本發(fā)明涉及風(fēng)速預(yù)測(cè)領(lǐng)域，尤其涉及一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法。

背景技術(shù)：

風(fēng)能作為一種清潔的可再生能源，近年來(lái)受到世界各國(guó)的廣泛重視。大力發(fā)展風(fēng)力發(fā)電是我國(guó)能源建設(shè)實(shí)施可持續(xù)發(fā)展戰(zhàn)略的需要，對(duì)加快國(guó)民經(jīng)濟(jì)發(fā)展、促進(jìn)電力產(chǎn)業(yè)調(diào)整、減少環(huán)境污染、推進(jìn)科技進(jìn)步具有重要的意義。我國(guó)風(fēng)能儲(chǔ)量大，分布廣，潛力巨大。因此，在國(guó)家政策扶持和能源供應(yīng)緊張的大環(huán)境下，中國(guó)風(fēng)速發(fā)電行業(yè)的發(fā)展前景十分廣闊，預(yù)計(jì)未來(lái)很長(zhǎng)一段時(shí)間將會(huì)保持高速發(fā)展。

隨著大型風(fēng)電場(chǎng)的迅猛發(fā)展，風(fēng)速發(fā)電的不確定性和波動(dòng)性已經(jīng)給電網(wǎng)調(diào)度以及安全運(yùn)行帶來(lái)嚴(yán)峻的挑戰(zhàn)。為了提高風(fēng)能的利用率，越來(lái)越多的風(fēng)速發(fā)電企業(yè)需要準(zhǔn)確的風(fēng)速預(yù)測(cè)服務(wù)，通過(guò)預(yù)測(cè)風(fēng)速資源從而給出比較準(zhǔn)確的發(fā)電曲線，以便調(diào)控分配電量，實(shí)現(xiàn)現(xiàn)代風(fēng)電與傳統(tǒng)發(fā)電聯(lián)合優(yōu)化運(yùn)行。目前，對(duì)風(fēng)速的預(yù)測(cè)主要依賴于物理預(yù)測(cè)模型，其計(jì)算量大，誤差累積率高，而且需要專業(yè)人士維護(hù)，不能滿足風(fēng)電企業(yè)對(duì)風(fēng)能短期預(yù)報(bào)的需求，更不能對(duì)風(fēng)電場(chǎng)范圍內(nèi)的風(fēng)速分布做出精細(xì)的預(yù)報(bào)。因此，要大規(guī)模使用風(fēng)速發(fā)電必須提高風(fēng)速預(yù)測(cè)的準(zhǔn)確度和可靠性。

人工神經(jīng)網(wǎng)絡(luò)是模仿生物結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，由大量神經(jīng)元相連而成，每個(gè)神經(jīng)元的結(jié)構(gòu)與功能比較簡(jiǎn)單，但是其組合而成的系統(tǒng)則是復(fù)雜的，能對(duì)信息進(jìn)行大規(guī)模并行處理、分布儲(chǔ)存。由于其具有良好的適應(yīng)性、自組織性和容錯(cuò)性并具有較強(qiáng)的學(xué)習(xí)、記憶、聯(lián)想、識(shí)別等功能，神經(jīng)網(wǎng)絡(luò)可以任意逼近復(fù)雜的非線性連續(xù)系統(tǒng)。所以，神經(jīng)網(wǎng)絡(luò)為風(fēng)電場(chǎng)短期預(yù)測(cè)提供了一種強(qiáng)而有力的分析工具。但單一的神經(jīng)網(wǎng)絡(luò)容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足等缺陷，所以預(yù)測(cè)精度不高，可靠性低。

現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波 動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題。

本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，包括：

S1、利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列；

S2、對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解；

S3、根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

可選地，步驟S1具體包括：

S11、根據(jù)小波包分解尺度數(shù)M，采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列。

可選地，步驟S2對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解具體包括：

S21、對(duì)所有子序列的每個(gè)值進(jìn)行歸一化處理；

S22、對(duì)神經(jīng)網(wǎng)絡(luò)中的輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k進(jìn)行編碼；

S23、在解空間中，隨機(jī)產(chǎn)生初始化父代種群X；

S24、對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

S25、計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò) 執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S；

S26、對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

S27、根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X；

S28、判斷父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值，否則，轉(zhuǎn)至步驟S25進(jìn)行新的迭代，直到父代種群X達(dá)到預(yù)設(shè)的算法終止條件。

可選地，步驟S25包括：

根據(jù)預(yù)置第一公式計(jì)算父代種群方差E，并根據(jù)父代種群方差E選擇執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，預(yù)置第一公式具體為：

其中，E為父代種群方差，x_i,j為個(gè)體x_i的第j維；

若E＞MV，則執(zhí)行以下差分算子，具體包括突變操作、交叉操作、選擇操作，其中MV為方差極小值；

其中突變操作具體為：在父代種群中，通過(guò)預(yù)置第二公式，對(duì)父代種群中的每一個(gè)個(gè)體x_i的每一維x_i,j執(zhí)行變異操作，獲得與其對(duì)應(yīng)的突變個(gè)體v_i對(duì)應(yīng)的第j維v_i,j，其中，預(yù)置第二公式具體為：

v_i,j＝x_r1,j+MF·(x_r2,j-x_r3,j);i∈(1，Z),j∈(1,D)；

其中，r1,r2,r3∈{1,2,...Z}互不相同，同時(shí)與i不同；x_r1,j為父代基向量x_r1的第j維；（x_r2,j-x_r3,j）為父代差分向量（x_r2-x_r3）的第j維；MF為0～2隨機(jī)數(shù)，并稱為縮放比例因子；

交叉操作具體為：利用預(yù)置第三公式對(duì)x_i和由突變操作公式生成的突變個(gè)體v_i實(shí)施交叉操作，生成試驗(yàn)個(gè)體VS_i，預(yù)置第三公式具體為：

其中，rand()為0～1之間的均勻分布隨機(jī)數(shù)；probability_DE為范圍在0～1之間的交叉概率；

若E≤MV，則執(zhí)行以下縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較隨機(jī)數(shù)R與初始化的變異概率probabilit y_v，若R＞probabilit y_v，則對(duì)父代種群X中的個(gè)體x_i的第j維x_i(j)執(zhí)行如下操作：

利用預(yù)置第四公式，隨機(jī)生成-1～1的數(shù)，預(yù)置第四公式具體為：

rr1=randn()；

再通過(guò)預(yù)置第五公式進(jìn)行計(jì)算，公式具體為：

remind_down＝x_i(j)-field(2,j)；

其中，field(2,j)為種群中所有個(gè)體x_i的第j維；

在此基礎(chǔ)上，繼續(xù)執(zhí)行預(yù)置第六公式，預(yù)置第六公式具體為：

remind_up＝field(1,j)-x_i(j)；

其中，field(1,j)為種群中所有個(gè)體x_i的第j維；

結(jié)合預(yù)置第五公式和預(yù)置第六公式，通過(guò)執(zhí)行預(yù)置第七公式進(jìn)行進(jìn)一步的計(jì)算，預(yù)置第七公式具體為：

其中，VS_i(j)為縱向變異后個(gè)體VS_i的第j維；

若R＜probabilit y_v則執(zhí)行如下預(yù)置第八公式，預(yù)置第八公式具體為：

VS_i(j)＝x_i(j)。

可選地，根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果之后還包括：

S41、對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果，并判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié)果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)，包括：

分解模塊，用于利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列；

計(jì)算模塊，用于對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X 的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解；

建模模塊，用于根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

可選地，分解模塊包括：

分解單元，用于根據(jù)小波包分解尺度數(shù)M，采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列。

可選地，計(jì)算模塊包括：

歸一化單元，用于對(duì)所有子序列的每個(gè)值進(jìn)行歸一化處理；

編碼單元，用于對(duì)神經(jīng)網(wǎng)絡(luò)中的輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k進(jìn)行編碼；

種群初始化單元，用于在解空間中，隨機(jī)產(chǎn)生初始化父代種群X；

第一評(píng)價(jià)單元，用于對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

種群產(chǎn)生單元，用于計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S；

第二評(píng)價(jià)單元，用于對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

更新單元，用于根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X；

判斷單元，用于判斷父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值，否則，轉(zhuǎn)至步驟S25進(jìn)行新的迭代，直到父代種群X達(dá)到預(yù)設(shè)的算法終止條件。

可選地，種群產(chǎn)生單元包括：

子代種群產(chǎn)生子單元，用于根據(jù)預(yù)置第一公式計(jì)算父代種群方差E，并根據(jù)父代種群方差E選擇執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，預(yù)置第一公式具體為：

其中，E為父代種群方差，x_i,j為個(gè)體x_i的第j維；

若E＞MV，則執(zhí)行以下差分算子，具體包括突變操作、交叉操作、選擇操作，其中MV為方差極小值；

其中突變操作具體為：在父代種群中，通過(guò)預(yù)置第二公式，對(duì)父代種群中的每一個(gè)個(gè)體x_i的每一維x_i,j執(zhí)行變異操作，獲得與其對(duì)應(yīng)的突變個(gè)體v_i對(duì)應(yīng)的第j維v_i,j，其中，預(yù)置第二公式具體為：

v_i,j＝x_r1,j+MF@(x_r2,j-x_r3,j);i∈(1，Z),j∈(1,D)；

其中，r1,r2,r3∈{1,2,...Z}互不相同，同時(shí)與i不同；x_r1,j為父代基向量x_r1的第j維；（x_r2,j-x_r3,j）為父代差分向量（x_r2-x_r3）的第j維；MF為0～2隨機(jī)數(shù)，并稱為縮放比例因子；

交叉操作具體為：利用預(yù)置第三公式對(duì)x_i和由突變操作公式生成的突變個(gè)體v_i實(shí)施交叉操作，生成試驗(yàn)個(gè)體VS_i，預(yù)置第三公式具體為：

其中，rand()為0～1之間的均勻分布隨機(jī)數(shù)；probability_DE為范圍在0～1之間的交叉概率；

若E≤MV，則執(zhí)行以下縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較隨機(jī)數(shù)R與初始化的變異概率probabilit y_v，若R＞probabilit y_v，則對(duì)父代種群X中的個(gè)體x_i的第j維x_i(j)執(zhí)行如下操作：

利用預(yù)置第四公式，隨機(jī)生成-1～1的數(shù)，預(yù)置第四公式具體為：

rr1=randn()；

再通過(guò)預(yù)置第五公式進(jìn)行計(jì)算，公式具體為：

remind_down＝x_i(j)-field(2,j)；

其中，field(2,j)為種群中所有個(gè)體x_i的第j維；

在此基礎(chǔ)上，繼續(xù)執(zhí)行預(yù)置第六公式，預(yù)置第六公式具體為：

remind_up＝field(1,j)-x_i(j)；

其中，field(1,j)為種群中所有個(gè)體x_i的第j維；

結(jié)合預(yù)置第五公式和預(yù)置第六公式，通過(guò)執(zhí)行預(yù)置第七公式進(jìn)行進(jìn)一步 的計(jì)算，預(yù)置第七公式具體為：

其中，VS_i(j)為縱向變異后個(gè)體VS_i的第j維；

若R＜probabilit y_v則執(zhí)行如下預(yù)置第八公式，預(yù)置第八公式具體為：

VS_i(j)＝x_i(j)。

可選地，基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)還包括：

反歸一化模塊，用于對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到相應(yīng)子序列的風(fēng)速預(yù)測(cè)結(jié)果，并判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié)果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法及系統(tǒng)，首先通過(guò)利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列，再對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解，最后根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題，提高了整體預(yù)測(cè)效果。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的一個(gè)實(shí)施例；

圖2為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的另一個(gè)實(shí)施例；

圖3為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)的一個(gè)實(shí)施例；

圖4為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)的另一個(gè)實(shí)施例；

圖5為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的種群中粒子權(quán)值閾值編碼示意圖；

圖6為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法一個(gè)實(shí)際應(yīng)用例的原始風(fēng)速序列示意圖；

圖7為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法一個(gè)實(shí)際應(yīng)用例的小波包分解子序列示意圖；

圖8為本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法一個(gè)實(shí)際應(yīng)用例的所有方法預(yù)測(cè)對(duì)比圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，用于解決現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，準(zhǔn)確度低，可靠性差的技術(shù)問(wèn)題。

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點(diǎn)能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而非全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，包括：

S1、利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列；

在進(jìn)行預(yù)測(cè)前，需要進(jìn)行對(duì)預(yù)測(cè)過(guò)程中所需用到的參數(shù)進(jìn)行初始化，并利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列。

S2、對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解；

在利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列之后，對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解。

S3、根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

在得到父代種群X中一組權(quán)值和閾值之后，根據(jù)父代種群X中一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，即可得到子序列的預(yù)測(cè)結(jié)果。

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，首先通過(guò)利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列，再對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解，最后根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題，提高了整體預(yù)測(cè)效果。

以上為對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的詳細(xì)描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算 法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的具體過(guò)程進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖2，本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的另一個(gè)實(shí)施例包括：

S11、根據(jù)初始化小波包分解尺度數(shù)M，采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列。

在進(jìn)行預(yù)測(cè)前，需要對(duì)所需用到的各種參數(shù)進(jìn)行初始化。具體為：小波包分解的尺度數(shù)M、神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)H、神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)元個(gè)數(shù)m、神經(jīng)網(wǎng)絡(luò)的隱含層的神經(jīng)元個(gè)數(shù)h、神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個(gè)數(shù)n、種群大小Z、最大迭代次數(shù)、差分交叉概率probability_DE、縱向變異概率probabilit y_v、方差極小值MV。

在對(duì)小波包分解尺度數(shù)M進(jìn)行初始化后，采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列，具體為：

對(duì)原始數(shù)據(jù)集作小波包分解，分別執(zhí)行分解算法如公式一和重構(gòu)算法如公式二；

公式一中：分別為小波包分解系數(shù)；h_k-2l、g_k-2l分別為小波包分解的低通、高通濾波器組；

其中，分別為小波包重構(gòu)的低通、高通濾波器組。

S21、對(duì)所有子序列的每個(gè)值進(jìn)行歸一化處理；

在采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列后，對(duì)所有小波包分解完的子序列的每個(gè)值用公式三進(jìn)行歸一化處理；

其中，x^kk為第kk個(gè)子序列的值、為第kk個(gè)子序列的最小值、為第kk個(gè)子序列的最大值。

S22、對(duì)神經(jīng)網(wǎng)絡(luò)中的輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層 之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k進(jìn)行編碼；

在對(duì)所有子序列進(jìn)行歸一化處理后，對(duì)神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值、閾值進(jìn)行編碼，具體為:

在整個(gè)預(yù)測(cè)過(guò)程中，輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k在種群中每個(gè)粒子的編碼格公式如圖5所示。

其中，W1為輸入層到隱含層之間所有權(quán)值組成的排列，W2為隱含層到輸出層之間所有權(quán)值組成的排列，b1為隱含層的所有閾值組成的排列，b2為輸出層的所有閾值組成的排列，種群中每個(gè)粒子的維數(shù)為D＝(n+m)×h+h+m。

S23、在解空間中，隨機(jī)產(chǎn)生初始化父代種群X；

在對(duì)神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值、閾值進(jìn)行編碼后，需要在解空間中，進(jìn)行隨機(jī)產(chǎn)生初始化父代種群X，具體為：

根據(jù)公式四在解空間中，隨機(jī)初始化父代種群X：

其中，L_j為第j維變量的下限，U_j為第j維變量的上限，rand()為0～1的隨機(jī)數(shù)。

S24、對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

在進(jìn)行隨機(jī)產(chǎn)生初始化父代種群X后，需要對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)，具體為：

根據(jù)公式五對(duì)父代種群X中的每個(gè)粒子進(jìn)行父代適應(yīng)度評(píng)價(jià)：

其中，F(xiàn)為目標(biāo)函數(shù)，N為訓(xùn)練樣本，p_j和分別為實(shí)際輸出和目標(biāo)輸出。

S25、計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S；

在對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)后，計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，具體為：

根據(jù)公式六計(jì)算父代種群方差E，并根據(jù)父代種群方差E選擇執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S:

其中，E為父代種群方差，x_i,j為個(gè)體x_i的第j維；

若E＞MV,則執(zhí)行以下差分算子，具體包括突變操作、交叉操作、選擇操作；

其中突變操作具體為：在父代種群中，通過(guò)公式七，對(duì)父代種群中的每一個(gè)個(gè)體x_i的每一維x_i,j執(zhí)行變異操作，獲得與其對(duì)應(yīng)的突變個(gè)體v_i對(duì)應(yīng)的第j維v_i,j：

v_i,j＝x_r1,j+MF@(x_r2,j-x_r3,j);i∈(1，Z),j∈(1,D)； 七

其中，r1,r2,r3∈{1,2,...Z}互不相同，同時(shí)與i不同；x_r1,j為父代基向量x_r1的第j維；（x_r2,j-x_r3,j）為父代差分向量（x_r2-x_r3）的第j維；MF為0～2隨機(jī)數(shù)，并稱為縮放比例因子；

交叉操作具體為:

利用公式八對(duì)x_i和由公式七生成的突變個(gè)體v_i實(shí)施交叉操作，生成試驗(yàn)個(gè)體VS_i，其中公式八為：

其中，rand()為0～1之間的均勻分布隨機(jī)數(shù)；probability_DE為范圍在0～1之間的交叉概率；

若E≤MV，則執(zhí)行以下縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較隨機(jī)數(shù)R與初始化的變異概率probabilit y_v，若R＞probabilit y_v，則對(duì)父代種群X中的個(gè)體x_i的第j維x_i(j)執(zhí)行如下操作：

利用公式九，隨機(jī)生成-1～1的數(shù)，公式九具體為：

rr1=randn()； 九

再通過(guò)公式十進(jìn)行計(jì)算，公式十具體為：

remind_down＝x_i(j)-field(2,j)； 十

其中，field(2,j)為種群中所有個(gè)體x_i的第j維；

在此基礎(chǔ)上，繼續(xù)執(zhí)行公式十一，公式十一具體為：

remind_up＝field(1,j)-x_i(j)； 十一

其中，field(1,j)為種群中所有個(gè)體x_i的第j維；

結(jié)合公式十和公式十一，通過(guò)執(zhí)行公式十二進(jìn)行進(jìn)一步的計(jì)算，公式十二具體為：

其中，VS_i(j)為縱向變異后個(gè)體VS_i的第j維；

若R＜probabilit y_v則執(zhí)行如下公式十三，公式十三具體為：

VS_i(j)＝x_i(j)； 十三

其中，前述的預(yù)置第一公式為公式六，前述的預(yù)置第二公式為公式七，

前述的預(yù)置第三公式為公式八，前述的預(yù)置第四公式為公式九，前述的預(yù)置第五公式為公式十，前述的預(yù)置第六公式為公式十一，前述的預(yù)置第七公式為公式十二，前述的預(yù)置第八公式為公式十三。

S26、對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

在計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S后，對(duì)子代種群S中的每個(gè)粒子用公式五進(jìn)行適應(yīng)度評(píng)價(jià)，公式五具體為：

其中，F(xiàn)為目標(biāo)函數(shù)，N為訓(xùn)練樣本，p_j和分別為實(shí)際輸出和目標(biāo)輸出。

S27、根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X；

在對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)之后，根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行執(zhí)行公式十四，來(lái)選擇操作更新父代種群X，公式十四具體為：

其中，F(xiàn)為目標(biāo)函數(shù)。

S28、判斷父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值，否則，轉(zhuǎn)至步驟S25進(jìn)行新的迭代，直到父代種群X達(dá)到預(yù)設(shè)的算法終止條件；

在根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X之后，判斷父代種群X是否達(dá)到最大迭代次數(shù)maxgen，若是，則輸出此時(shí)父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值閾值，否則轉(zhuǎn)至步驟S25進(jìn)行新的迭代，直到父代種群X達(dá)到預(yù)設(shè)的算法終止條件。

S31、根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果；

在輸出父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值之后，根據(jù)父代種群X中作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值所輸出的適應(yīng)值最優(yōu)的一組解以及步驟S11中已經(jīng)進(jìn)行初始化的神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)H、神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)元個(gè)數(shù)m、神經(jīng)網(wǎng)絡(luò)的隱含層的神經(jīng)元個(gè)數(shù)h、神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個(gè)數(shù)n，構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

S41、對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果，并判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié)果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

在根據(jù)父代種群X中作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值所輸出的適應(yīng)值最優(yōu)的一組解構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果之后，對(duì)子序列的預(yù)測(cè)結(jié)果用公式十五進(jìn)行反歸一化，得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果，公式十五具體為：

在得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果之后，判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是 否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié)果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，首先通過(guò)利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列，再對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解，最后根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果后，對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到相應(yīng)子序列的風(fēng)速預(yù)測(cè)結(jié)果，并將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題，提高了整體預(yù)測(cè)效果。

以上為對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法的具體過(guò)程進(jìn)行的詳細(xì)描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖3，本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)，包括：

分解模塊301，用于利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列；

在進(jìn)行預(yù)測(cè)前，需要通過(guò)分解模塊301進(jìn)行對(duì)預(yù)測(cè)過(guò)程中所需用到的參數(shù)進(jìn)行初始化，并利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列。

計(jì)算模塊302，用于對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解；

在利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列之后，通過(guò)計(jì)算模塊302對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解。

建模模塊303，用于根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

在得到父代種群X中一組權(quán)值和閾值之后，通過(guò)建模模塊303根據(jù)父代種群X中一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，即可得到子序列的預(yù)測(cè)結(jié)果。

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，首先通過(guò)分解模塊301進(jìn)行利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列，再通過(guò)計(jì)算模塊302對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解，最后通過(guò)建模模塊303根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題，提高了整體預(yù)測(cè)效果。

以上為對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)的具體結(jié)構(gòu)進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖4，本發(fā)明實(shí)施例提供的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)系統(tǒng)的另一個(gè)實(shí)施例包括：

分解模塊401，具體包括：

分解單元4011，用于根據(jù)初始化小波包分解尺度數(shù)M，采用小波包分解 技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列。

先初始化小波包分解的尺度數(shù)M、神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)H、神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)元個(gè)數(shù)m、神經(jīng)網(wǎng)絡(luò)的隱含層的神經(jīng)元個(gè)數(shù)h、神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個(gè)數(shù)n、種群大小Z、最大迭代次數(shù)、差分交叉概率probability_DE、縱向變異概率probabilit y_v、方差極小值MV，在對(duì)小波包分解尺度數(shù)M進(jìn)行初始化后，通過(guò)分解單元4012采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列，具體為：

對(duì)原始數(shù)據(jù)集作小波包分解，分別執(zhí)行分解算法如公式一和重構(gòu)算法如公式二；

公式一中：分別為小波包分解系數(shù)；h_k-2l、g_k-2l分別為小波包分解的低通、高通濾波器組；

其中，分別為小波包重構(gòu)的低通、高通濾波器組。

計(jì)算模塊402，具體還包括：

歸一化單元4021，用于對(duì)所有子序列的每個(gè)值進(jìn)行歸一化處理；

在采用小波包分解技術(shù)將原始風(fēng)速時(shí)間序列分解成高低頻率的子序列后，通過(guò)歸一化單元4021對(duì)所有小波包分解完的子序列的每個(gè)值用公式三進(jìn)行歸一化處理；

其中，x^kk為第kk個(gè)子序列的值、為第kk個(gè)子序列的最小值、為第kk個(gè)子序列的最大值。

編碼單元4022，用于對(duì)神經(jīng)網(wǎng)絡(luò)中的輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k進(jìn)行編碼；

在對(duì)所有子序列進(jìn)行歸一化處理后，通過(guò)編碼單元4022對(duì)神經(jīng)網(wǎng)絡(luò)中的 所有權(quán)值、閾值進(jìn)行編碼，具體為:

在整個(gè)預(yù)測(cè)過(guò)程中，輸入層與隱含層之間的權(quán)值Wij、隱含層與輸出層之間的權(quán)值Wjk、隱含層的閾值b1j和輸出層的閾值b2k在種群中每個(gè)粒子的編碼格公式如圖5所示。

其中，W1為輸入層到隱含層之間所有權(quán)值組成的排列，W2為隱含層到輸出層之間所有權(quán)值組成的排列，b1為隱含層的所有閾值組成的排列，b2為輸出層的所有閾值組成的排列，種群中每個(gè)粒子的維數(shù)為D＝(n+m)×h+h+m。

種群初始化單元4023，用于在解空間中，隨機(jī)產(chǎn)生初始化父代種群X；

在對(duì)神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值、閾值進(jìn)行編碼后，需要在解空間中，通過(guò)種群初始化單元4023進(jìn)行隨機(jī)產(chǎn)生初始化父代種群X，具體為：

根據(jù)公式四在解空間中，隨機(jī)初始化父代種群X：

其中，L_j為第j維變量的下限，U_j為第j維變量的上限，rand()為0～1的隨機(jī)數(shù)。

第一評(píng)價(jià)單元4024，用于對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

在進(jìn)行隨機(jī)產(chǎn)生初始化父代種群X后，通過(guò)第一評(píng)價(jià)單元4024需要對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)，具體為：

根據(jù)公式五對(duì)父代種群X中的每個(gè)粒子進(jìn)行父代適應(yīng)度評(píng)價(jià)：

其中，F(xiàn)為目標(biāo)函數(shù)，N為訓(xùn)練樣本，p_j和分別為實(shí)際輸出和目標(biāo)輸出。

種群產(chǎn)生單元4025，用于計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，具體包括：

子代種群產(chǎn)生子單元40251，在對(duì)父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)后，通過(guò)子代種群產(chǎn)生子單元40251計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，具體為：

根據(jù)公式六計(jì)算父代種群方差E，并根據(jù)父代種群方差E選擇執(zhí)行差分 算子或縱向變異算子產(chǎn)生子代種群S:

其中，E為父代種群方差，x_i,j為個(gè)體x_i的第j維；

若E＞MV,則執(zhí)行以下差分算子，具體包括突變操作、交叉操作、選擇操作；

其中突變操作具體為：在父代種群中，通過(guò)公式七，對(duì)父代種群中的每一個(gè)個(gè)體x_i的每一維x_i,j執(zhí)行變異操作，獲得與其對(duì)應(yīng)的突變個(gè)體v_i對(duì)應(yīng)的第j維v_i,j：

v_i,j＝x_r1,j+MF·(x_r2,j-x_r3,j);i∈(1，Z),j∈(1,D) 七

其中，r1,r2,r3∈{1,2,...Z}互不相同，同時(shí)與i不同；x_r1,j為父代基向量x_r1的第j維；（x_r2,j-x_r3,j）為父代差分向量（x_r2-x_r3）的第j維；MF為0～2隨機(jī)數(shù)，并稱為縮放比例因子；

交叉操作具體為:

利用公式八對(duì)x_i和由公式七生成的突變個(gè)體v_i實(shí)施交叉操作，生成試驗(yàn)個(gè)體VS_i，其中公式八為：

其中，rand()為0～1之間的均勻分布隨機(jī)數(shù)；probability_DE為范圍在0～1之間的交叉概率；

若E≤MV，則執(zhí)行以下縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較隨機(jī)數(shù)R與初始化的變異概率probabilit y_v，若R＞probabilit y_v，則對(duì)父代種群X中的個(gè)體x_i的第j維x_i(j)執(zhí)行如下操作：

利用公式九，隨機(jī)生成-1～1的數(shù)，公式九具體為：

rr1=randn() 九

再通過(guò)公式十進(jìn)行計(jì)算，公式十具體為：

remind_down＝x_i(j)-field(2,j); 十

其中，field(2,j)為種群中所有個(gè)體x_i的第j維；

在此基礎(chǔ)上，繼續(xù)執(zhí)行公式十一，公式十一具體為：

remind_up＝field(1,j)-x_i(j); 十一

其中，field(1,j)為種群中所有個(gè)體x_i的第j維；

結(jié)合公式十和公式十一，通過(guò)執(zhí)行公式十二進(jìn)行進(jìn)一步的計(jì)算，公式十二具體為：

其中，VS_i(j)為縱向變異后個(gè)體VS_i的第j維；

若R＜probabilit y_v則執(zhí)行如下公式十三，公式十三具體為：

VS_i(j)＝x_i(j); 十三

第二評(píng)價(jià)單元4026，用于對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

在計(jì)算父代種群X的方差E，并根據(jù)父代種群X的方差E選擇通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S后，通過(guò)第二評(píng)價(jià)單元4026對(duì)子代種群S中的每個(gè)粒子用公式五進(jìn)行適應(yīng)度評(píng)價(jià)，公式五具體為：

其中，F(xiàn)為目標(biāo)函數(shù)，N為訓(xùn)練樣本，p_j和分別為實(shí)際輸出和目標(biāo)輸出。

更新單元4027，用于根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X；

在對(duì)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)之后，通過(guò)更新單元4027根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行執(zhí)行公式十四，來(lái)選擇操作更新父代種群X，公式十四具體為：

其中，F(xiàn)為目標(biāo)函數(shù)。

判斷單元4028，用于判斷父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和 閾值，否則，轉(zhuǎn)至步驟S25進(jìn)行新的迭代，直到所述父代種群X達(dá)到預(yù)設(shè)的算法終止條件。

在根據(jù)子代種群S中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)得到的結(jié)果進(jìn)行選擇操作更新父代種群X之后，通過(guò)判斷單元4028判斷父代種群X是否達(dá)到最大迭代次數(shù)maxgen，若是，則輸出此時(shí)父代種群X中適應(yīng)值最優(yōu)的一組解作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值閾值，否則轉(zhuǎn)至步驟S25進(jìn)行新的迭代。

建模模塊403，具體還包括：

建模預(yù)測(cè)單元4031，用于根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

在得到父代種群X中一組權(quán)值和閾值之后，通過(guò)建模預(yù)測(cè)單元4031根據(jù)父代種群X中作為神經(jīng)網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值和閾值所輸出的適應(yīng)值最優(yōu)的一組解以及步驟S11中已經(jīng)進(jìn)行初始化的神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)H、神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)元個(gè)數(shù)m、神經(jīng)網(wǎng)絡(luò)的隱含層的神經(jīng)元個(gè)數(shù)h、神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個(gè)數(shù)n，構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果。

反歸一化模塊404，用于對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到相應(yīng)子序列的風(fēng)速預(yù)測(cè)結(jié)果，并判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié)果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果之后，對(duì)子序列的預(yù)測(cè)結(jié)果用公式十五進(jìn)行反歸一化，得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果，公式十五具體為：

在得到子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果之后，判斷子序列的風(fēng)速預(yù)測(cè)結(jié)果是否達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件，若是，則將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，否則，則轉(zhuǎn)至執(zhí)行步驟S23，直到子序列的風(fēng)速預(yù)測(cè)結(jié) 果達(dá)到預(yù)設(shè)的預(yù)測(cè)終止條件。

本發(fā)明實(shí)施例提供了一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，首先通過(guò)分解模塊401進(jìn)行利用小波包分解將原始風(fēng)速信號(hào)分解成不同頻率的子序列，再通過(guò)計(jì)算模塊402對(duì)子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)父代種群X的方差E通過(guò)執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過(guò)子代種群S更新父代種群X，得到父代種群X中一組權(quán)值和閾值，一組權(quán)值和閾值為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值的最優(yōu)解，最后通過(guò)建模模塊403根據(jù)一組權(quán)值和閾值構(gòu)建子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到子序列的預(yù)測(cè)結(jié)果后，通過(guò)反歸一化模塊404對(duì)子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到相應(yīng)子序列的風(fēng)速預(yù)測(cè)結(jié)果，并將所有子序列的風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)存在著準(zhǔn)確度低，可靠性差等缺陷，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)所采用的單一模型或結(jié)合啟發(fā)公式算法的預(yù)測(cè)模型誤差波動(dòng)大，容易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、校驗(yàn)精度低、泛化能力不足的技術(shù)問(wèn)題，提高了整體預(yù)測(cè)效果。

需要說(shuō)明的是，為驗(yàn)證本發(fā)明所提出的一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法和系統(tǒng)的有效性和優(yōu)越性，下面通過(guò)一具體實(shí)用例對(duì)一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法和系統(tǒng)的應(yīng)用進(jìn)行說(shuō)明。

預(yù)先設(shè)定如下：仿真數(shù)據(jù)來(lái)源于荷蘭某風(fēng)電場(chǎng)的實(shí)測(cè)小時(shí)風(fēng)速數(shù)據(jù)，根據(jù)該風(fēng)電場(chǎng)2011年1月份到2014年12月份每1h記錄一次的風(fēng)速值（共計(jì)35064個(gè)采樣點(diǎn)）。圖6展示了2014年1月1日～2014年2月2日測(cè)得的風(fēng)速時(shí)間序列（含750個(gè)采樣點(diǎn)），這將在本發(fā)明實(shí)施例中使用，利用前600h的數(shù)據(jù)進(jìn)行建模，對(duì)后100h的風(fēng)速進(jìn)行預(yù)測(cè)。

為驗(yàn)證所提算法的有效性，圖6所示的風(fēng)速序列被用來(lái)做單步風(fēng)速預(yù)測(cè)，并且第601到700的數(shù)據(jù)被作為驗(yàn)證數(shù)據(jù)，為減少統(tǒng)計(jì)誤差，所有的預(yù)測(cè)方法均單獨(dú)執(zhí)行50次，同時(shí)，為公平對(duì)比不同的方法，所有方法均采用相同的神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)參數(shù)為：輸入、隱含和輸出層所對(duì)應(yīng)的節(jié)點(diǎn)數(shù)分別為：6、8和1；訓(xùn)練代數(shù)為100代；學(xué)習(xí)速率為0.1；目標(biāo)誤差0.01，解空間維數(shù)D=(6+1)*8+8+1=65，種群大小M=20，最大迭代次數(shù)設(shè)為maxgen=1000。其次 所有方法均將原始風(fēng)速序列用小波包分解成3層共8個(gè)不同頻率的子序列，分解后的8個(gè)子序列如圖7所示。

為更加全面有效地評(píng)價(jià)各方法的預(yù)測(cè)準(zhǔn)確率，分別采用公式十六平均絕對(duì)百分比誤差MASE、公式十七均方根誤差RMSE和公式十八平均絕對(duì)誤差MAE對(duì)各方法的預(yù)測(cè)性能進(jìn)行評(píng)價(jià)。具體公式如下：

其中，公式十五、公式十六、公式十七中N為驗(yàn)證樣本的個(gè)數(shù)，p_i為預(yù)測(cè)模型的輸出，為模型的期望輸出。

本發(fā)明的方法分別與基于小波包分解和差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法（WPD-DE-NN）和基于小波包分解和BP算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法（WPD-BP-NN）進(jìn)行對(duì)比。

所提WPD-IDE-NN、WPD-DE-NN及WPD-BP-NN的最優(yōu)單步預(yù)測(cè)結(jié)果如圖8所示，所有算法的誤差分析如表1所示。

表1

由圖8結(jié)合表1可知，對(duì)比WPD-BP-NN與WPD-DE-NN可以看出，在相同模型下，使用啟發(fā)公式算法——DE算法的各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于傳統(tǒng)BP算法其中MAPE提高了0.493％，改進(jìn)幅度為21.93％，這表明采用DE算法能有效彌補(bǔ)常規(guī)BP算法優(yōu)化WPD-NN容易陷入局部最優(yōu)，泛化能力不足等缺陷。

觀察WPD-IDE-NN與WPD-DE-NN可知前者的MAPE、RMSE及MAE 均明顯優(yōu)于后者，改進(jìn)后的IDE算法比DE算法的MAPE提高了0.344%，改進(jìn)幅度為19.60%，這表明對(duì)標(biāo)準(zhǔn)差分算法引進(jìn)縱向交叉算法能給差分算法提供一種有效的機(jī)制，使其在過(guò)早出現(xiàn)種群“聚集”現(xiàn)象時(shí)，能夠有機(jī)會(huì)跳出維局部最優(yōu)，從而有效增加種群的多樣性，進(jìn)一步提高了標(biāo)準(zhǔn)差分算法的全局搜索能力。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)，裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)所述理解到，所揭露的系統(tǒng)，裝置和方法，可以通過(guò)其它的方公式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方公式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過(guò)一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形公式。

所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形公式實(shí)現(xiàn)，也可以采用軟件功能單元的形公式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形公式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者所述技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形公式體現(xiàn)出來(lái)，所述計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備（可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等）執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部 或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器（ROM，Read-Only Memory）、隨機(jī)存取存儲(chǔ)器（RAM，Random Access Memory）、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。