技術(shù)特征：

1.一種用于風(fēng)電功率預(yù)測(cè)的SVM預(yù)測(cè)模型，其特征在于，包括以下步驟：

1)改進(jìn)引力搜索算法，以提高算法的收斂速度和精度；

2)將改進(jìn)后的引力搜索算法與SVM結(jié)合構(gòu)建風(fēng)電功率的預(yù)測(cè)模型；

3)根據(jù)構(gòu)建的風(fēng)電功率的預(yù)測(cè)模型，對(duì)風(fēng)電功率時(shí)間序列的預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種用于風(fēng)電功率預(yù)測(cè)的SVM預(yù)測(cè)模型，其特征在于，所述引力搜索算法的改進(jìn)過(guò)程如下：

在一個(gè)D維的搜索空間中，假設(shè)有N個(gè)粒子，定義第i個(gè)粒子的位置為：

X_i＝(x_i^l，...x_i^d，...x_iⁿ)，i＝1，2，..N

上式中，x_i^d為第i個(gè)粒子在第d維上的位置；粒子的質(zhì)量通過(guò)適應(yīng)度值的大小來(lái)計(jì)算，粒子質(zhì)量更新公式為：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai為粒子個(gè)體質(zhì)量；M_pi為粒子引力質(zhì)量；M_ii為粒子慣性質(zhì)量；為適應(yīng)度值；m_bestt(t)、m_worst(t)是整個(gè)種群在t時(shí)刻的最好、最差適應(yīng)度值；則在某t時(shí)刻，定義粒子j作用在粒子i上的萬(wàn)有引力F_ij^d(t)為：

上式中，M_pi(t)為t時(shí)刻受力粒子i的引力質(zhì)量；M_oj(t)為t時(shí)刻施力粒子i的引力質(zhì)量；R_ij(t)為兩粒子間的歐式距離；G(t)是t時(shí)刻的萬(wàn)有引力常系數(shù)；

接著，定義k_best(t)為第t次迭代的時(shí)候一組質(zhì)量較大的粒子的數(shù)量，設(shè)定k_best(t)初值為搜索粒子群體的數(shù)量N，隨著迭代次數(shù)的遞增，作用粒子持續(xù)減少，最后k_best(t)的線性值遞減為1，因此，在第d維空間中，粒子i所受來(lái)自其他所有粒子作用力的合力定義進(jìn)化為：

得到粒子i在第d維空間的速度v_i^d和位置x_i^d更新分別如下：

v_i^d(t+1)＝R×v_i^d(t)+a_i^d(t)

x_i^d(t+1)＝x_i^d(t)+v_i^d(t+1)

式中，R是[0，1]之間的隨機(jī)數(shù)；

最后，將精英策略引入引力搜索算法中，形成新的解組合，以提高迭代過(guò)程中粒子的質(zhì)量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}為適應(yīng)度最好的前20％″精英解″所處的位置；X_{i_worst}為將要被替代掉的適應(yīng)度最差的后20％的解位置，X_{i_new}為產(chǎn)生的新解位置，R_top為最優(yōu)解與距離最優(yōu)解最近的解之間的歐氏距離；rand(-0.5，0.5)為一個(gè)[-0.5，0.5]范圍內(nèi)的偽隨機(jī)數(shù)；D為搜索空間的維數(shù)。

3.根據(jù)權(quán)利要求1所述的一種用于風(fēng)電功率預(yù)測(cè)的SVM預(yù)測(cè)模型，其特征在于，所述風(fēng)電功率的預(yù)測(cè)模型的構(gòu)建包括以下分步驟：

2.1)將風(fēng)電功率時(shí)間序列的訓(xùn)練樣本分為訓(xùn)練數(shù)據(jù)x₁和預(yù)測(cè)數(shù)據(jù)x₂；

2.2)利用改進(jìn)后的引力搜索算法進(jìn)行SVM的參數(shù)優(yōu)化。

4.根據(jù)權(quán)利要求3所述的一種用于風(fēng)電功率預(yù)測(cè)的SVM預(yù)測(cè)模型，其特征在于，所述SVM的參數(shù)優(yōu)化包括以下子步驟：

2.2.1)將訓(xùn)練數(shù)據(jù)x₁再分為作為參數(shù)尋優(yōu)過(guò)程中的訓(xùn)練集S1和作為參數(shù)尋優(yōu)過(guò)程中的驗(yàn)證集S2，采用簡(jiǎn)單交叉驗(yàn)證的方法提高模型的泛化能力，尋優(yōu)目標(biāo)為驗(yàn)證集S2輸出預(yù)測(cè)值與真值之間的均方誤差最小值；

2.2.2)初始化改進(jìn)的引力搜索算法，產(chǎn)生初始種群；

2.2.3)輸入訓(xùn)練集x₁，生成初始SVM參數(shù)組合；

2.2.4)將目標(biāo)函數(shù)的最小值作為尋優(yōu)目標(biāo)，為每個(gè)粒子計(jì)算適應(yīng)度值，更新種群最優(yōu)解和最差解；

2.2.5)利用精英策略產(chǎn)生新解，替代種群中最差的20％的解，形成新的解的組合；

2.2.6)更新常系數(shù)G(t)，計(jì)算解中每個(gè)粒子的質(zhì)量M_i(t)，計(jì)算粒子所受合力F_i^d(t)和加速度a_i^d(t)；

2.2.7)更新粒子的速度和位置，新的位置即為新的SVM參數(shù)值；

2.2.8)如果達(dá)到最大迭代次數(shù)，則終止迭代，返回最優(yōu)參數(shù)值；否則返回搭配步驟2.2.3)。