技術(shù)特征：

1.一種基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，其特征在于，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)所述子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)所述父代種群X的方差E通過執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過所述子代種群S更新所述父代種群X，得到所述父代種群X中一組權(quán)值和閾值，一組所述權(quán)值和所述閾值為神經(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)一組所述權(quán)值和所述閾值構(gòu)建所述子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到所述子序列的預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟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。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟S2具體包括：

S21、對(duì)所有所述子序列的每個(gè)值進(jìn)行歸一化處理；

S22、對(duì)所述神經(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)所述父代種群X中的每個(gè)粒子進(jìn)行適應(yīng)度評(píng)價(jià)；

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

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

S27、根據(jù)所述子代種群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)行選擇操作更新所述父代種群X；

S28、判斷所述父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出所述父代種群X中適應(yīng)值最優(yōu)的一組解作為所述神經(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。

4.根據(jù)權(quán)利要求3所述的基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟S25具體包括：

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，所述預(yù)置第一公式具體為：

$E=\underset{i=1}{\overset{Z}{\Σ}}\underset{j=1}{\overset{D}{\Σ}}(x_{i,j}-\underset{i=1}{\overset{Z}{\Σ}}{x}_{i,j}/Z)^2;$

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；

其中所述突變操作具體為：在父代種群中，通過預(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；

所述交叉操作具體為：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：

${\mathrm{VS}}_i=\left\{\begin{array}{cc}{v}_i,& if\left(rand\right()\<probability\_DE)\\ x_i,& otherwise\end{array}\right.;$

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)行以下所述縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較所述隨機(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：

$\left\{\begin{array}{ccc}{\mathrm{VS}}_i\left(j\right)=x_i\left(j\right)+rr1*re\min d\_up& if& rr1\≥0\\ {\mathrm{VS}}_i\left(j\right)=x_i\left(j\right)+rr1*re\min d\_down& if& rr1\<0\end{array}\right.;$

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)。

5.根據(jù)權(quán)利要求3所述的基于改進(jìn)差分算法的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述根據(jù)一組所述權(quán)值和所述閾值構(gòu)建所述子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到所述子序列的預(yù)測(cè)結(jié)果之后還包括：

S41、對(duì)所述子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到所述子序列相應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果，并判斷所述子序列的風(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，則將所有所述子序列的風(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，直到所述子序列的風(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。

6.一種基于改進(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)，其特征在于，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)所述子序列進(jìn)行計(jì)算產(chǎn)生父代種群X，并根據(jù)所述父代種群X的方差E通過執(zhí)行差分算子或縱向變異算子產(chǎn)生子代種群S，通過所述子代種群S更新所述父代種群X，得到所述父代種群X中一組權(quán)值和閾值，一組所述權(quán)值和所述閾值為神經(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)一組所述權(quán)值和所述閾值構(gòu)建所述子序列對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)，得到所述子序列的預(yù)測(cè)結(jié)果。

7.根據(jù)權(quán)利要求6所述的基于改進(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)，其特征在于，所述分解模塊包括：

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。

8.根據(jù)權(quán)利要求6所述的基于改進(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)，其特征在于，所述計(jì)算模塊包括：

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

編碼單元，用于對(duì)所述神經(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)所述父代種群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)算所述父代種群X的方差E，并根據(jù)所述父代種群X的方差E選擇通過執(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)所述子代種群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)所述子代種群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，用于判斷所述父代種群X是否達(dá)到預(yù)設(shè)的算法終止條件，若是，則輸出所述父代種群X中適應(yīng)值最優(yōu)的一組解作為所述神經(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。

9.根據(jù)權(quán)利要求8所述的基于改進(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)，其特征在于，所述種群產(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，所述預(yù)置第一公式具體為：

$E=\underset{i=1}{\overset{Z}{\Σ}}\underset{j=1}{\overset{D}{\Σ}}(x_{i,j}-\underset{i=1}{\overset{Z}{\Σ}}{x}_{i,j}/Z)^2;$

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；

其中所述突變操作具體為：在父代種群中，通過預(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；

所述交叉操作具體為：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：

${\mathrm{VS}}_i=\left\{\begin{array}{cc}{v}_i,& if\left(rand\right()\<probability\_DE)\\ x_i,& otherwise\end{array}\right.;$

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)行以下所述縱向變異算子：

生成一個(gè)0～1的隨機(jī)數(shù)R，比較所述隨機(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：

$\left\{\begin{array}{ccc}{\mathrm{VS}}_i\left(j\right)=x_i\left(j\right)+rr1*re\min d\_up& if& rr1\≥0\\ {\mathrm{VS}}_i\left(j\right)=x_i\left(j\right)+rr1*re\min d\_down& if& rr1\<0\end{array}\right.;$

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)。

10.根據(jù)權(quán)利要求8所述的基于改進(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)，其特征在于，所述基于改進(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)所述子序列的預(yù)測(cè)結(jié)果進(jìn)行反歸一化，得到相應(yīng)所述子序列的風(fēng)速預(yù)測(cè)結(jié)果，并判斷所述子序列的風(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，則將所有所述子序列的風(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，直到所述子序列的風(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。