基于譜聚類和遺傳優(yōu)化極端學(xué)習(xí)機的超短期風(fēng)速預(yù)測方法
【專利摘要】本發(fā)明涉及一種基于譜聚類和遺傳優(yōu)化極端學(xué)習(xí)機的超短期風(fēng)速預(yù)測方法，包括：S1：準備數(shù)據(jù)；S2：對準備數(shù)據(jù)進行預(yù)處理；S3：對預(yù)處理后的數(shù)據(jù)進行小波變換；S4：對小波變換后的數(shù)據(jù)進行歸一化處理；S5：通過相關(guān)性分析對歸一化處理后的數(shù)據(jù)進行選擇以確定輸入變量；S6：通過主成分分析對S5生成的輸入變量進行降維處理；S7：通過譜聚類方法對S6中降維處理后的數(shù)據(jù)進行聚類分析，與S4中歸一化處理后的數(shù)據(jù)形成極端學(xué)習(xí)機樣本空間；S8：通過極端學(xué)習(xí)機和遺傳算法對S7形成的極端學(xué)習(xí)機樣本空間的數(shù)據(jù)分層預(yù)測；S9：將分層預(yù)測值相加，得到超短期風(fēng)速預(yù)測值。本發(fā)明實現(xiàn)了對風(fēng)速的超短期、多步預(yù)測，提高預(yù)測的準確性，大幅減少計算量，提高預(yù)測效率。
【專利說明】基于譜聚類和遺傳優(yōu)化極端學(xué)習(xí)機的超短期風(fēng)速預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種風(fēng)速預(yù)測【技術(shù)領(lǐng)域】，特別涉及一種基于譜聚類和遺傳優(yōu)化極端學(xué) 習(xí)機的超短期風(fēng)速預(yù)測方法。

【背景技術(shù)】
[0002] 風(fēng)力發(fā)電是一種清潔的可再生能源，開發(fā)利用相對簡單，越來越受到世界各國重 視。有效的風(fēng)速預(yù)測是風(fēng)力發(fā)電研究的基礎(chǔ)環(huán)節(jié)，是并網(wǎng)運行風(fēng)電場風(fēng)電功率預(yù)測預(yù)報系 統(tǒng)建立和運行的必要前提及保證。對風(fēng)電場進行較高精度的超短期風(fēng)速預(yù)測，可以有效降 低由于風(fēng)電機組突然切出而造成的電網(wǎng)電壓和頻率波動，從而減少風(fēng)電功率輸出的大幅波 動，保障電力系統(tǒng)安全可靠運行，給電網(wǎng)調(diào)度和資源配置帶來決策支持。因此，對風(fēng)速進行 有效的、較高精度的預(yù)測，具有重要的現(xiàn)實意義。
[0003] 在利用歷史風(fēng)速數(shù)據(jù)進行預(yù)測建模時，現(xiàn)有技術(shù)通常是將已有歷史風(fēng)速數(shù)據(jù)進 行去噪和降維后直接作為輸入進行建模和預(yù)測，訓(xùn)練樣本空間巨大，樣本數(shù)據(jù)之間存在的 相似性被忽視，導(dǎo)致預(yù)測結(jié)果不穩(wěn)定。研究表明，同一風(fēng)電場的風(fēng)速數(shù)據(jù)表現(xiàn)出一些相 似的變化趨勢。為了充分利用這一性質(zhì)，有學(xué)者提出基于相似理論的聚類分析（Cluster Analysis，CA)方法對風(fēng)速進行預(yù)測。CA按照相似度最大原則對原始風(fēng)速數(shù)據(jù)進行篩選，選 擇相似度最大的風(fēng)速數(shù)據(jù)作為模型訓(xùn)練樣本，取得了良好效果。但是，傳統(tǒng)的K-means等聚 類算法計算復(fù)雜，容易陷入局部最優(yōu)，影響了其在超短期風(fēng)速預(yù)測研究領(lǐng)域的應(yīng)用。譜聚 類（Spectral Clustering, SC)是在譜圖劃分理論基礎(chǔ)上發(fā)展起來的一種新的聚類方法。 與傳統(tǒng)的K-means等聚類算法相比，SC計算復(fù)雜度小、具有能在任意形狀的樣本空間上進 行聚類分析、識別非凸分布聚類的能力，且具有不受數(shù)據(jù)維度影響、收斂于全局最優(yōu)解等優(yōu) 點。SC最早應(yīng)用于計算機視覺、VLSI設(shè)計等領(lǐng)域，目前在行為識別、文本圖像分割等領(lǐng)域 得到廣泛研究，是機器學(xué)習(xí)領(lǐng)域研究熱點之一。在超短期風(fēng)速預(yù)測研究領(lǐng)域引入SC可以有 效減少樣本空間容量，提高分類樣本之間的相似度，降低模型計算復(fù)雜度，提高風(fēng)速預(yù)測效 率，并在一定程度上可以提高預(yù)測準確度。
[0004] 在風(fēng)速預(yù)測建模方法方面，目前常見的有時間序列法、智能預(yù)測方法。時間序列預(yù) 測法利用序列自身數(shù)據(jù)即可建立較高精度的預(yù)測模型，但存在低階模型預(yù)測精度偏低、高 階模型參數(shù)估計難度偏大等不足。神經(jīng)網(wǎng)絡(luò)（Neural Networks, NN)是目前應(yīng)用較多的一 種智能預(yù)測方法，具有良好的自學(xué)習(xí)和自適應(yīng)能力，并具有較強的非線性映射能力和并行 處理能力，在風(fēng)速預(yù)測領(lǐng)域得到了廣泛和深入的研究。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法需要人 為設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)，多采用梯度下降算法調(diào)整權(quán)值參數(shù)，學(xué)習(xí)速度緩慢、泛化性能差、容 易產(chǎn)生局部最優(yōu)解，限制了其進一步應(yīng)用。極端學(xué)習(xí)機作為單隱層前饋神經(jīng)網(wǎng)絡(luò)的一種新 型學(xué)習(xí)算法，僅需設(shè)置網(wǎng)絡(luò)的隱層節(jié)點個數(shù)，在算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán) 值，并且產(chǎn)生唯一的最優(yōu)解，較好的克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在的訓(xùn)練時間長、易產(chǎn) 生過擬合等問題，具有參數(shù)選擇容易、學(xué)習(xí)速度快且泛化性能好等優(yōu)點。


【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有預(yù)測方法的不足，本發(fā)明公開了一種基于譜聚類和遺傳優(yōu)化極端學(xué) 習(xí)機的超短期風(fēng)速預(yù)測方法，該預(yù)測方法結(jié)構(gòu)緊湊，操作簡單。
[0006] 本發(fā)明公開了一種基于譜聚類和遺傳優(yōu)化極端學(xué)習(xí)機的超短期風(fēng)速預(yù)測方法，該 方法包括以下步驟：Sl :準備數(shù)據(jù)；S2對準備數(shù)據(jù)進行預(yù)處理；S3 :對預(yù)處理后的數(shù)據(jù)進行 小波變換；S4 :對小波變換后的數(shù)據(jù)進行歸一化處理；S5 :通過相關(guān)性分析對歸一化處理后 的數(shù)據(jù)進行選擇以確定輸入變量；S6 :通過主成分分析對S5生成的輸入變量進行降維處 理；S7 :通過譜聚類方法對S6中降維處理后的數(shù)據(jù)進行聚類分析，并與S4中歸一化處理后 的數(shù)據(jù)共同形成極端學(xué)習(xí)機樣本空間；S8 :通過極端學(xué)習(xí)機和遺傳算法對S7形成的極端學(xué) 習(xí)機樣本空間的數(shù)據(jù)進行分層預(yù)測，輸出分層預(yù)測值；S9 :將分層預(yù)測值相加，得到超短期 風(fēng)速預(yù)測值。
[0007] 較佳地，本發(fā)明所述的超短期風(fēng)速預(yù)測方法，其中步驟S2具體為對缺失、異常數(shù) 據(jù)進行處理后得到原始風(fēng)速時間序列。
[0008] 較佳地，本發(fā)明所述的超短期風(fēng)速預(yù)測方法，其中步驟S3具體為應(yīng)用小波變換對 原始風(fēng)速時間序列進行分解和重構(gòu)，得到一個概貌序列和若干個細節(jié)序列。
[0009] 較佳地，本發(fā)明所述的超短期風(fēng)速預(yù)測方法，其中步驟S4具體為對溫度和分解后 的風(fēng)速數(shù)據(jù)進行歸一化處理；將溫度和分解后的風(fēng)速數(shù)據(jù)分別映射到[-1，1]之間，訓(xùn)練結(jié) 束后，將仿真輸出再反映射到原數(shù)據(jù)范圍；其中歸一化處理公式如下所示：

【權(quán)利要求】
1. 一種基于譜聚類和遺傳優(yōu)化極端學(xué)習(xí)機的超短期風(fēng)速預(yù)測方法，其特征在于，該方 法包括以下步驟：Sl:準備數(shù)據(jù)；S2對準備數(shù)據(jù)進行預(yù)處理；S3 :對預(yù)處理后的數(shù)據(jù)進行小 波變換；S4 :對小波變換后的數(shù)據(jù)進行歸一化處理；S5 :通過相關(guān)性分析對歸一化處理后的 數(shù)據(jù)進行選擇以確定輸入變量；S6 :通過主成分分析對S5生成的輸入變量進行降維處理； S7 :通過譜聚類方法對S6中降維處理后的數(shù)據(jù)進行聚類分析，并與S4中歸一化處理后的數(shù) 據(jù)共同形成極端學(xué)習(xí)機樣本空間；S8 :通過極端學(xué)習(xí)機和遺傳算法對S7形成的極端學(xué)習(xí)機 樣本空間的數(shù)據(jù)進行分層預(yù)測，輸出分層預(yù)測值；S9 :將分層預(yù)測值相加，得到超短期風(fēng)速 預(yù)測值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S2具體為對缺失、異常數(shù)據(jù)進行處理 后得到原始風(fēng)速時間序列。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，步驟S3具體為應(yīng)用小波變換對原始風(fēng)速 時間序列進行分解和重構(gòu)，得到一個概貌序列和若干個細節(jié)序列。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟S4具體為對溫度和分解后的風(fēng)速數(shù) 據(jù)進行歸一化處理；將溫度和分解后的風(fēng)速數(shù)據(jù)分別映射到[-1，1]之間，訓(xùn)練結(jié)束后，將 仿真輸出再反映射到原數(shù)據(jù)范圍；其中歸一化處理公式如下所示：
在公式（1)中，χπ、4分別表示數(shù)據(jù)歸一化前、后的值，ylmax、ylmin分別表示要歸一化的 映射區(qū)間的最大值1與最小值-1，xlmax、Xlmin分別表示樣本數(shù)據(jù)中的最大、最小值。
5. 根據(jù)權(quán)利要求1-4中任一項所述的方法，其特征在于，步驟S5中的相關(guān)性計算公式 如下所示：
在公式⑵中，x2i、y2i分別是x2、y2的第i個分量，毛、Λ分別是x2、y2的平均值，r為 相關(guān)系數(shù)。
6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟S6具體為應(yīng)用主成分分析根據(jù)成分 累計貢獻率閾值對原始輸入變量矩陣進行主成分的提取。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，步驟S7還包括如下步驟： S7. 1 :構(gòu)建表示降維后輸入數(shù)據(jù)的相似矩陣Z; S7. 2 :計算Z的前K個特征值和特征向量，構(gòu)建特征向量空間； S7. 3 :應(yīng)用k-means或其他聚類算法對特征向量空間中的特征向量進行聚類； S7. 4 :根據(jù)預(yù)測點類標(biāo)簽提取該類標(biāo)簽相應(yīng)類，作為樣本空間的輸入數(shù)據(jù)； S7. 5 :根據(jù)預(yù)測點類標(biāo)簽提取對應(yīng)的原始輸出樣本數(shù)據(jù)，作為樣本空間的輸出數(shù)據(jù)； 57. 6 :樣本空間的輸入、輸出數(shù)據(jù)對即構(gòu)成極端學(xué)習(xí)機樣本空間。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，步驟S8包括如下步驟： 58. 1 :將譜聚類以后的樣本空間劃分為訓(xùn)練集和驗證集； S8. 2 :初始化建立極端學(xué)習(xí)機模型，根據(jù)訓(xùn)練集應(yīng)用極端學(xué)習(xí)機模型進行訓(xùn)練，輸出訓(xùn) 練模型； S8. 3 :根據(jù)訓(xùn)練模型應(yīng)用驗證集進行驗證，輸出驗證集標(biāo)準均方根誤差Enemse，其計算公 式如下式：
公式（4)中，k為每次預(yù)測數(shù)據(jù)長度，y4(i)為原始風(fēng)速數(shù)據(jù)，y4(i)為預(yù)測風(fēng)速數(shù)據(jù)，丸 為預(yù)測時間段原始風(fēng)速數(shù)據(jù)的平均值； S8. 4 :根據(jù)驗證集Enemse進行遺傳算法優(yōu)化，遺傳算法優(yōu)化參數(shù)為輸入權(quán)值和隱含層偏 置； S8. 5 :輸出各分解序列最佳極端學(xué)習(xí)機預(yù)測模型； S8. 6 :應(yīng)用各分解序列最佳極端學(xué)習(xí)機預(yù)測模型對預(yù)測集進行預(yù)測，輸出各分解序列 預(yù)測結(jié)果。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，步驟S9具體為：將各分解序列的預(yù)測結(jié) 果相加即得到原始風(fēng)速的最終預(yù)測值，即 y5=?:+jx ⑶ /=1 公式（5)中，j是分解序列次，< 為概貌序列預(yù)測值，<為各細節(jié)序列預(yù)測值，y5是最 終預(yù)測值。
【文檔編號】G06N3/12GK104239964SQ201410407338
【公開日】2014年12月24日 申請日期:2014年8月18日 優(yōu)先權(quán)日:2014年8月18日
【發(fā)明者】劉達, 王繼龍, 王輝 申請人:華北電力大學(xué)