，经过反归一化后进行叠加，得到两种时间尺 度的预测结果如图4,图5所示。
[0121]为进一步评价本发明模型，采用如下的评价指标:平均绝对误差(Mean Absolute Error,MAE)、平均相对误差(Mean Relative Error，MRE)及均方根误差(Mean Root Square Error,RMSE)〇
[0122] Π 2)
[0123] (.1:3)
[0124] C14；
[0125] 上述式中，num表示预测点数，predict, real分别表示预测值和实测值
[0126] 表1中为6种方法：最小二乘支持向量机（LS-SVM)，反向传播神经网络（Back Propagation，BP)，改进粒子群（Improvement Particle Swarm Optimization, IPSO)优化 最小二乘支持向量机（IPSO-LSSVM)，小波分解(Wavelet decomposition)-微分进化 (Differential Evolution)优化最小二乘支持向量机（WD-DE-LSSVM)，混沌萤火虫 (Chaotic firefly algorithm)优化最小二乘支持向量机CFA-LSSVM,小波分解-混纯萤火 虫优化最小二乘支持向量机(WD-CFA-LSSVM)在2种时间尺度上的预测评价指标；
[0127] 表1
[0128]
[0129]在10分钟及1小时两种时间尺度的预测表现上，本发明的方法的平均相对误差均 小于2.5%，表明预测算法的有效性。同时通过3种典型误差分析，可知本发明提出的WD-DE-LSSVM方法较LSSVM、BP，IPS0-LSSVM均明显更优。WD-DE-LSSVM在预测精度表现上也很优异， 但仍然劣于本文算法，同时在相同环境进行仿真发现，在CPU时间消耗上本发明算法为 0.025秒，WD-DE-LSSVM为0.536秒，本发明方法速度更快，进一步体现了本方法的优越性。
【主权项】
1. 一种基于分解与优化的短期风速时序预测方法，其特征在于，包括以下步骤： 31:按小时进行原始风速序列采样及处理，构建时序风速序列{￥1，￥2，￥3 - ￥11}，其中，￥表 示风速，η表示序列长度； S2:将时序风速进行3层小波分解，得到高频细节序列cU，d2，d3和一个低频近似序a 3; S3:对分解得到的序列进行二插值重构，得到细节序列Di，D2，D3和近似序列A3; 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； S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法优化最小二乘支持向量机超参 数c，。2,得到最优LS-SVM; 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； S7:将各预测值反归一化后叠加得到实际的风速预测值。2. 根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在 于，所述的步骤S4中，具体的归一化的公式如下： 叫=H ⑴ 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； 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： V1 V2 ·.··. V6 1；7 .? …'.'9 ： ；'，· ? V6 V.5 叭 式中η是构建的原始风速数据的长度。3. 根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在 于，步骤S5中的混沌萤火虫算法包括如下内容： 1) 萤火虫的亮度I定义为： （3) 式中：1〇为最大亮度，rij为萤火虫之间的欧式距离如式(4); ?；, =11-'-,.-X, 11= Jz^,/ (4) V 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维分量； 2) 萤火虫间的吸引度β与亮度相关，定义为： P=fine"：' (5) 其中，是初始位置吸引度，γ为光强吸收系数，m为常数； 3) 萤火虫i被萤火虫j吸引的位置更新公式为： xi(t+l) = xi(t)+^(xj(t)-xi(t) )+αει (6) 式中：xi(t+l)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[〇，1]上的常数;^为[〇，1]上服从高斯分布的随机因子； 4) 改进的惯性权重； 使用线性递减惯性权重对基本萤火虫算法进行改进； W - Wmax-(wmax-Wmin) X t/Tmax ( 7 ) 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); xi(t+l) = wxi(t)+^(xj(t)-xi(t) )+αει (8) 5) 改进的混沌机制； 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；其数学表达式如下： xd,k* = uXx*d,k-iX (l-x*d,k-i) ,x*e(〇,l) (9) 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； 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 Xd,k-(Xd,max_Xd,min) X X d,k+Xd,min ( 10) 其中，叫_，叫_分别表示第(1维变量的上、下限； 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 则进入下一代更新。4. 根据权利要求书3所述的一种基于分解与优化的短期风速时序预测方法，其特征在 于，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： 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^，当前进化代数为t = 0，初始化种群中萤火虫位置t = {c，〇2}; 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);(11、 其中MREi表示最大相对误差，predicti是训练集的LS-SVM预测值，reali是实测值； 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; 4) 按式(7)计算惯性权重，比较萤火虫之间的亮度，按照式(8)更新萤火虫位置； 5) 重新计算萤火虫的适应度，取前Ν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； 6) 若达到最大迭代步数，则输出最优超参数;否则转第2)步。5. 根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在 于，所述的步骤S7中的反归一化的公式如下： Vi2 = Vmin+(Vmax-Vmin) XVil ( 12) 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。6.根据权利要求书3所述的一种基于分解与优化的短期风速时序预测方法，其特征在 于，所述的m取2。
【专利摘要】本发明方法公开一种基于分解与优化的短期风速时序预测方法，包括：S1按小时进行原始风速序列采样及处理，构建时序数据序列；S2.将时序风速进行3层小波分解，得到高频细节序列d1，d2，d3和一个低频近似序a3；S3.对分解得到的序列进行二插值重构，得到细节序列D1，D2，D3和近似序列A3；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；S5.使用训练集数据，利用混沌萤火虫算法优化最小二乘支持向量机参数，构建最优LS-SVM；S6.将测试集输入到步骤S5中的最优LS-SVM进行风速预测；S7.将各预测值反归一化后叠加，得到实际的风速预测值；本发明提高了短期风速预测精度，可以为运行人员提供更有效的决策信息，保障风电运行的安全性和可靠性。
【IPC分类】G06F17/50
【公开号】CN105608271
【申请号】CN201510968474
【发明人】王波, 方必武, 刘涤尘, 郭倩莹, 闫秉科, 魏大千, 马恒瑞, 汪勋婷, 陈思远
【申请人】武汉大学
【公开日】2016年5月25日
【申请日】2015年12月21日