钟级数据序列下的6种方法的预测结果；
[0063] 图5是小时级数据序列下的6种方法的预测结果。
【具体实施方式】
[0064] 为进一步阐述本发明的过程和具体步骤，结合具体实施例进行进一步说明。
[0065] 如图1所示，一种基于分解与优化的短期风速时序预测方法，包括以下步骤:S1:按 小时进行原始风速序列采样及处理，构建时序风速序列{ VI，V2，V3··· Vn}，其中，V表示风速，η 表示序列长度；
[0066] S2:将时序风速进行3层小波分解Wave let Decomposition，WD，得到高频细节序列 cU，d2，d3和一个低频近似序a3;
[0067] S3:对分解得到的序列进行二插值重构，得到细节序列m，D2，D3和近似序列A3;
[0068] S4.对重构后的各序列分别进行归一化处理，构建时序相关序列组，将最后24组作 为测试集，其余为训练集；
[0069]所述的步骤S4中，具体的归一化的公式如下：
[0070]
⑴
[0071 ] vmax，Vmin分别表示原始序列中最大、最小风速，Vi，Vil分别表示第i时段原始及归一 化后的风速；
[0072]构造的时序相关序列数据组，具体的是，每一行的前六位是输入，最后一位是输 出，其形式如下：
[0073]
(2)
[0074] 式中η是构建的原始风速数据的长度。
[0075] S5 :利用步骤S4中的训练集数据，使用混纯萤火虫算法（Chaotic Firefly Algorithm,CFA)优化最小二乘支持向量机（Least Squares Support Vector Machine，LS_ SVM)超参数c，σ2，得到最优LS-SVM;
[0076]步骤S5中的混沌萤火虫算法包括如下内容：
[0077] 1)萤火虫的亮度I定义为：
[0078] /=/"'_'％ (3)
[0079] 式中：1〇为最大亮度，即萤火虫自身的亮度，与目标函数值相关，通常定义目标函 数值越优自身亮度越高；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸 收逐渐减弱，γ正是用来体现此特性;ru为萤火虫之间的欧式距离如式(4);
[0080]
C4)
[0081] 其中，式中D为空间维数xi,d，xj,d分别为萤火虫xi，xj在空间中的第d个分量；
[0082] 2)萤火虫间的吸引度β与亮度相关，定义为：
[0083] β = (5)
[0084] 其中，是初始位置吸引度，γ为光强吸收系数，m为常数，通常为2;
[0085] 3)萤火虫i被萤火虫j吸引的位置更新公式为：
[0086] xi(t+l) = Xi(t)+P(xj(t)-Xi(t) )+αει (6)
[0087] 式中：Xi(t+1)是萤火虫Xi第t+1次移动后的位置，β是萤火虫Xj对 Xi的吸引度;α是 步长因子，为[0，1]上的常数;^为[0，1]上服从高斯分布的随机因子；
[0088] 4)改进的惯性权重；
[0089]使用线性递减惯性权重对基本萤火虫算法进行改进；
[0090] W - Wmax-( Wmax-Wmin) X t/Tmax ( 7 )
[0091 ]其中，W为权重，Wmax, Wmin分别为给定的最大最小权重，t，Tmax分别为当前和最大迭 代次数;改进后的位置更新公式如式(8);
[0092] xi(t+l) = wxi(t)+P(xj(t)-Xi(t) )+αει (8)
[0093] 5)改进的混沌机制；
[0094]引入混纯思想，从而提高萤火虫种群的多样性和寻优的遍历性，增加算法跳出局 部极值点的能力。混沌优化基本思想为将优化变量通过混沌映射规则映射到混沌变量空间 的取值区间内，利用混沌变量的遍历性和随机性寻优搜索，最后将获得的优化解线性转化 到优化空间。采用此方法，其数学表达式如下：
[0095] xd,k* = u Xx*d,k-i X (l-x*d,k-i) ,x*e (〇, 1) (9)
[0096] 其中，x\k表示D维向量的第d维，k表示混纯迭代次数；当u = 4,且以矣{0,0.25, 0.5，0.75，1}时，由（9)产生的序列完全混沌化；
[0097] 在得到混沌序列之后，用式(10)进行载波操作，映射到优化空间范围
[0098] Xd,k-( Xd,max_Xd,min) X X d,k+Xd,min ( 10 )
[0099] 其中，Xd,max，Xd, min分别表示第d维变量的上、下限；
[0100] 6)萤火虫的混沌优化过程为:在每一代优化过程中，选取表现最好的N个萤火虫作 为精英个体进行混沌优化，按设定的混沌搜索代数由（9)产生混沌序列，然后按照（10)混沌 序列映射回萤火虫搜索空间，最后对精英个体进行混沌搜索，若搜索到更优个体则予以替 换，否则进去下一代更新。
[0101] 所述的利用混沌萤火虫算法优化最小二乘支持向量机超参数c，〇2步骤如下：
[0102] 1)设置最大进化代数Tmax，初始吸引度光强吸收系数γ和步长因子α，设置种群 规模为Ν Ρ，当前进化代数为t = 0，初始化种群中萤火虫位置t = {c，σ2};
[0103] 2)计算每个萤火虫的目标函数值f(Xl)作为亮度，目标函数按式(11);
[0104]
(.1.1.)
[0105] 其中MREi表示平均相对误差，predicti是训练集的LS-SVM预测值，reali是实测值； 可见，在风速预测中目标函数值越小，也即亮度较小则萤火虫位置越优；
[0106] 3)按照式(3)计算萤火虫的亮度，式(4)计算萤火虫之间的欧式距离，按式(5)计算 萤火虫之间的吸引度β;
[0107] 4)按式（7)计算惯性权重，比较萤火虫之间的亮度，亮度较小的吸引亮度较大个 体，按照式(8)更新萤火虫位置；
[0108] 5)重新计算萤火虫的适应度，取前N个精英个体进行(9)~（10)的混沌操作并进行 遍历搜索，若搜索到更优位置，则更新精英个体，否则直接转下一步；
[0109] 6)若达到最大迭代步数，则输出最优超参数，否则转第2)步。
[0110] S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；
[0111] S7:将各预测值反归一化后叠加得到实际的风速预测值。
[0112] 所述的步骤S7中的反归一化的公式如下：
[01 13] Vi2 = Vmin+ ( Vmax-Vmin) X Vil (12)
[01 1 4]式中：Vil表示第i时刻的归一化速度，Vmax，Vmin为原始序列中最大、最小风速，Vi2为 第时刻反归一化速度。
[0115]本实施例为从蒙东某风电场采集10分钟级和小时级两种时间尺度的实测风速数 据。10分钟级数据为1天的每10分钟的实测数据，对最后4小时的24个点进行提前10分钟预 测，小时级取6天的数据对最后1天的24个点进行提前lh预测。
[0116]原始数据序列如图2所示。
[0117] 以10分钟级数据作说明，其基于db3基的3层小波分解结果如图3所示，其余分解及 重构过程可按经典算法得到，不再赘述。
[0118] 按照归一化公式及时序相关数据组规格构造各子序列的时序相关数据组算法设 置。目前利用粒子群或以及微分进化算大进行LS-SVM优化的研究已证明可在一定程度提升 预测精度，因此将本发明模型与目前预测效果较好的IPS〇-LSSVM，WD-DE-LSSVM模型以及经 典的BP神经网络模型进行仿真结果对比。IPS0及DE的参数分别参照标准参数。BP神经网络 采用3层列文伯格-马夸尔特(Levenberg_Marquardt，LM)算法"7-15-1"的网络结构，选择 Tansig函数和logsig函数作为隐藏层和输出层的传输函数，学习率设置为0.1，目标误差为 0.0001，训练最大次数1000XFA算法中γ，α分别设定为1和0.2,精英群体取表现最好的前 10%，惯性权重w max、wmin分别取1.1和0.7。IPS0-LSSVM和CFA-LSSVM两种算法的种群规模均 为30,最大进化代数为100。因为智能寻优算法具有一定的随机性，因此各进行50次实验取 最优值。
[0119] 利用设置好的参数，利用训练集训练得到最优的预测模型。
[0120] 分别对各子序列的测试集进行预测