridge预测模型、lstmerror预测模型、lstm预测模型预测时能获得最小误差的后验概率值。34.根据本发明的另一方面，还提供了一种融合深度学习和自适应建模机制的风电功率预测系统，包括：35.划分模块，用于收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；将建模数据集划分为第一数据集dy1、第二数据集dy2；将第二数据集dy2划分为第一验证集dval1、第二验证集dval2和测试集dtest；36.第一获得模块，用于利用第一数据集dy1训练lstm网络并保存，获得lstm预测模型；37.构建模块，用于使用lstm预测模型对第一验证集dval1进行预测，构建lstmecor预测模型的训练集drep；38.第二获得模块，用于同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，构建随机森林训练集drf，训练并保存随机森林模型；39.第三获得模块，用于同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各不同模型下的功率预测值；构造随机森林查询样本repq；将随机森林查询样本输入随机森林模型，获得对应输出的后验概率值；利用后验概率值加权融合各功率预测值输出得到最终预测值。40.本发明的有益效果是：鉴于风力发电普遍受到季节性和周期性的影响，风电功率预测模型难免遭遇预测性能退化。针对此问题，综合深度学习强大的非线性特征处理能力和自适应学习的时变特征处理能力，实现对风电功率的实时在线建模与预测。一方面，基于年度风电功率数据离线构建长短期记忆(long short-term memory,lstm)网络预测模型，用于捕捉大规模风电功率数据中隐藏的复杂特征。另一方面，基于lstmecor预测模型的训练集在线实时构建lstmecor预测模型，从而对未来状态lstm预测误差进行估计，进而获得lstm预测输出校正值，作为lstmecor预测模型的功率预测值。此外，以近期历史数据为建模数据库构建jitlridge预测模型以获得jitlridge预测模型的风电功率预测值。获得三种途径的风电功率预测值后，构建随机森林三分类模型。在线预测阶段，通过三类预测方法获取风电功率预测值，并通过分类模型估计每类预测值表现最佳的后验概率，然后根据贝叶斯原理对三种预测值加权融合。41.综上，与现有技术相比，本发明融合深度学习和自适应建模机制用于超短期风电功率预测，与传统的非自适应预测方法相比，本发明具有更高的预测精度和稳定性。附图说明42.图1为本发明的风电功率预测流程图；43.图2为所提方法提前2小时的预测曲线图(截取测试集前500个样本)；44.图3为所提方法提前4小时的预测曲线图(截取测试集前500个样本)。具体实施方式45.下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。46.实施例1：如图1-3所示，一种融合深度学习和自适应建模机制的风电功率预测方法，包括：47.s1、收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；将建模数据集划分为第一数据集dy1、第二数据集dy2；将第二数据集dy2划分为第一验证集dval1、第二验证集dval2和测试集dtest；48.s2、利用第一数据集dy1训练离线lstm网络并保存，获得lstm预测模型；49.s3、使用lstm预测模型对第一验证集dval1进行预测，构建lstmecor预测模型的训练集drep；50.s4、同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，构建随机森林训练集drf，训练并保存随机森林模型；51.s5、同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各不同模型下的功率预测值；构造随机森林查询样本repq；将随机森林查询样本输入随机森林模型，获得对应输出的后验概率值；利用后验概率值加权融合各功率预测值输出得到最终预测值。52.可选地，所述s1，包括：收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；并根据年度顺序，将建模数据集划分为第一数据集dy1、第二数据集dy2；在第二数据集dy2中每个月随机抽取k个样本，并平均分成两部分，分别是第一验证集dval1和第二验证集dval2，第二数据集剩余部分用做测试集dtest；dy1至少包含一个年度以上的数据，使得模型的泛化性能更高；所述建模数据集中每个样本的形式为：{xt,yt}＝{(rt-l,rt-l+1,…,rt),rt+ahead}，xt作为输入表示t时刻真实功率向量，yt作为输出表示t时刻的预测目标值即t+ahead时刻的功率真实值，rt表示t时刻功率真实值，l表示延迟变量，rt+ahead为t+ahead时刻的功率真实值，ahead表示提前步，t表示t时刻或者第t个样本。53.可选地，所述s3，包括：使用lstm预测模型对第一验证集dval1进行预测，获得第一验证集dval1中每个样本对应的功率预测值plstm1,j1，将功率预测值与对应的功率真实值rlstm1,j1作差，获得误差值elstm1,j1，第一验证集中所有样本对应的误差形成误差系列；构建lstme cor预测模型的训练集drep；其中，j1表示第j1个样本。54.可选地，所述drep中样本的形式为：{(replstm1,j1-l,replstm1,j1-l+1,…,replstm1,j1),elstm1,j1+ahead}，ahead表示提前步，replstm1,j1＝(rlstm1,j1,elstm1,j1,plstm1,j1)。55.所述lstm网络包含输入门、遗忘门、输出门和单元状态更新组成：56.it＝σ(wi·[ht-1,xt]+bi)[0057]ft＝σ(wf·[ht-1,xt]+bf)[0058][0059][0060]ot＝σ(wo·[ht-1,xt]+bo)[0061]ht＝ot*tanh(ct)[0062]其中，it，ft，ct，ot，ht分别表示输入门，遗忘门，当前时刻神经元暂时状态，单前时刻神经元状态，输出门，以及隐层输出；wi、wf、wc、wo和bi、bf、bc、bo分别表示输入门、遗忘门、单元状态、输出门的权重和偏置；σ表示sigmoid函数；在lstm隐层输出后连接一个全连接层获得最终输出：[0063]flstm(ht)＝we·ht+be[0064]式中，flstm(ht)表示网络的最终输出，we，be分别表示全连接层的权重和偏置。ht是lst m层隐层输出。[0065]可选地，所述s4，包括：同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，分别获得第二验证集中每个样本在lstm预测模型下的功率预测值plstm2,j2、在lstmecor预测模型下的功率预测值pecor,j2、在jitlridge预测模型下的功率预测值pjitl,j2，按照s3中的方式，进而获得第二验证集中所有样本对应的误差形成误差系列；构建随机森林训练集drf，训练并保存随机森林模型；其中，j2表示第j2个样本。[0066]可选地，所述drf中的样本形式为：{(replstm2,j2-l,replstm2,j2-l+1,…,replstm2,j2),lj2}replstm2,j2＝(rlstm2,j2,elstm2,j2,plstm2,j2)，其中，rlstm2,j2表示第二验证集中第j2个样本对应的功率真实值；ejitl,j2,eecor,j2,elstm2,j2分别表示第二验证集中第j2个样本在不同预测模型下对应的误差值。[0067]可选地，所述lstmecor预测模型的预测过程如下：[0068]①构造lstmecor预测模型的查询样本repj2；[0069]所述repj2的形式为：{(replstm2,j2-l,replstm2,j2-l+1,…,replstm2,j2),elstm2,j2+ahead}，replstm2,j2＝(rlstm2,j2,elstm2,j2,plstm2,j2)；其中，rlstm2,j2,elstm2,j2,plstm2,j2分别表示采用lstm预测模型对第二验证集dval2进行预测获得的第j2个样本对应的功率真实值、误差值、功率预测值，ahead表示提前步；[0070]②计算查询样本repj2和lstmecor预测模型的训练集drep中的所有样本的欧式相似度，并选择最相似的p1个样本；归一化后训练gpr模型，并预测查询样本对应的误差值ej2；[0071]欧式距离相似度的定义如下：[0072][0073][0074]其中，dn表示查询样本与历史样本之间的欧氏距离，σn是的标准差，是局部化参数。[0075]③将预测的误差值用于补偿在lstm模型下的功率预测值，以获得在lstmecor模型下的功率预测值pecor,j2：[0076]pecor,j2＝plstm,j2+ej2[0077]式中：pecor,j2为在lstmecor预测模型下的功率预测值，plstm2,j2为在lstm预测模型下的功率预测值。[0078]如果是对测试集dtest进行预测，则将步骤中的第二验证集dval2替换为测试集dtest；获得测试集在lstmecor预测模型下的功率预测值pecortest,q；[0079]可选地，所述jitlridge预测模型的预测过程如下：[0080]①输入第二验证集dval2中的样本的功率真实值，构造jitlridge预测模型的查询样本rj2；即所述rj2的形式为：{(rj2-l,rj2-l+1,…,rj2),rj2+ahead}，rj2表示第二验证集dval2中的第j2个样本的功率真实值；[0081]②计算查询样本rj2和第一验证集dval1的所有样本的欧式距离，并选择最相似的p2个样本；归一化后训练ridge模型，并预测查询点对应预测值，作为jitlridge预测模型的预测值pjitl,j2。[0082]如果是对测试集dtest进行预测，则将步骤中的第二验证集dval2替换为测试集dtest；获得测试集在jitlridge预测模型的预测值pjitltest,q；[0083]所述gpr模型的输出为：[0084][0085]其中，c是一个n×n的协方差矩阵且ci,j＝c(xi,xj)，k*＝[c(x*,x1),…,c(x*,xn)]t，最终模型的预测值确定为表示预测方差。[0086]所述ridge模型表示为：[0087][0088]其中，ω表示回归权重，λ表示惩罚系数；xi和yi表示第i个样本特征和标签。[0089]可选地，所述s5，包括：[0090]①同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各自的功率预测值plstmtest,q,pecortest,q,pjitltest,q；构造随机森林查询样本repq；所述repq的形式为：(replstmtest,q-l,replstmtest,q-l+1,…,replstmtest,q)，replstmtest,q＝(rlstmtest,q,elstmtest,q,plstmtest,q)，其中，rlstmtest,q,elstmtest,q,plstmtest,q分别表示采用lstm预测模型对测试集dtest进行预测获得的功率真实值、误差值、功率预测值。[0091]②将随机森林查询样本repq输入随机森林模型，获得对应输出的后验概率值；[0092]③利用后验概率值加权融合各功率预测值输出得到最终预测值：[0093]prefinall,q＝p0,q×pjitltest,q+p1,q×pecortest,q+p2,q×plstmtest,q[0094]式中：pj,q(j＝0,1,2)分别表示使用jitlridge预测模型、lstmerror预测模型、lstm预测模型预测时能获得最小误差的后验概率值；例如：p0,j表示使用jitlridge作为第j个样本的最终预测值时，有p0,j概率能使得误差最小，且[0095]可选地，所述dtest还能采用实时采集的风电场在线功率数据构建。[0096]下面对本发明一种可选的实施方式进行详细说明。在本实施例中，以比利时某风电场2018和2019年两年数据为例。将历史实测功率作为输入，实际功率作为输出。[0097]步骤1：选取比利时某风电场2018和2019年两年数据。该数据每15分钟记录一次风电场的真实功率。在2小时预测中将时间延迟设为20(历史20*15＝300mins)，2018年全年共34704个样本；在4小时预测中将时间延迟设置为30(历史450mins)，2018年全年共34488个样本。同时将2019年1月-12月数据同样方式构造样本。并从每个月随机抽取，共计抽取3600个样本构成dval1和dval2，将2019年中剩余样本作为测试集。最终得到的样本集为：{(rt-l,rt-l+1,…,rt),rt+ahead}，其中rt表示t时刻真实功率值，l表示延迟变量，在2小时预测中l＝20，4小时预测中l＝30。rt+ahead为预测目标值，即t+ahead时刻的真实功率值；ahead表示提前步，在2小时预测中ahead＝8(8*15min＝2小时)，4小时预测中ahead＝16(16*15min＝4小时)。将数据集利用z-score归一化。[0098]表1所用案例数据集信息[0099]预测时长lahead2018dval1dval22小时20834704180018004小时30163448818001800[0100]步骤2：利用第一数据集dy1训练离线lstm网络并保存，获得lstm预测模型；使用lstm预测模型对第一验证集dval1进行预测，获得第一验证集dval1中每个样本对应的功率预测值plstm1,j1，将功率预测值与对应的功率真实值rlstm1,j1作差，获得误差值elstm1,j1，第一验证集中所有样本对应的误差形成误差系列；构建lstmecor预测模型的训练集drep；其中，j1表示第j1个样本；[0101]步骤3：所述lstmecor预测模型的预测过程如下：[0102]①构造lstmecor预测模型的查询样本repj2；[0103]②计算查询样本repj2和lstmecor预测模型的训练集drep中的所有样本的欧式相似度，并选择最相似的80个样本；归一化后训练gpr模型，并预测查询样本对应的误差值ej2；[0104]③将预测的误差值用于补偿在lstm模型下的功率预测值，以获得在lstmecor模型下的功率预测值pecor,j2：[0105]pecor,j2＝plstm,j2+ej2[0106]式中：pecor,j2为在lstmecor预测模型下的功率预测值，plstm2,j2为在lstm预测模型下的功率预测值。[0107]步骤4：所述jitlridge预测模型的预测过程如下：[0108]①构造jitlridge预测模型的查询样本rj2；[0109]②计算查询样本rj2和第一验证集dval1的所有样本的欧式距离，并选择最相似的200个样本。归一化后训练ridge模型，并预测查询点对应预测值，作为jitlridge预测模型的预测值pjitl,j2。[0110]步骤5：同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，分别获得第二验证集中每个样本在lstm预测模型下的功率预测值plstm2,j2、在lstmecor预测模型下的功率预测值pecor,j2、在jitlridge预测模型下的功率预测值pjitl,j2，进而获得第二验证集中所有样本对应的误差形成误差系列；构建随机森林训练集drf，训练并保存随机森林模型；其中，j2表示第j2个样本；[0111]步骤6：在线实施阶段，通过随机森林分类的后验概率将三个模型的预测结果进行集成，具体实施步骤如下：[0112]①同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各自的功率预测值pjitltest,q,pecortest,q,plstmtest,q；构造随机森林查询样本repq；[0113]②将随机森林查询样本repq输入随机森林模型，获得对应输出的后验概率值；[0114]③利用后验概率值加权融合各功率预测值输出得到最终预测值：[0115]prefinall,q＝p0,q×pjitltest,q+p1,q×pecortest,q+p2,q×plstmtest,q[0116]本发明比较了如下方法：(1)持续法(persistence)；(2)lstm；(3)jitlridge；(4)lstme cor；(5)本发明所提方法，比较结果如表2所示。以决定系数r2和均方根误差rmse为性能评价指标，其计算式：[0117][0118][0119]式中，ntest为测试样本数，yi和分别为预测值、实际值和实际值的均值。rmse越小，r2越大表示模型对基质浓度的预测性能越好。[0120]表2不同预测方法在不同月份中提前2小时和4小时的预测性能比较[0121][0122]表中，lstmerror表示自适应误差校正后的lstm预测值，proposed表示本发明所提方法。可以看出，本实施例所提方法相比于持续法persistence、校正前的lstm、校正后的lstm(lstmecor)和即时学习(jitlridge)都有较大的提升，证明了融合深度学习和自适应机制的有效性。并且在2小时的预测中可以发现，校正前的lstm比持续法性能略差，这是因为lstm用的是前一年的数据训练得到，而持续法利用最近获得的真实值作为预测值，也具有一定的更新机制。但是在通过即时学习误差校正后，其性能优于持续法，这样进一步证明了模型自适应机制的重要性。[0123]图2、图3描述的是所提方法在测试集上2小时和4小时预测曲线(选取前500个样本局部图)。可以看到预测值可以很好的跟随真实值。表2表示所提方法和对比方法r2和rmse对比结果，可以看到，所提方法无论是在2小时预测中还是4小时预测中都具有更高的r2和更低的rmse，通过实验验证了所提方法的有效性。[0124]实施例2：根据本发明的另一方面，还提供了一种融合深度学习和自适应建模机制的风电功率预测系统，包括：[0125]划分模块，用于收集风电场完整的年度历史真实功率系列数据，根据不同的预测时长构造建模数据集；将建模数据集划分为第一数据集dy1、第二数据集dy2；将第二数据集dy2划分为第一验证集dval1、第二验证集dval2和测试集dtest；[0126]第一获得模块，用于利用第一数据集dy1训练lstm网络并保存，获得lstm预测模型；[0127]构建模块，用于使用lstm预测模型对第一验证集dval1进行预测，构建lstmecor预测模型的训练集drep；[0128]第二获得模块，用于同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对第二验证集dval2进行预测，构建随机森林训练集drf，训练并保存随机森林模型；[0129]第三获得模块，用于同时采用lstm预测模型、lstmecor预测模型、jitlridge预测模型对测试集dtest进行预测，获得各不同模型下的功率预测值；构造随机森林查询样本repq；将随机森林查询样本输入随机森林模型，获得对应输出的后验概率值；利用后验概率值加权融合各功率预测值输出得到最终预测值。[0130]需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；和/或，上述各个单元以任意组合的方式位于不同的处理器中。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。[0131]上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!