(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211104512.3 (22)申请日 2022.09.09 (71)申请人 上海电机学院 地址 200240 上海市闵行区江川路690号 (72)发明人 陈国初　徐云彤　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 宣慧兰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) (54)发明名称 一种基于海鸥算法优化极限学习机的短期 风功率预测方法 (57)摘要 本发明涉及一种基于海鸥算法优化极限学 习机的短期风功率预测方法， 包括： 获取气象数 据， 将该气象数据载入预先建立并训练好的风功 率预测模型中， 得到风功率预测结果， 所述风功 率预测模型为基于改进海鸥算法优化的极限学 习机， 所述改进海鸥算法采用Tent映射对种群进 行初始化， 采用t ‑分布变异策略对海鸥的位置进 行更新， 采用加入自我认知的海鸥全局攻击行 为， 获取当次迭代中最优海鸥。 与现有技术相比， 本发明改善了海鸥算法求解精度较低、 迭代后期 收敛速度慢、 易陷入早熟的缺点， 提高了风功率 的预测精度。 权利要求书2页 说明书4页 附图1页 CN 115271254 A 2022.11.01 CN 115271254 A 1.一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 包括： 获取 气象数据， 将该气象数据载入预先建立并训练好的风功率预测模型中， 得到风功率预测结 果， 所述风功率预测模型为基于改进海鸥算法优化的极限学习机， 所述改进海鸥算法采用 Tent映射对种群进行初始化， 采用t ‑分布变异策 略对海鸥的位置进行更新， 采用 加入自我 认知的海鸥全局攻击行为， 获取当次迭代中最优 海鸥。 2.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 采用Tent映射对种群进行初始化具体为： 根据输入数据获取混沌序列， 对混沌序列进行Tent映射， 对Tent映射后的混沌序列进 行逆映射到 搜索空间中， 得到初始化的种群。 3.根据权利要求2所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述Tent映射的表达式为： 式中， i＝1， 2， ...， N表示种群规模， t＝1， 2， ...， d为控制变量的个数， 为i种群的第t 个控制标量的混沌序列； 为i种群的第t+1个控制标量的混沌序列。 4.根据权利要求2所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述初始种群的计算表达式为： 式中， 为第t个控制标量的第i个种群， lbi为 搜索的下界， ubi为 搜索的上界， 为 i种群的第t个控制标量的混沌序列。 5.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 采用t ‑分布变异策略对 海鸥的位置进行 更新具体为： 设置每个海鸥的概率密度函数， 得到变异概率， 对每只海鸥均生成一个在0 ‑1范围以内 的随机数， 若海鸥的随机数小于变异概 率， 则进行位置更新。 6.根据权利要求5所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述 概率密度函数为： 式中， pt(x)为， n为 自由度参数， x为海鸥的当前位置， t为迭代次数， pt(x)为海鸥在第t 次迭代下x位置下的概 率密度函数。 7.根据权利要求5所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述 位置更新的表达式为： 式中， 为第i只经 过t‑分布扰动 后的海鸥个 体位置， Xi为第i只海鸥个 体位置。 8.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述加入自我认知的海鸥全局攻击行为具体为， 计算每只海鸥的记忆个体， 若权　利　要　求　书 1/2 页 2 CN 115271254 A 2海鸥的当前个体的适应度值大于上一代个体的自适应值， 则将上一代个体的自适应值替换 记忆个体的位置， 否则保持记忆个体的位置不变， 最红根据记忆个体的位置得到海鸥种群 的最佳位置 。 9.根据权利要求8所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述记 忆个体的计算表达式为： Pm(t)＝ds(t) ×x×y×z+Pts(t)+(Pg(t)‑Ps(t)) ×r1×w1+(Pbs(t)‑Ps(t))×r2×w2 式中， r1和r2均为设置为0和1之间的随机 数， w1和w2均为学习因子， Pg(t)表示海鸥个体 的历史最优位置， Pm(t)为记忆个体， Ps(t)为上一代个 体。 10.根据权利要求9所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法， 其特征在于， 所述学习因子w1和w2均在0.8 ‑0.95范围以内。权　利　要　求　书 2/2 页 3 CN 115271254 A 3