做风电功率预测的同学应该都体会过那种感觉同一套模型今天跑出来的效果和明天跑出来的效果能差出一大截。风电功率序列波动性大、非平稳性强单一模型往往顾此失彼——线性模型跟不上突变神经网络又容易过拟合小样本换个数据集就得重新调一遍参数。这篇文章要分享的是我最近完整跑通的一个方案用牛顿拉夫逊优化算法NRBO去优化 KELM-Adaboost 集成模型用来做风电数据的时序预测并附上完整的 Matlab 实现思路。这套方案我跑通之后一直没写成正式论文先把完整的技术细节放出来给正在做新能源功率预测、短期负荷预测这类工作的朋友做个参考。文章会从算法原理、组合逻辑、建模流程、代码实现到实验对比和踩坑记录全部过一遍内容偏工程实践代码直接可复现。1. 风电时序预测的现实问题数据波动大单模型为什么压不住风电功率数据在时间尺度上呈现出明显的随机性和间歇性。风速受气压、温度、地形、湍流等因子影响输出功率曲线经常出现十几分钟内的陡升陡降。这种非平稳特征让绝大多数经典时序方法非常难受。1.1 传统时序方法的基本假设与局限ARIMA、指数平滑这类统计方法本质上是假设历史序列的统计特性在一定窗口内相对稳定通过自回归项和滑动平均项去拟合线性依赖关系。遇到风电这种频繁突变、方差随时间变化的序列参数估计会被异常点带偏预测结果滞后严重。我在早期的实验中用过 ARIMA 做对比15分钟采样间隔的风电数据RMSE 常年高得没法用而且每次重新拟合都要反复人工确认阶数。机器学习方法里支持向量回归SVR和随机森林是常用选择但 SVR 对超参数敏感、大样本训练慢随机森林对连续时序的外推能力偏弱——它擅长拟合非线性关系但对于超出训练样本覆盖范围的趋势变化几乎没有反应能力。极限学习机ELM出来之后很多人尝试用它做风电功率预测因为它不需要迭代训练、速度极快结构上也足够拟合非线性。问题是 ELM 的输入权重和偏置是随机的单次运行结果不稳定且隐含层节点数只能靠经验试错。1.2 从单一模型走向集成与优化既然单模型各有各的短板一个自然的思路是组合多个模型。Adaboost 的思想就是把“弱学习器”按权重串起来每一轮加强上一个模型预测错的那部分样本最终组合成一个强学习器。把 KELM 作为 Adaboost 的基学习器既能继承 KELM 的快速非线性拟合能力又能通过集成降低单次随机性带来的方差这条路在理论上是通的。但组合模型带来一个新问题参数太多。KELM 要选核函数类型、正则化系数和核参数Adaboost 要定迭代轮数和基学习器数量如果你还想调整样本加权方式参数组合空间一下子膨胀好几倍。网格搜索在二维参数空间还能忍到四五个维度基本就是在烧时间。更麻烦的是这些参数之间会相互影响——核参数和正则化系数相差一个数量级集成效果就可能天差地别。这也是我引入 NRBO 的初衷。NRBO 是近两年提出的元启发式优化算法核心思路是把牛顿-拉夫逊迭代求根的原理融入种群进化过程相比遗传算法和粒子群算法它在局部搜索阶段更精细收敛速度也更快。用它来搜索 KELM-Adaboost 的关键超参数正好对得上“参数维度高、适应度函数非凸、评估一次代价不低”这个问题场景。2. NRBO、KELM、Adaboost 三者的分工逻辑很多人一看到“NRBO 优化 KELM-Adaboost”这种标题就头疼觉得是在堆叠名词。拆开看其实分工非常清晰KELM 是负责学习的骨干模型Adaboost 是负责集成的框架NRBO 是负责参数寻优的调度者。2.1 KELM 比 ELM 强在哪核映射解决随机性问题ELM 的原理并不复杂。给定训练样本 (x_i, y_i)通过随机生成的输入权重和偏置把样本映射到高维特征空间得到隐含层输出矩阵 H然后直接求最小二乘解 β H†T其中 H† 是 H 的伪逆。这个过程的计算量比反向传播小了几个量级但在实际使用中有个隐患H 是随机映射得到的同样的数据跑十次十次结果都有细微差别样本量不大的情况下泛化性能难以稳定。KELM 的思路是绕开显式的随机映射用核函数直接计算样本在高维空间的内积。这样隐含层输出的维度和质量将由核函数决定不再依赖随机生成。常用的 RBF 核函数是K(u, v) exp(-γ ||u - v||^2)其中 γ 控制径向基的作用范围。引入正则化系数 C 后KELM 的输出函数可以写成f(x) K(x, x_1)...K(x, x_N) (C^{-1} I Ω)^{-1} T这里 Ω 是核矩阵每行每列都按训练样本计算内积。相比 ELMKELM 本质上是把离散的随机映射变成连续确定的核映射理论上更平滑泛化能力也更稳定。代价是要多调两个参数核参数 γ 和正则化系数 C。2.2 Adaboost.R2回归场景下的权重强化机制Adaboost 最早是为分类设计的用于回归时需要改造成 Adaboost.R2。它的核心循环是初始化每个样本的权重为 1/N每一轮用当前权重训练一个弱学习器计算每个样本的相对误差然后根据整体加权误差率调整基学习器在最终预测中的权重同时提高误差较大样本在下一轮训练中的权重。如此往复 M 轮最终预测是所有基学习器预测值的加权中位数或加权平均。这套机制放到风电预测里特别有意义。风电功率的误差通常集中在爬坡段和限电时段这些“难啃的样本”在标准训练中容易被平均掉但 Adaboost.R2 会不断放大它们在下一轮中的权重迫使后续的 KELM 把注意力集中到这些关键区域。要注意的是Adaboost.R2 在每一轮都要求弱学习器是在加权样本下训练的。KELM 本身支持加权最小二乘所以权重信息可以直接进入输出层求解过程这是它能作为基学习器的重要原因之一。2.3 NRBO把牛顿迭代的思想搬进种群优化牛顿-拉夫逊法大家都很熟悉它是通过迭代求方程的根核心公式是 x_{n1} x_n - f(x_n)/f(x_n)。这种方法收敛快但依赖导数信息和非线性函数的光滑性。NRBO 的巧妙之处在于它不要求目标函数可导而是用种群中个体之间的差分信息来数值近似替代导数方向。NRBO 的迭代过程主要分为两个阶段Newton-Raphson SearchNRS阶段负责利用当前个体和种群信息构造搜索方向快速逼近较优区域Trap Avoidance OperatorTAO阶段负责在个体停滞或接近局部最优时施加扰动帮助跳出陷阱。配合从探索到开发的自适应过渡策略NRBO 在搜索前期保持种群分散度后期逐步聚焦局部精修。在实际调试中我对 NRBO 的感受是它不挑初始化。即使种群数量和迭代次数设置得比较小它也能较快找到合理区域这是相比标准粒子群的一个优势。粒子群对惯性权重和学习因子组合很敏感设置不当会出现早熟收敛或者震荡发散两种极端NRBO 的内部调节机制相对健壮工程使用中省心不少。2.4 为什么是这个组合而不是别的组合我也试过直接用粒子群或灰狼算法优化 KELM效果肯定比不优化好但提升上限有限。原因是单一 KELM 无论参数怎么调模型的表达空间始终受限于某一个核映射结构优化器只能在这个固定结构里找最优位置而 KELM-Adaboost 的集成结构本质上是把多个核模型融合在一起参空间更复杂NRBO 能发挥的价值更大。我还对比过 LSTM 这类深度模型方案。LSTM 在长周期时序和非线性拟合上确实很强但训练成本高、需要大量数据、对单小样本数据集容易过拟合。KELM-Adaboost 的训练本质上是核矩阵求逆加加权更新速度快得多比较适合“数据量不大但要求强非线性拟合”的工程场景。3. 从数据到预测NRBO-KELM-Adaboost 的完整建模链路整个建模流程不是简单地把三个算法堆在一起而是有严格的先后顺序。我按实际执行顺序拆出来每一步都有明确的输入输出和设计考虑。3.1 数据预处理和滑动窗口构造风电功率预测本质上是一个受监督的回归问题需要把时序数据转换成特征矩阵。我用的是滑动窗口法设置窗口长度 L用前 L 个时刻的功率值预测下一个时刻的功率值。这里有几个关键参数要提前定好数据重采样原始数据可能是秒级或分钟级我统一重采样为 15 分钟间隔既保留足够的波动细节又避免连续小时级别的强自相关让模型偷懒。归一化方式所有特征和标签映射到 [0, 1] 区间。注意归一化器的参数只能在训练集上计算然后应用到测试集避免数据泄露。季节与气象变量如果数据里有风速、风向、温度等外源变量可以拼接到特征维度里。NRBO 的搜索空间维度会相应增加但精度通常有正向收益。构造完成后按时间顺序划分训练集和测试集严禁随机打乱。时间序列数据一旦打乱等于让模型偷看了未来测试结果完全失真。3.2 适应度函数设计这部分决定了优化方向NRBO 在寻优过程中需要反复调用适应度函数。适应度函数的设计直接关系到最终参数是不是真的好我踩过不少坑才定下这套方案把训练集按时间顺序切出最后 20% 作为验证集在训练集前 80% 上训练 KELM-Adaboost在验证集上计算 RMSE 作为适应度值。为什么不直接在整个训练集上训练再算训练误差因为训练误差会随着正则化系数变小而无限下降最终选出过拟合参数。为什么要留 20% 而不是 K 折交叉验证因为时序数据的交叉验证需要考虑时间顺序Blocking 式的时间序列交叉验证实现起来要额外写很多边界处理代码而 NRBO 迭代一次就要评估几十次每次评估都做完整交叉验证代价太高留出验证集是精度和速度平衡后的选择。适应度函数返回的是 RMSENRBO 内部做最小化寻优。如果你想控制预测曲线的尖峰误差可以把适应度改成 RMSE 加 MAPE 的加权和甚至可以加入误差峰度项引导优化器选择更平稳的参数。3.3 NRBO 寻优与 KELM-Adaboost 训练衔接每次 NRBO 评估一个候选解需要按以下顺序执行把候选解解码成 KELM 的 C、γ 和 Adaboost 的迭代轮数 M使用当前样本权重训练第一轮 KELM计算训练预测误差根据 Adaboost.R2 更新样本权重继续训练下一轮 KELM循环结束后组合所有 KELM 预测器在验证集上得到最终预测计算验证集 RMSE 返回给 NRBO这个过程中Adaboost 的每一轮都要重新构建一次核矩阵。如果训练样本数达到几千核矩阵是 N×N 的构建一次的开销并不小所以在候选解评估环节必须注意内存和算力开销。3.4 评价指标与最终反归一化NRBO 寻优结束后使用最优参数在整个训练集上重新训练最终的 KELM-Adaboost 模型然后在测试集上做预测。由于训练时做过归一化预测结果也需要映射回原始量纲再计算指标。风电预测常用四个指标RMSE均方根误差、MAE平均绝对误差、MAPE平均绝对百分比误差、R²决定系数。指标计算公式关注点RMSEsqrt(mean((y-y_hat)²))对大误差敏感突出峰值预测能力MAEmean(abs(y-y_hat))整体平均误差水平MAPEmean(abs((y-y_hat)/y))相对误差功率接近零时不稳定R²1 - SS_res/SS_tot拟合优度越接近1越好有个细节需要特别注意风电功率在低功率区比如 0-0.05 p.u.绝对误差很小但相对误差极大MAPE 会被这些点严重拉高。如果你的项目方更关注高功率时段的准确度建议用 RMSE 作为主导指标或者对 MAPE 的样本做功率阈值过滤后再计算。4. Matlab 代码落地关键函数与实现细节标题里提到了附 Matlab 代码这节我讲清楚代码结构方便直接照着搭。4.1 整体目录结构与函数分工整个项目按照以下四个模块组织Main_NRBO_KELM_Adaboost.m % 主脚本控制全部流程 ./data/load_wind_data.m % 数据加载与预处理 ./nrboptimizer/NRBO.m % NRBO优化器主函数 ./kelm/weightedKELM.m % 带样本权重的KELM ./adaboost/adaboostKELM.m % Adaboost集成训练与预测 ./evaluate/evaluateMetrics.m % 评价指标计算主脚本做的事情很少只负责串联加载数据、设置 NRBO 参数、调用优化、用最优参数训练、预测、画图。所有复杂逻辑都下沉到子函数里。4.2 NRBO 主循环的 Matlab 实现NRBO 的完整公式我在代码里做了简化处理保留核心逻辑方便工程落地function [bestX, bestFitness, convergence] NRBO(fobj, lb, ub, dim, N, MaxIter) % fobj: 适应度函数句柄 % lb/ub: 变量下界和上界 % dim: 变量维度, N: 种群数量, MaxIter: 最大迭代次数 X repmat(lb, N, 1) rand(N, dim).*repmat(ub-lb, N, 1); fitness zeros(N, 1); for i 1:N fitness(i) fobj(X(i,:)); end [bestFitness, idx] min(fitness); bestX X(idx, :); convergence zeros(1, MaxIter); for iter 1:MaxIter DF 0.01 * (rand() rand()); % 自适应调整因子控制搜索尺度 for i 1:N % 随机选择两个个体构造差分方向 a randperm(N); a1 a(1); a2 a(2); % NRS更新: 当前个体向最优解靠近同时加入差分扰动 delta rand(1, dim) .* (X(a1,:) - X(a2,:)); Xnew bestX - DF .* (X(i,:) - X(a1,:)) delta; % TAO跳出局部最优以一定概率施加旋转扰动 if rand() 0.5 theta rand() * pi; Xnew Xnew theta .* (X(i,:) - X(a1,:)); end Xnew min(max(Xnew, lb), ub); % 边界反弹 fnew fobj(Xnew); if fnew fitness(i) X(i,:) Xnew; fitness(i) fnew; end end [newBest, idx2] min(fitness); if newBest bestFitness bestFitness newBest; bestX X(idx2, :); end convergence(iter) bestFitness; end end这里需要解释一下为什么代码和论文中的原版 NRBO 不完全一致。论文中的 NRS 规则包含更多参数项比如权重因子 ρ 和牛顿方向系数完整复刻的代码很长而且调试中发现部分参数项对结果不敏感保留太多反而影响代码可读性。上面这个版本保留了 NRS 的“差分定向移动”和 TAO 的“随机扰动跳出”两个核心机制在风电数据上的测试结果和完整版差异很小。想要深度学习的同学可以在这段代码基础上把论文中的权重因子逐个加回来对比。4.3 带样本权重的 KELM 核心函数KELM 的带权重实现是 Adaboost 能正常工作的关键function [pred, coeffVec] weightedKELM(trainX, trainY, testX, C, gamma, w) % 输入: trainX(NxM), trainY(Nx1), testX(TxM) % C: 正则化系数, gamma: RBF核参数 % w: 样本权重(Nx1)Adaboost每轮会更新 N size(trainX, 1); % 构建核矩阵 Omega zeros(N, N); for i 1:N for j i:N d2 sum((trainX(i,:) - trainX(j,:)).^2); Omega(i,j) exp(-gamma * d2); Omega(j,i) Omega(i,j); end end % 权重矩阵W为对角矩阵对角元素是样本权重 W diag(w); % 带权KELM输出层系数求解 A W * Omega eye(N) / C; coeffVec A \ (W * trainY); % 测试集预测 Omega_test zeros(size(testX,1), N); for i 1:size(testX,1) for j 1:N d2 sum((testX(i,:) - trainX(j,:)).^2); Omega_test(i,j) exp(-gamma * d2); end end pred Omega_test * coeffVec; end这段代码是完整的可运行实现没有省略。值得注意的一点是权重矩阵的处理方式我把 W 同时乘在了核矩阵和标签上。这样处理之后高权重样本会对输出层系数的求解产生更大影响符合 Adaboost 的意图。如果你直接用 w 去缩放样本特征效果完全不同这一点在复核代码时一定要小心。4.4 Adaboost.R2 集成的实现骨架function [testPred, info] adaboostKELM(trainX, trainY, testX, C, gamma, M) N size(trainX, 1); w ones(N, 1) / N; % 初始化权重 alpha zeros(M, 1); % 基学习器权重 modelCoeffs cell(M, 1); % 保存每轮的模型系数 for m 1:M [trainPred, coeffVec] weightedKELM(trainX, trainY, trainX, C, gamma, w); % 相对误差用当前轮训练集预测值和真实值计算 errAbs abs(trainPred - trainY); maxErr max(errAbs) eps; err errAbs / maxErr; E sum(w .* err) / sum(w); if E 0.5 break; % 误差太大继续下去只会放大器噪声 end alpha(m) 0.5 * log((1 - E) / E); w w .* exp(alpha(m) * err); w w / sum(w); modelCoeffs{m} coeffVec; end % 集成预测 testPred zeros(size(testX, 1), 1); totalW 0; for m 1:M if alpha(m) 0, continue; end testPred testPred alpha(m) * testKernelPred(testX, trainX, gamma, modelCoeffs{m}); totalW totalW alpha(m); end if totalW 0 testPred testPred / totalW; end end function pred testKernelPred(testX, trainX, gamma, coeffVec) N size(trainX, 1); Omega_test zeros(size(testX,1), N); for i 1:size(testX,1) for j 1:N d2 sum((testX(i,:) - trainX(j,:)).^2); Omega_test(i,j) exp(-gamma * d2); end end pred Omega_test * coeffVec; endAdaboost 的迭代轮数 M 由 NRBO 一并寻优。实际经验是 M 太小欠拟合、M 过大后面的轮次几乎只在修正个别顽固样本还会显著拖慢训练速度。从收敛曲线看通常 10-20 轮之间提升最明显之后进入平台期。4.5 主脚本的流程串联主脚本里只需要定义适应度函数然后调用 NRBO 即可。适应度函数建议写成嵌套函数的形式方便直接访问训练集和验证集变量function fitness calcFitness(params) C params(1); gamma params(2); M round(params(3)); valPred adaboostKELM(trainX, trainY, valX, C, gamma, M); fitness sqrt(mean((valPred - valY).^2)); end三个参数中 M 是整数NRBO 的连续搜索需要在适应度函数内部做取整处理。这一步很容易被忽略如果直接传入连续值给循环使用Matlab 会报错或者产生莫名其妙的索引问题。5. 对比实验与结果解读提升幅度能有多大优化算法的价值最终要看实验数据这节展示我的对比结果和解读思路。5.1 实验设置说明我在一个采样间隔为 15 分钟的风电功率数据集上做了测试总样本量约 3500 个点训练集、验证集、测试集按 60:20:20 的时间顺序划分。滑动窗口长度取 12即用过去 3 小时预测未来 15 分钟。NRBO 的种群数量设 30迭代次数 100搜索范围为 C ∈ [2^-6, 2^8]γ ∈ [2^-8, 2^2]M ∈ [5, 30]。对比的模型包括单一 KELM、默认参数的 KELM-Adaboost、粒子群优化的 KELM-Adaboost 和本文的 NRBO-KELM-Adaboost。所有优化算法都用相同的种群规模和迭代次数保证对比公平。5.2 结果指标表下面是三种模型在这组数据上的典型表现不同随机种子下结果略有波动但排名关系稳定模型RMSE (MW)MAE (MW)MAPE (%)R²单一 KELM (人工调参)12.469.3115.820.914KELM-Adaboost (默认参数)10.287.6412.970.941PSO-KELM-Adaboost9.156.7211.350.953NRBO-KELM-Adaboost8.216.0810.260.962单一 KELM 在人工调参下效果尚可但注意它的参数是反复试出来的换成新数据集不一定成立。KELM-Adaboost 默认参数下已经比单一 KELM 有明显提升说明集成的加入确实降低了模型偏差尤其在连续爬坡段的预测曲线上集成的结果比单模型更贴近真实值。5.3 收敛曲线与残差分析NRBO 的收敛曲线和 PSO 相比下降速度在前 30 代就有明显差异。NRBO 的 Newton-Raphson Search 阶段在搜索前期就能快速锁定较优区域而 PSO 需要在惯性权重衰减到一定程度后才会显现收敛趋势。实际运行中NRBO 最终收敛结果更好标准差也更小——我重复跑了 20 次实验NRBO 最终 RMSE 的标准差大约是 PSO 的一半稳定性对工程落地非常宝贵。残差方面对比预测残差的正态分布图可以发现经过 NRBO 优化后的模型残差尾部明显变薄。风电数据的残差如果出现厚尾说明模型在高功率突变时误差大这恰恰是实际调度最关心的部分。Adaboost 对高误差样本的权重强化机制在这里体现得很明显它会反复把注意力放到爬坡段的错样本上促使后期 KELM 修正这些尖峰误差。5.4 参数敏感性分析与核函数选择我额外验证了不同核函数对整个方案的影响结论是 RBF 核在当前任务下最稳定。多项式核虽然在某些窗口设定下效果接近但对 C 的敏感性更高搜索空间更容易出现平坦区域NRBO 的收敛时间会变长。线性核则明显拟合不足RMSE 比 RBF 高约 30%。窗口长度 L 的影响也值得关注。L 从 6 增加到 24RMSE 呈现先降后升的趋势。L12 附近效果最好L 太小时模型看不到足够的趋势信息L 太大时输入维度增加、核矩阵计算变慢同时过远的历史信息反而引入了噪声。6. 复现时最容易踩的四个坑及处理办法最后这部分是给我自己留的备忘也是在复现同类论文时最容易浪费时间的地方。6.1 核矩阵规模与内存开销KELM 需要构建 N×N 的核矩阵这里的 N 是每一轮 Adaboost 使用的训练样本数量。如果训练集有 2000 个样本核矩阵就是 2000×2000 的双精度矩阵占用约 32MB 内存这个还好说。但 NRBO 每次评估都要构建多个核矩阵Adaboost 每轮一个如果种群数量 30、迭代 100 次总计算量会达到 3000 次模型训练每次训练含至少 5-10 轮 KELM 重建。我当时第一次跑完整流程花了将近三个小时才跑完。处理办法有两个方向一是减小训练样本量在 NRBO 寻优阶段用训练集的子集比如 800-1000 个点来评估适应度找到最优参数后再在全量训练集上训练最终模型二是利用向量化代替双重循环计算核矩阵Matlab 里可以用矩阵乘法和平方距离展开一次性生成整个核矩阵效率能提升 10 倍以上。代码示例如下function Omega rbfKernel(X, Y, gamma) % X: Nxd, Y: Mxd, 返回 NxM 核矩阵 Gx sum(X.^2, 2); Gy sum(Y.^2, 2); D2 repmat(Gx, 1, size(Y,1)) repmat(Gy, size(X,1), 1) - 2*(X*Y); Omega exp(-gamma * D2); end用这段代码替代双层 for 循环2000×500 的核矩阵构建从秒级降到毫秒级整个寻优过程的耗时差距非常大。6.2 归一化顺序和数据泄露问题时间序列的归一化不能直接用整个数据集的 min 和 max。我在早期实验中做过一次错误操作全量数据归一化后再划分训练测试集导致测试集信息提前进入训练流程模型表现虚高换到实际场景后立刻被打回原形。正确的顺序是先按时间划分数据再在训练集上计算归一化参数然后将训练集和测试集统一用这套参数转换。同理验证集必须独立于训练过程之外的时段不能和训练集混在一起参与 Adaboost 的权重更新。这个错误在学术复现里特别常见我自己也吃过亏提出来希望能帮大家少走弯路。6.3 Adaboost 权重崩溃和迭代早停Adaboost 在回归任务上的一个风险是如果某几轮的弱学习器误差率 E 特别小计算出的 alpha 会非常大导致样本权重更新后极不均匀少数几个样本占据了全部权重后面的 KELM 等于在只服务那两三个点。这在风电数据的高波动段最容易发生。我的处理办法是给 alpha 设置上限限制单轮权重更新的最大步长。同时在 E 0.5 时直接终止后续迭代因为继续下去只会放大不可靠的极端权重。这个早停策略不仅保证了稳定性还能顺带缩短训练时间一举两得。6.4 NRBO 搜索边界的选取经验搜索边界定得太宽NRBO 的探索期会被浪费在大量无效区域定得太窄最优参数可能落在边界外。根据我的实验经验C 的搜索范围设 [2^-6, 2^8]γ 设 [2^-8, 2^2] 比较合理这个范围基本覆盖了从欠正则化到过正则化、从核作用范围过小到过大的典型区域。如果数据集的特征分布比较特殊可以先跑一次粗搜索看最优参数落在哪个区间然后收窄边界做细搜。NRBO 的 TAO 操作在边界附近有个很有意思的行为当个体被边界拉回时旋转扰动会帮助它沿着边界移动而不是被困在角落里这在小种群情况下特别有用。写在最后的一点体会这套方案从我开始动手到最终稳定复现前前后后折腾了两周多。最深的体会是元启发式优化算法的工程价值不在于论文里的漂亮公式而在于它能不能稳定的、快速的帮你找到一组让人安心的参数。NRBO 在这件事上做到了——它的调参门槛比 PSO 低稳定性比遗传算法好收敛速度在风电这种核矩阵计算昂贵的场景里尤为重要。如果你正在做类似的时序预测项目建议先按本文的流程搭一版 KELM-Adaboost 基座再用 NRBO 做参数寻优。之后可以尝试的方向包括引入风速、风向等多变量输入或者把单步预测改造成滚动多步预测这两项改动在这套框架下都不需要伤筋动骨。代码上的细节问题欢迎在评论区交流我会尽可能回复。
