基于遗传算法和粒子群集成的lssvm风速预测方法
【技术领域】
[OOOU本发明设及一种基于智能优化集成LSSVM(最小二乘支持向量机）风速预测方法， 具体的说是一种基于遗传算法（GA)和粒子群（PS0)集成的LSSVM脉动风速预测方法。
【背景技术】
[0002] 对于高耸结构、大跨度空间结构及高压输电塔线体系等，风荷载是结构设计时所 必需考虑的一类重要的随机动力荷载。风荷载的设计不当不仅仅会影响到人们使用建筑结 构的舒适程度，而且还会使建筑结构出现一定的损伤和破坏，给人们带来巨大的生命财产 损失。因此，工程中考虑风的动力响应是极其重要的，实现对风速的准确预测具有很强的工 程实用意义。
[0003] 支持向量机（SVM)是基于统计学习理论提出的一种小样本学习方法，遵循结构风 险最小化原理。利用支持向量机很好的学习能力，可实现对有限样本的风速时程的预测模 拟。支持向量机的性能依赖于模型的参数，对于参数的选择，至今还未提出明确的理论依 据。利用智能优化方式对LSSVM模型参数进行智能提取成为一大热点。目前常见的对LSSVM 优化的方式主要有粒子群算法、遗传算法、蚁群算法和人工蜂群算法等，在一定程度上，各 类优化算法在对LSSVM参数优化中取得一定的效果，但是得到的预测模型预测精度和速度 还是不够理想。
[0004] 结合粒子群算法容易陷入局部最优，而其他几种优化算法具有较强的全局寻优能 力的特点。因此，如何运用智能优化方法集成的方式对LSSVM模型参数进行智能提取，W获 得运行速度更快、预测精度更高的LSSVM对风速的预测模型具有很大的意义。
【发明内容】
[0005] 本发明的目的在于提供一种基于遗传算法和粒子群集成的LSSVM脉动风速预测 方法，其利用某风场的有限风速样本，将样本划分为训练集和测试集，初始化LSSVM模型参 数，利用GA和PS0集成方式智能提取LSSVM的最有参数组合佑0 )，进而建立优化的LSSVM 预测模型，对测试集进行预测，得到预测的风速时程谱。
[0006] 本发明采用下述技术方案；本发明基于遗传算法和粒子群集成的LSSVM脉动风速 预测方法包括如下步骤：
[0007] 第一步；取一风电场的有限风速样本，将有限风速样本分为训练集、测试集两部 分，并分别进行归一化处理；
[000引第二步：初始化遗传算法相关参数，设置LSSVM模型核函数参数C和正则化参数 0范围CG[Cmh，CmJ和0G[0mi。，0mJ，对染色体进行二进制编码，随机产生初始种 群；
[0009] 第；步；由训练集对LSSVM进行训练学习，进行测试集的预测，计算群体中的每一 个染色体的适应度，判断算法收敛准则是否满足，若满足最优参数组合则进入第五步，否则 进入第四步；
[0010] 第四步；设计遗传算子和确定遗传算法的运行参数，进行遗传算法的选择、交叉、 变异操作；检查是否满足迭代终止条件，若不满足，返回第二步；否则，算法结束输出最优 参数组合进入第五步；
[0011] 第五步；利用遗传算法得到的最优参数组合，初始化粒子群相关参数；由训练集 对LSSVM进行训练学习，计算各粒子当前的适应度值，再将各粒子的当前适应度值与该粒 子自身的最优适应度值进行比较，如果更优，则将粒子当前的位置作为该粒子的最优位 置；
[0012] 第六步：将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如 果更优，则将该粒子的最优位置作为群体的最优位置；检查是否满足迭代寻优结束条件，若 满足则结束寻优，求出最优解；否则返回第二步；
[0013] 第走步：利用第六步得到的最优参数组合，建立优化的LSSVM预测模型；对测试集 进行预测，得到预测的脉动风速时程谱；计算预测结果并分别与GA-LSSVM、PSO-LSSVM预测 样本数据的平均绝对百分比误差、平均绝对误差和均方根误差进行比较分析。
[0014] 优选地，上述第一步中，归一化处理公式为式：
[0015]
[0016] 式中，Xmin是X的最小值，X max是X的最大值，利用此式把X的范围整到[0, U。
[0017] 优选地，第二步中，染色体编码方式采用二进制编码，如下式：
[0020] 其中b为二进制数，m为字长，Cm"、Cmi。为正则化参数C允许的最大值和最小值， 〇m。,、0 mi。为核函数参数0允许的最大值和最小值。
[0021] 优选地，第=步中，每个染色体适应度取计算公式如下式：
[0022]
[0023] 其中f为适应度函数，MSE为测试集数据的均方误差，y,和义.分别为测试集的真实 值和预测值。
[0024] 优选地，所述第四步中，遗传算法的选择算子采用适应度比例法，按个体适应度在 整个群体适应度中所占的比例确定该个体的被选择概率；个体i被选取的概率Pi和该个体 的累计概率A计算公式如下式；
[0025]
[0026]
[0027] 其中N为种群规模，fi为第i个染色体的适应度。
[002引优选地，所述第四步中，遗传算法的交叉算子计算公式如下式：
[0029] Ci= P ia+P2 (1-a)
[0030] 〇2=p1 (1-a) +Paa
[0031] 式中，Pi，P2为一组配对的俩个个体；c 1，C2为交叉操作后得到的新个体；a为随机 产生的位于（〇，1)区间的随机数。
[0032] 优选地，所述第四步中，遗传算法的变异算子，选择第i个个体的第j个基因进行 变异操作，如下式：
[0033]
[0034] f(g)=r' (1-g/T)
[0035] 其中，CmwCmax为基因的上下限，r，r'为[0, 1]间的随机数，g为当前进化次数，T 为最大进化代数。
[0036] 优选地，所述第五步和第六步中，粒子更新自己速度和位置的公式如下式：
[0037]
[003引X=X+V
[0039] 其中；V为粒子的速度；X为当前粒子的位置；ri和T2是介于（〇，1)之间的随机数； 。和C2是学习因子。
[0040] 本发明带来的有益效果；与自适应的遗传算法、粒子群算法相比，基于遗传算法和 粒子群算法集成的混合优化算法具有优化精度高，收敛精度高，迭代次数少，成功率高等特 点，体现出良好的鲁椿性和较快的收敛速度。
【附图说明】
[0041] 图1为数值模拟的风速预测和实际风速谱的比较示意图。
[0042] 图2为数值模拟的风速值相对误差的比较示意图。
[0043] 图3为GA+PSO-LSSVM数值预测模拟风速的流程图示意图。
【具体实施方式】
[0044] W下结合附图对本发明的实施进一步详细说明。
[0045] 本发明采用核函数为径向基函数的LSSVM，接下来应用GA和PSO集成的方法快速 选取最佳的核函数参数0和正则化参数C组合。遗传算法从串集开始捜索，覆盖面大，全 局寻优能力强，但是容易过早收敛，陷入局部最优；粒子群算法是利用适应值来评价系统， 并根据适应值来进行一定的随机捜索，对种群的初始化不敏感，捜索速度快，局部捜索能力 强。因此，将遗传算法和粒子群算法结合起来，采用遗传算法进行全局捜索，确定最优解存 在的领域，然利用遗传算法得到的最优解初始化粒子群算法，进而通过粒子群算法的局部 捜索，实现非凸空间的高效捜索，获得在实际计算中更高的精度和更快的速度。
[0046] 本发明基于遗传算法和粒子群集成的LSSVM风速预测方法包括如下步骤：
[0047] 第一步，取一风电场的有限风速样本，将风速样本分为训练集、测试集两部分，并 分别进行归一化处理；比如，取一风电场从2011年4月8日18:55至2011年4月12日 23:25的风速数据，每隔lOmin中获取一个风速，共600个风速点。取前500个风速作为训 练集，后100个风速作为测试集，进行归一化处理。
[0048] 上述第一步中，归一化处理公式为式（1):
[0049]
C1)
[0050] 式中，Xmin是X的最小值，X max是X的最大值，利用此式把X的范围整到[0, U。 [0化1] 第二步：初始化遗传算法相关参数（群体规模N，最大进化代数T，交叉概率 P。，变异概率Pm)，设置LSSVM模型核函数参数C和正则化参数0范围和 曰G [0mi。，0m。,]，对染色体进行二进制编码，随机产生初始种群；比如初始化遗传算法，设 置遗传算法种群规模Ni= 50,最大进化代数T = 100,交叉概率P。= 0. 7,变异概率P m= 0. 05 ;设置核函数参数和正则化参数范围C G [10-1，103]和0 G [10-2, 102]，对核函数参数 和正则化参数进行二进制编码，随机产生初始种群。
[0化引第二步中，染色体编码方式采用二进制编码，具体如式（2)和（3);
[0化5] 其中b为二进制数，m为字长，Cm。,、Cmi。为正则化参数C允许的最大值和最小值， 〇m?、0 mi。为核函数参数0允许的最大值和最小值。
[0化6] 第S步；由训练集对LSSVM进行训练学习，进行测试集的预测，计算群体中的每 一个染色体的适应度，判断算法收敛准则是否满足，若满足输出参数组合佑0)进入第五 步，否则进入第四步；
[0化7] 第S步中，每个染色体适应度取计算公式如下式（4);
[0058]
(4)
[0化9] 其中f