风功率预测模型的超参数优化方法和优化装置制造方法及图纸

本申请提供了一种风功率预测模型的超参数优化方法和优化装置。该方法包括：获取超参数值训练测试样本；基于超参数值训练测试样本，构建预测Kriging模型，预测Kriging模型为表示超参数值组合与第一预测均方根误差之间的映射关系的Kriging模型，第一预测均方根误差为风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差；在超参数的取值位于对应的预定取值范围的约束条件下，以第一预测均方根误差最小为目标，对预测Kriging模型进行求解，得到最优超参数值组合。该方法解决了现有技术中在超参数的取值范围的约束条件下采用优化算法直接求解出最优超参数值耗费时间长的问题。

【技术实现步骤摘要】

本专利技术涉及风电，具体而言，涉及一种风功率预测模型的超参数优化方法、风功率预测模型的超参数优化装置、计算机可读存储介质和计算机程序产品。

技术介绍

1、现有技术中，一般采用lstm神经网络(long-short term memory，长短期记忆网络)训练得到的风功率预测模型进行风电功率预测，风功率预测模型预测精度受到超参数的影响，因此，在训练风功率预测模型之前，会对风功率预测模型的超参数进行优化，现有技术中的风功率预测模型的超参数优化方法一般为，在超参数的取值范围的约束条件下，采用粒子群优化方法、鲸鱼算法、灰狼优化算法，直接求解出最小预测误差对应的超参数的取值，但是，其优化求解过程往往比较复杂，耗费时间长。

技术实现思路

1、本申请的主要目的在于提供一种风功率预测模型的超参数优化方法、风功率预测模型的超参数优化装置、计算机可读存储介质和计算机程序产品，以至少解决现有技术中的问题。

2、为了实现上述目的，根据本申请的一个方面，提供了一种风功率预测模型的超参数优化方法，所述方法包括：获取超参数值训本文档来自技高网...

【技术保护点】

1.一种风功率预测模型的超参数优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述超参数值训练测试样本包括超参数值训练样本和超参数值测试样本，所述超参数值训练样本和所述超参数值测试样本均由多个所述超参数值组合组成，基于所述超参数值训练测试样本，构建预测Kriging模型，包括：

3.根据权利要求2所述的方法，其特征在于，在第一重复步骤，依次增大i的值，并重复所述构建步骤、所述更新步骤、所述输入步骤、所述第二确定步骤和所述

4.根据权利要求2所述的方法，其特征在于，在所述超参数值训练样本中的所述超参数值组合的约束条件的情况...

【技术特征摘要】

1.一种风功率预测模型的超参数优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述超参数值训练测试样本包括超参数值训练样本和超参数值测试样本，所述超参数值训练样本和所述超参数值测试样本均由多个所述超参数值组合组成，基于所述超参数值训练测试样本，构建预测kriging模型，包括：

3.根据权利要求2所述的方法，其特征在于，在第一重复步骤，依次增大i的值，并重复所述构建步骤、所述更新步骤、所述输入步骤、所述第二确定步骤和所述

4.根据权利要求2所述的方法，其特征在于，在所述超参数值训练样本中的所述超参数值组合的约束条件的情况下，确定多个所述第一预测均方根误差，包括：

5.根据权利要求1所述的方法，其特征在于，所述超参数值训练测试样本包括超参数值训练样本和超参数值测试样本，所述超参数值训练样本和所述超参数值测试样本均...

【专利技术属性】
技术研发人员：潘志豪，付振宇，林桂泉，田伟达，宋伟东，凌小明，王文胤，吴涛，张文坤，陈恒，汤文武，蔡剑剑，张佳楠，朱秋霖，杨华东，袁朝恩，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：