為適應(yīng)度函數(shù)，MSE為測試集數(shù)據(jù)的均方誤差，y;和式分別為測試集的真實(shí) 值和預(yù)測值。
[0060] 第四步；設(shè)計(jì)遺傳算子（遺傳算子包括選擇算子，交叉算子和變異算子）和確定遺 傳算法的運(yùn)行參數(shù)，進(jìn)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)組合佑0 )進(jìn)入第五步；
[0061] 第四步中；
[0062] 遺傳算法的選擇算子采用適應(yīng)度比例法，按個(gè)體適應(yīng)度在整個(gè)群體適應(yīng)度中所占 的比例確定該個(gè)體的被選擇概率。個(gè)體i被選取的概率Pi和該個(gè)體的累計(jì)概率Q i計(jì)算公 式如下式（5)和式化）：
[00化]其中N為種群規(guī)模，為第i個(gè)染色體的適應(yīng)度。
[0066] 遺傳算法的交叉算子計(jì)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為一組配對的倆個(gè)個(gè)體；c 1，C2為交叉操作后得到的新個(gè)體；a為隨機(jī) 產(chǎn)生的位于（〇，1)區(qū)間的隨機(jī)數(shù)。
[0070] 遺傳算法的變異算子，選擇第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異操作，即如下式巧） 和式（10):
[0071]
(9)
[007引 f(g)=r' (1-g/T) (10)
[0073] 其中，CmwCmax為基因的上下限，r，r'為[0，1]間的隨機(jī)數(shù)，g為當(dāng)前進(jìn)化次數(shù)，T 為最大進(jìn)化代數(shù)。
[0074] 第五步；利用遺傳算法得到的最優(yōu)參數(shù)組合佑0 )，初始化粒子群相關(guān)參數(shù)；由 訓(xùn)練集對LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算各粒子當(dāng)前的適應(yīng)度值，再將各粒子的當(dāng)前適應(yīng)度值 與該粒子自身的最優(yōu)適應(yīng)度值進(jìn)行比較，如果更優(yōu)，則將粒子當(dāng)前的位置作為該粒子的最 優(yōu)位置；比如設(shè)置粒子群種群規(guī)模馬二35,最大迭代次數(shù)M2=120,學(xué)習(xí)因子Ci=2、C2 = 2。分別用每個(gè)粒子向量所對應(yīng)的LSSVM模型對學(xué)習(xí)樣本進(jìn)行預(yù)測，得到各粒子當(dāng)前位置的 適應(yīng)度值，再將所有粒子當(dāng)前的適應(yīng)度值與該粒子個(gè)體極值Pbest進(jìn)行比較，如果更優(yōu)，則將 粒子當(dāng)前的位置作為該粒子的最優(yōu)位置，當(dāng)前適應(yīng)度值作為個(gè)體極值Pbwt;
[0075] 第六步；將各粒子的自身最優(yōu)位置適應(yīng)度值Pbwt與群體最優(yōu)位置的適應(yīng)度值gbest 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，即該粒子的自身最優(yōu)位置適 應(yīng)度值Pbwt作為群體最優(yōu)位置的適應(yīng)度值g best。檢查是否滿足迭代尋優(yōu)結(jié)束條件（達(dá)到預(yù) 先設(shè)定的最大迭代次數(shù)或預(yù)設(shè)精度），若滿足則結(jié)束尋優(yōu)，求出最優(yōu)解佑0);否則返回第 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為粒子的速度；X為當(dāng)前粒子的位置；ri和T2是介于（〇，1)之間的隨機(jī)數(shù)； 。和C 2是學(xué)習(xí)因子。
[0080] 第走步：利用第六步得到的最優(yōu)參數(shù)組合佑0)，建立優(yōu)化的LSSVM預(yù)測模 型；對測試集進(jìn)行預(yù)測，得到預(yù)測的脈動風(fēng)速時(shí)程譜；計(jì)算預(yù)測結(jié)果并分別與GA-LSSVM、 PS0-LSSVM預(yù)測樣本數(shù)據(jù)的平均絕對百分比誤差（MA陽）、均方根誤差（RMS巧和平均絕對誤 差（MA巧進(jìn)行比較分析，見表1 ;
[0081] 表1 =種方法模擬的評價(jià)指標(biāo)表
[0082]
[0083] W上步驟可W參考圖3,直觀地給出了本發(fā)明的實(shí)施流程。從圖1可W直觀看出， 結(jié)合GA、PS0集成的LSSVM模型所得到的預(yù)測數(shù)據(jù)圖像和實(shí)際的更吻合。從圖2可W直觀 看出，結(jié)合GA、PS0集成的LSSVM模型所得到的預(yù)測數(shù)據(jù)相對誤差圖像更貼近于零軸。從 表1數(shù)據(jù)上可W直觀的看出，結(jié)合GA、PS0集成的LSSVM模型預(yù)測數(shù)據(jù)的平均絕對百分比誤 差（MAP巧相比GA優(yōu)化算法下降了 56. 1%，相比PS0優(yōu)化算法下降了 40.2% ;均方根誤差 (RMS巧相比GA優(yōu)化算法下降了 49. 0 %，相比PS0優(yōu)化算法下降了 46. 9 % ;平均絕對誤差 (MA巧相比GA優(yōu)化算法下降了 50 %，相比PS0優(yōu)化算法下降了 43. 5 %。
[0084] 本發(fā)明通過GA和PS0集成算法對LSSVM的模型參數(shù)進(jìn)行智能選擇，獲得優(yōu)化的 LSSVM模型，利用已知時(shí)間段的風(fēng)速對LSSVM模型進(jìn)行訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)了更精確、更快速地 預(yù)測未知時(shí)間段的風(fēng)速。
【主權(quán)項(xiàng)】
1. 一種基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征在于，其包括如下 步驟： 第一步：取一風(fēng)電場的有限風(fēng)速樣本，將有限風(fēng)速樣本分為訓(xùn)練集、測試集兩部分，并 分別進(jìn)行歸一化處理； 第二步：初始化遺傳算法相關(guān)參數(shù)，設(shè)置LSSVM模型核函數(shù)參數(shù)C和正則化參數(shù)〇范 圍CG[(；in，C_]和〇G[ 0 _，0 _]，對染色體進(jìn)行二進(jìn)制編碼，隨機(jī)產(chǎn)生初始種群； 第三步：由訓(xùn)練集對LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)行測試集的預(yù)測，計(jì)算群體中的每一個(gè)染 色體的適應(yīng)度，判斷算法收斂準(zhǔn)則是否滿足，若滿足最優(yōu)參數(shù)組合則進(jìn)入第五步，否則進(jìn)入 第四步； 第四步：設(shè)計(jì)遺傳算子和確定遺傳算法的運(yùn)行參數(shù)，進(jìn)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(jìn)入第五步； 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(guān)參數(shù)；由訓(xùn)練集對LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算各粒子當(dāng)前的適應(yīng)度值，再將各粒子的當(dāng)前適應(yīng)度值與該粒子自 身的最優(yōu)適應(yīng)度值進(jìn)行比較，如果更優(yōu)，則將粒子當(dāng)前的位置作為該粒子的最優(yōu)位置； 第六步：將各粒子的自身最優(yōu)位置適應(yīng)度值與群體最優(yōu)位置的適應(yīng)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； 第七步：利用第六步得到的最優(yōu)參數(shù)組合，建立優(yōu)化的LSSVM預(yù)測模型；對測試集進(jìn)行 預(yù)測，得到預(yù)測的脈動風(fēng)速時(shí)程譜；計(jì)算預(yù)測結(jié)果并分別與GA-LSSVM、PSO-LSSVM預(yù)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(jìn)行比較分析。2. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第一步中，歸一化處理的公式為下式：式中，1_是x的最小值，1_是x的最大值，利用此式把x的范圍整到[0, 1]。3. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第二步中，染色體編碼方式采用二進(jìn)制編碼，如下式：其中b為二進(jìn)制數(shù)，m為字長，Cmax、Cmin為正則化參數(shù)C允許的最大值和最小值，〇 _、 〇min為核函數(shù)參數(shù)〇允許的最大值和最小值。4. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第三步中，每個(gè)染色體適應(yīng)度取計(jì)算公式如下式：其中f?為適應(yīng)度函數(shù)，MSE為測試集數(shù)據(jù)的均方誤差，yJP分別為測試集的真實(shí)值和 預(yù)測值。5. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第四步中： 遺傳算法的選擇算子采用適應(yīng)度比例法，按個(gè)體適應(yīng)度在整個(gè)群體適應(yīng)度中所占的比 例確定該個(gè)體的被選擇概率；個(gè)體i被選取的概率Pi和該個(gè)體的累計(jì)概率Qi計(jì)算公式如下 式：其中N為種群規(guī)模，為第i個(gè)染色體的適應(yīng)度。6. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第四步中：所述第四步中，遺傳算法的交叉算子計(jì)算公式如下式： Cl=PIa+P2^1_a) 。2-P1 (1_&)+P2& 式中，Pi，&為一組配對的倆個(gè)個(gè)體c2為交叉操作后得到的新個(gè)體；a為隨機(jī)產(chǎn)生 的位于（〇，1)區(qū)間的隨機(jī)數(shù)。7. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其特征 在于，所述第四步中，遺傳算法的變異算子，選擇第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異操作，如 下式：f(g) =rr (1-g/T) 其中，Cmin，C_為基因的上下限，r，r'為[0，1]間的隨機(jī)數(shù)，g為當(dāng)前進(jìn)化次數(shù)，T為最 大進(jìn)化代數(shù)。8. 根據(jù)權(quán)利要求1所述的基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，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為粒子的速度3為當(dāng)前粒子的位置A和I* 2是介于（0,1)之間的隨機(jī)數(shù)；C1 和C2是學(xué)習(xí)因子^
【專利摘要】本發(fā)明提供一種基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法，其包括如下步驟：將有限風(fēng)速樣本劃分為訓(xùn)練集和測試集，進(jìn)行歸一化處理；初始化遺傳算法、LSSVM相關(guān)參數(shù)；進(jìn)行染色體編碼，隨機(jī)生成初始種群；計(jì)算每個(gè)染色體對應(yīng)的適應(yīng)度，若滿足要求直接進(jìn)入第五步粒子群算法，若不滿足，進(jìn)行遺傳算法的選擇、交叉、變異操作；用遺傳算法得到的最優(yōu)參數(shù)組合初始化粒子群相關(guān)參數(shù)；將各粒子的自身最優(yōu)位置適應(yīng)度值與群體最優(yōu)位置的適應(yīng)度值比較；輸出最終的最優(yōu)參數(shù)組合，得到優(yōu)化的LSSVM模型；得到預(yù)測的風(fēng)速時(shí)程譜。本發(fā)明具有優(yōu)化精度高，收斂精度高，迭代次數(shù)少，成功率高等特點(diǎn)。
【IPC分類】G06K9/62, G06N3/12, G06Q10/04
【公開號】CN104951834
【申請?zhí)枴緾N201510354573
【發(fā)明人】李春祥, 丁曉達(dá)
【申請人】上海大學(xué)
【公開日】2015年9月30日
【申請日】2015年6月24日