为适应度函数，MSE为测试集数据的均方误差，y;和式分别为测试集的真实 值和预测值。
[0060] 第四步；设计遗传算子（遗传算子包括选择算子，交叉算子和变异算子）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佑0 )进入第五步；
[0061] 第四步中；
[0062] 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Q i计算公 式如下式（5)和式化）：
[00化]其中N为种群规模，为第i个染色体的适应度。
[0066] 遗传算法的交叉算子计算公式如下式（7)和式巧）；
[0067] Ci= P ia+P2 (1-a) (7)
[0068] 〇2= p 1 (1-a) +Paa (8)
[0069] 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。
[0070] 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，即如下式巧） 和式（10):
[0071]
(9)
[007引 f(g)=r' (1-g/T) (10)
[0073] 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。
[0074] 第五步；利用遗传算法得到的最优参数组合佑0 )，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；比如设置粒子群种群规模馬二35,最大迭代次数M2=120,学习因子Ci=2、C2 = 2。分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测，得到各粒子当前位置的 适应度值，再将所有粒子当前的适应度值与该粒子个体极值Pbest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，当前适应度值作为个体极值Pbwt;
[0075] 第六步；将各粒子的自身最优位置适应度值Pbwt与群体最优位置的适应度值gbest 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，即该粒子的自身最优位置适 应度值Pbwt作为群体最优位置的适应度值g best。检查是否满足迭代寻优结束条件（达到预 先设定的最大迭代次数或预设精度），若满足则结束寻优，求出最优解佑0);否则返回第 二步；
[0076] 在第五步和第六步中，粒子更新自己速度和位置的公式如下式（11)、式（12):
[0077]
UP
[007引 X=X+V (。）
[0079] 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C 2是学习因子。
[0080] 第走步：利用第六步得到的最优参数组合佑0)，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、 PS0-LSSVM预测样本数据的平均绝对百分比误差（MA阳）、均方根误差（RMS巧和平均绝对误 差（MA巧进行比较分析，见表1 ;
[0081] 表1 =种方法模拟的评价指标表
[0082]
[0083] W上步骤可W参考图3,直观地给出了本发明的实施流程。从图1可W直观看出， 结合GA、PS0集成的LSSVM模型所得到的预测数据图像和实际的更吻合。从图2可W直观 看出，结合GA、PS0集成的LSSVM模型所得到的预测数据相对误差图像更贴近于零轴。从 表1数据上可W直观的看出，结合GA、PS0集成的LSSVM模型预测数据的平均绝对百分比误 差（MAP巧相比GA优化算法下降了 56. 1%，相比PS0优化算法下降了 40.2% ;均方根误差 (RMS巧相比GA优化算法下降了 49. 0 %，相比PS0优化算法下降了 46. 9 % ;平均绝对误差 (MA巧相比GA优化算法下降了 50 %，相比PS0优化算法下降了 43. 5 %。
[0084] 本发明通过GA和PS0集成算法对LSSVM的模型参数进行智能选择，获得优化的 LSSVM模型，利用已知时间段的风速对LSSVM模型进行训练学习，实现了更精确、更快速地 预测未知时间段的风速。
【主权项】
1. 一种基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征在于，其包括如下 步骤： 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； 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和正则化参数〇范 围CG[(；in，C_]和〇G[ 0 _，0 _]，对染色体进行二进制编码，随机产生初始种群； 第三步：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； 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； 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； 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； 第七步：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。2. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，所述第一步中，归一化处理的公式为下式：式中，1_是x的最小值，1_是x的最大值，利用此式把x的范围整到[0, 1]。3. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，所述第二步中，染色体编码方式采用二进制编码，如下式：其中b为二进制数，m为字长，Cmax、Cmin为正则化参数C允许的最大值和最小值，〇 _、 〇min为核函数参数〇允许的最大值和最小值。4. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，所述第三步中，每个染色体适应度取计算公式如下式：其中f?为适应度函数，MSE为测试集数据的均方误差，yJP分别为测试集的真实值和 预测值。5. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，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Qi计算公式如下 式：其中N为种群规模，为第i个染色体的适应度。6. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，所述第四步中：所述第四步中，遗传算法的交叉算子计算公式如下式： Cl=PIa+P2^1_a) 。2-P1 (1_&)+P2& 式中，Pi，&为一组配对的俩个个体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。7. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，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：f(g) =rr (1-g/T) 其中，Cmin，C_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。8. 根据权利要求1所述的基于遗传算法和粒子群集成的LSSVM风速预测方法，其特征 在于，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： X = X+V其中：V为粒子的速度3为当前粒子的位置A和I* 2是介于（0,1)之间的随机数；C1 和C2是学习因子^
【专利摘要】本发明提供一种基于遗传算法和粒子群集成的LSSVM风速预测方法，其包括如下步骤：将有限风速样本划分为训练集和测试集，进行归一化处理；初始化遗传算法、LSSVM相关参数；进行染色体编码，随机生成初始种群；计算每个染色体对应的适应度，若满足要求直接进入第五步粒子群算法，若不满足，进行遗传算法的选择、交叉、变异操作；用遗传算法得到的最优参数组合初始化粒子群相关参数；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；输出最终的最优参数组合，得到优化的LSSVM模型；得到预测的风速时程谱。本发明具有优化精度高，收敛精度高，迭代次数少，成功率高等特点。
【IPC分类】G06K9/62, G06N3/12, G06Q10/04
【公开号】CN104951834
【申请号】CN201510354573
【发明人】李春祥, 丁晓达
【申请人】上海大学
【公开日】2015年9月30日
【申请日】2015年6月24日