基于遺傳算法和粒子群集成的lssvm風速預測方法
【技術領域】
[OOOU本發(fā)明設及一種基于智能優(yōu)化集成LSSVM(最小二乘支持向量機）風速預測方法， 具體的說是一種基于遺傳算法（GA)和粒子群（PS0)集成的LSSVM脈動風速預測方法。
【背景技術】
[0002] 對于高聳結(jié)構(gòu)、大跨度空間結(jié)構(gòu)及高壓輸電塔線體系等，風荷載是結(jié)構(gòu)設計時所 必需考慮的一類重要的隨機動力荷載。風荷載的設計不當不僅僅會影響到人們使用建筑結(jié) 構(gòu)的舒適程度，而且還會使建筑結(jié)構(gòu)出現(xiàn)一定的損傷和破壞，給人們帶來巨大的生命財產(chǎn) 損失。因此，工程中考慮風的動力響應是極其重要的，實現(xiàn)對風速的準確預測具有很強的工 程實用意義。
[0003] 支持向量機（SVM)是基于統(tǒng)計學習理論提出的一種小樣本學習方法，遵循結(jié)構(gòu)風 險最小化原理。利用支持向量機很好的學習能力，可實現(xiàn)對有限樣本的風速時程的預測模 擬。支持向量機的性能依賴于模型的參數(shù)，對于參數(shù)的選擇，至今還未提出明確的理論依 據(jù)。利用智能優(yōu)化方式對LSSVM模型參數(shù)進行智能提取成為一大熱點。目前常見的對LSSVM 優(yōu)化的方式主要有粒子群算法、遺傳算法、蟻群算法和人工蜂群算法等，在一定程度上，各 類優(yōu)化算法在對LSSVM參數(shù)優(yōu)化中取得一定的效果，但是得到的預測模型預測精度和速度 還是不夠理想。
[0004] 結(jié)合粒子群算法容易陷入局部最優(yōu)，而其他幾種優(yōu)化算法具有較強的全局尋優(yōu)能 力的特點。因此，如何運用智能優(yōu)化方法集成的方式對LSSVM模型參數(shù)進行智能提取，W獲 得運行速度更快、預測精度更高的LSSVM對風速的預測模型具有很大的意義。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于遺傳算法和粒子群集成的LSSVM脈動風速預測 方法，其利用某風場的有限風速樣本，將樣本劃分為訓練集和測試集，初始化LSSVM模型參 數(shù)，利用GA和PS0集成方式智能提取LSSVM的最有參數(shù)組合佑0 )，進而建立優(yōu)化的LSSVM 預測模型，對測試集進行預測，得到預測的風速時程譜。
[0006] 本發(fā)明采用下述技術方案；本發(fā)明基于遺傳算法和粒子群集成的LSSVM脈動風速 預測方法包括如下步驟：
[0007] 第一步；取一風電場的有限風速樣本，將有限風速樣本分為訓練集、測試集兩部 分，并分別進行歸一化處理；
[000引第二步：初始化遺傳算法相關參數(shù)，設置LSSVM模型核函數(shù)參數(shù)C和正則化參數(shù) 0范圍CG[Cmh，CmJ和0G[0mi。，0mJ，對染色體進行二進制編碼，隨機產(chǎn)生初始種 群；
[0009] 第；步；由訓練集對LSSVM進行訓練學習，進行測試集的預測，計算群體中的每一 個染色體的適應度，判斷算法收斂準則是否滿足，若滿足最優(yōu)參數(shù)組合則進入第五步，否則 進入第四步；
[0010] 第四步；設計遺傳算子和確定遺傳算法的運行參數(shù)，進行遺傳算法的選擇、交叉、 變異操作；檢查是否滿足迭代終止條件，若不滿足，返回第二步；否則，算法結(jié)束輸出最優(yōu) 參數(shù)組合進入第五步；
[0011] 第五步；利用遺傳算法得到的最優(yōu)參數(shù)組合，初始化粒子群相關參數(shù)；由訓練集 對LSSVM進行訓練學習，計算各粒子當前的適應度值，再將各粒子的當前適應度值與該粒 子自身的最優(yōu)適應度值進行比較，如果更優(yōu)，則將粒子當前的位置作為該粒子的最優(yōu)位 置；
[0012] 第六步：將各粒子的自身最優(yōu)位置適應度值與群體最優(yōu)位置的適應度值比較，如 果更優(yōu)，則將該粒子的最優(yōu)位置作為群體的最優(yōu)位置；檢查是否滿足迭代尋優(yōu)結(jié)束條件，若 滿足則結(jié)束尋優(yōu)，求出最優(yōu)解；否則返回第二步；
[0013] 第走步：利用第六步得到的最優(yōu)參數(shù)組合，建立優(yōu)化的LSSVM預測模型；對測試集 進行預測，得到預測的脈動風速時程譜；計算預測結(jié)果并分別與GA-LSSVM、PSO-LSSVM預測 樣本數(shù)據(jù)的平均絕對百分比誤差、平均絕對誤差和均方根誤差進行比較分析。
[0014] 優(yōu)選地，上述第一步中，歸一化處理公式為式：
[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的范圍整到[0, U。
[0017] 優(yōu)選地，第二步中，染色體編碼方式采用二進制編碼，如下式：
[0020] 其中b為二進制數(shù)，m為字長，Cm"、Cmi。為正則化參數(shù)C允許的最大值和最小值， 〇m。,、0 mi。為核函數(shù)參數(shù)0允許的最大值和最小值。
[0021] 優(yōu)選地，第=步中，每個染色體適應度取計算公式如下式：
[0022]
[0023] 其中f為適應度函數(shù)，MSE為測試集數(shù)據(jù)的均方誤差，y,和義.分別為測試集的真實 值和預測值。
[0024] 優(yōu)選地，所述第四步中，遺傳算法的選擇算子采用適應度比例法，按個體適應度在 整個群體適應度中所占的比例確定該個體的被選擇概率；個體i被選取的概率Pi和該個體 的累計概率A計算公式如下式；
[0025]
[0026]
[0027] 其中N為種群規(guī)模，fi為第i個染色體的適應度。
[002引優(yōu)選地，所述第四步中，遺傳算法的交叉算子計算公式如下式：
[0029] Ci= P ia+P2 (1-a)
[0030] 〇2=p1 (1-a) +Paa
[0031] 式中，Pi，P2為一組配對的倆個個體；c 1，C2為交叉操作后得到的新個體；a為隨機 產(chǎn)生的位于（〇，1)區(qū)間的隨機數(shù)。
[0032] 優(yōu)選地，所述第四步中，遺傳算法的變異算子，選擇第i個個體的第j個基因進行 變異操作，如下式：
[0033]
[0034] f(g)=r' (1-g/T)
[0035] 其中，CmwCmax為基因的上下限，r，r'為[0, 1]間的隨機數(shù)，g為當前進化次數(shù)，T 為最大進化代數(shù)。
[0036] 優(yōu)選地，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為粒子的速度；X為當前粒子的位置；ri和T2是介于（〇，1)之間的隨機數(shù)； 。和C2是學習因子。
[0040] 本發(fā)明帶來的有益效果；與自適應的遺傳算法、粒子群算法相比，基于遺傳算法和 粒子群算法集成的混合優(yōu)化算法具有優(yōu)化精度高，收斂精度高，迭代次數(shù)少，成功率高等特 點，體現(xiàn)出良好的魯椿性和較快的收斂速度。
【附圖說明】
[0041] 圖1為數(shù)值模擬的風速預測和實際風速譜的比較示意圖。
[0042] 圖2為數(shù)值模擬的風速值相對誤差的比較示意圖。
[0043] 圖3為GA+PSO-LSSVM數(shù)值預測模擬風速的流程圖示意圖。
【具體實施方式】
[0044] W下結(jié)合附圖對本發(fā)明的實施進一步詳細說明。
[0045] 本發(fā)明采用核函數(shù)為徑向基函數(shù)的LSSVM，接下來應用GA和PSO集成的方法快速 選取最佳的核函數(shù)參數(shù)0和正則化參數(shù)C組合。遺傳算法從串集開始捜索，覆蓋面大，全 局尋優(yōu)能力強，但是容易過早收斂，陷入局部最優(yōu)；粒子群算法是利用適應值來評價系統(tǒng)， 并根據(jù)適應值來進行一定的隨機捜索，對種群的初始化不敏感，捜索速度快，局部捜索能力 強。因此，將遺傳算法和粒子群算法結(jié)合起來，采用遺傳算法進行全局捜索，確定最優(yōu)解存 在的領域，然利用遺傳算法得到的最優(yōu)解初始化粒子群算法，進而通過粒子群算法的局部 捜索，實現(xiàn)非凸空間的高效捜索，獲得在實際計算中更高的精度和更快的速度。
[0046] 本發(fā)明基于遺傳算法和粒子群集成的LSSVM風速預測方法包括如下步驟：
[0047] 第一步，取一風電場的有限風速樣本，將風速樣本分為訓練集、測試集兩部分，并 分別進行歸一化處理；比如，取一風電場從2011年4月8日18:55至2011年4月12日 23:25的風速數(shù)據(jù)，每隔lOmin中獲取一個風速，共600個風速點。取前500個風速作為訓 練集，后100個風速作為測試集，進行歸一化處理。
[0048] 上述第一步中，歸一化處理公式為式（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的范圍整到[0, U。 [0化1] 第二步：初始化遺傳算法相關參數(shù)（群體規(guī)模N，最大進化代數(shù)T，交叉概率 P。，變異概率Pm)，設置LSSVM模型核函數(shù)參數(shù)C和正則化參數(shù)0范圍和 曰G [0mi。，0m。,]，對染色體進行二進制編碼，隨機產(chǎn)生初始種群；比如初始化遺傳算法，設 置遺傳算法種群規(guī)模Ni= 50,最大進化代數(shù)T = 100,交叉概率P。= 0. 7,變異概率P m= 0. 05 ;設置核函數(shù)參數(shù)和正則化參數(shù)范圍C G [10-1，103]和0 G [10-2, 102]，對核函數(shù)參數(shù) 和正則化參數(shù)進行二進制編碼，隨機產(chǎn)生初始種群。
[0化引第二步中，染色體編碼方式采用二進制編碼，具體如式（2)和（3);
[0化5] 其中b為二進制數(shù)，m為字長，Cm。,、Cmi。為正則化參數(shù)C允許的最大值和最小值， 〇m?、0 mi。為核函數(shù)參數(shù)0允許的最大值和最小值。
[0化6] 第S步；由訓練集對LSSVM進行訓練學習，進行測試集的預測，計算群體中的每 一個染色體的適應度，判斷算法收斂準則是否滿足，若滿足輸出參數(shù)組合佑0)進入第五 步，否則進入第四步；
[0化7] 第S步中，每個染色體適應度取計算公式如下式（4);
[0058]
(4)
[0化9] 其中f