基于模型性能与计算代价的数值预测模型特征甄选方法技术

本发明专利技术公开了基于模型性能与计算代价的数值预测模型特征甄选方法，属于特征筛选技术领域，该方法包括：提出了基于模型性能与计算代价的数值预测模型特征甄选方法，通过采用模型可解释性算法对堆叠模型的各特征重要程度作了有效的解释，进一步，通过建立特征甄选模型，为堆叠模型的优选问题提供了可靠的依据，在模型性能和计算代价两个维度上，实现了数值预测模型建立过程中的特征优化选择，解决了数值预测模型在建立过程中在特征选择上存在的试错性、盲目性和弱可解释性等问题。

【技术实现步骤摘要】

本专利技术涉及特征工程，特别涉及基于模型性能与计算代价的数值预测模型特征甄选方法。

技术介绍

1、目前，短期风电功率预测算法主要分为物理方法和统计方法两大类。物理方法一般通过风电场位置、地形、地貌和风电机组信息等静态信息为依据，模拟风电场风能资源分布及转化过程执行预测。统计方法通过对风电场历史运行信息进行数据挖掘与数理统计完成建模并执行预测，其典型模型主要包括有以循环神经网络(recurrent neural network,rnn)、卷积神经网络(convolutional neural network,cnn)、dbn(deep belief networks,dbn)为主深度学习(deep learning,dl)模型；以支持向量机(support vector machine,svm)、k近邻算法(k-nearest neighbor,knn)、随机森林算法(random forest,rf)为主的机器学习(machine learning,ml)模型和以arima模型(auto-regressive integratedmoving averag本文档来自技高网...

【技术保护点】

1.基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，包括：

2.根据权利要求1所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，所述最终特征甄选模型的表达式为：

3.根据权利要求2所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，对所述特征甄选模型中各指标进行设定，包括对代价指标C(·)和性能指标P(·)进行设定。

4.根据权利要求3所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，代价指标C(·)的表达式为：

5.根据权利要求3所述的基于模型性能与计算代价的数值预测模型特...

【技术特征摘要】

1.基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，包括：

2.根据权利要求1所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，所述最终特征甄选模型的表达式为：

3.根据权利要求2所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，对所述特征甄选模型中各指标进行设定，包括对代价指标c(·)和性能指标p(·)进行设定。

4.根据权利要求3所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，代价指标c(·)的表达式为：

5.根据权利要求3所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，性能指标p(·)的表达式为：

6.根据权利要求1所述的基于模型性能与计算代价的数值预测模型特征甄选方法，其特征在于，通过模型可解释性算法，计算各基础特征的影响权重，计算在不同基础...

【专利技术属性】
技术研发人员：戚焕兴，卓毅鑫，唐家淳，唐健，秦意茗，许小红，覃芳璐，胡甲秋，桂美萍，谭鑫，黄馗，杨贻婷，黄镕湘，詹厚剑，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：