本發(fā)明涉及短期風(fēng)電功率預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法。

背景技術(shù)：

隨著全球氣候變暖和石油、天然氣等不可再生資源的枯竭，對(duì)于清潔、可再生能源的開發(fā)和利用日益受到世界各國的高度重視。國外從20世紀(jì)90年代初，就開始了短期風(fēng)電功率預(yù)測方法的研究，由于風(fēng)電功率預(yù)測起步較晚，在預(yù)測精度、可靠性和對(duì)不同風(fēng)場的適應(yīng)性方面仍然有許多不足。

極限學(xué)習(xí)機(jī)ELM是單隱含層前饋神經(jīng)網(wǎng)絡(luò)SLFN中的一種新的學(xué)習(xí)方法，訓(xùn)練過程無需調(diào)整，設(shè)置隱含層的個(gè)數(shù)就可以獲得最優(yōu)解，ELM以其泛化能力強(qiáng)、訓(xùn)練速度快且將批處理和逐次迭代相結(jié)合等優(yōu)點(diǎn)成為研究的熱點(diǎn)。但是，ELM算法存在學(xué)習(xí)速度緩慢，計(jì)算時(shí)間代價(jià)增大，容易陷入局部最小值；若過度訓(xùn)練容易引起繁華能力下降等缺陷。因此，尋求更高效的優(yōu)化算法是提高神經(jīng)網(wǎng)絡(luò)預(yù)測精度的關(guān)鍵步驟之一。

人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)，在算法后期搜索盲目性大，收斂速度較慢，通過改進(jìn)步長、視野可以克服以上問題的存在。如何對(duì)AFSA算法進(jìn)行改進(jìn)，用來優(yōu)化ELM的權(quán)值和閾值，以便提高ELM短期風(fēng)功率預(yù)測的精度，是當(dāng)前急需解決的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)中根據(jù)ELM進(jìn)行短期風(fēng)功率預(yù)測，預(yù)測精度低，計(jì)算時(shí)間代價(jià)增大，容易陷入局部最小值的問題。本發(fā)明的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，運(yùn)用改進(jìn)的魚群算法優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值和閾值，并用改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行短期風(fēng)電功率預(yù)測，具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測，具有良好的應(yīng)用前景。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，其特征在于：包括以下步驟，

步驟(A)，確定極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入向量和輸出向量：采用單一風(fēng)速作為限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入向量，輸入向量為I＝[I₁,I₂,…,I_M]，輸出向量為y＝F(I)，其中，I為風(fēng)速、M為輸入的風(fēng)速個(gè)數(shù)；

步驟(B)，定義人工魚群的食物濃度：將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的均方根誤差函數(shù)的倒數(shù)作為人工魚群的食物濃度；

步驟(C)，初始化人工魚群：選取N條人工魚構(gòu)成人工魚群，其中每個(gè)人工魚都是D維向量，包括代表極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入權(quán)值ω_ij、輸出權(quán)值ω_io、輸入節(jié)點(diǎn)閾值b_ki和輸出節(jié)點(diǎn)閾值b_ko；

步驟(D)，初始化人工魚群的位置向量：某一條人工魚的當(dāng)前位置向量X和在某一時(shí)刻視點(diǎn)所在的位置向量X_v；

步驟(E)，根據(jù)公式(1)調(diào)整第k+1和第k次迭代的視野和步長的關(guān)系，

其中，g(k)為調(diào)整因子、m為調(diào)整因子的調(diào)整幅度、n為迭代總次數(shù)，k為第k次迭代，某一條人工魚的當(dāng)前位置向量該人工魚的視野范圍為visual，某一時(shí)刻視點(diǎn)處所在的位置向量若視點(diǎn)處的食物濃度高于當(dāng)前位置的食物濃度，則向視點(diǎn)方向移動(dòng)一步，到達(dá)位置X_next；若視點(diǎn)處的食物濃度不比當(dāng)前位置的食物濃度高，則返回公式(1)繼續(xù)尋找視野內(nèi)的其他位置，直到到達(dá)位置X_next，完成人工魚群的改進(jìn)；

步驟(F)，根據(jù)步驟(B)‐步驟(E)所述的改進(jìn)人工魚群算法優(yōu)化步驟(A)的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，得到基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測，。

前述的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，其特征在于：步驟(B)，將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的均方根誤差函數(shù)的倒數(shù)作為人工魚群的食物濃度，所述人工魚群的食物濃度，根據(jù)公式(2)得到，

其中，E為人工魚群的食物濃度，N為人工魚群的人工魚樣本總數(shù)，R為輸出節(jié)點(diǎn)數(shù)，為輸出節(jié)點(diǎn)s在樣本p作用時(shí)輸出，為在樣本p作用時(shí)輸出節(jié)點(diǎn)s的目標(biāo)值，fc為人工魚當(dāng)前位置的食物濃度。

前述的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，其特征在于：步驟(F)，根據(jù)步驟(B)‐步驟(E)所述的改進(jìn)人工魚群算法優(yōu)化步驟(A)的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，得到基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測，具體過程為，

(F1)將訓(xùn)練數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，再將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的初始權(quán)值和閾值作為人工魚群算法的參數(shù)，隨機(jī)產(chǎn)生人工魚的初始群體；

(F2)各代人工魚的狀態(tài)根據(jù)它的狀態(tài)函數(shù)隨覓食、聚群變化而變化，用改進(jìn)人工魚群算法反復(fù)優(yōu)化極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型的權(quán)值和閾值，直至適應(yīng)度函數(shù)即食物濃度函數(shù)不在增加為止；

(F3)將食物濃度函數(shù)不在增加時(shí)，改進(jìn)人工魚群算法優(yōu)化對(duì)應(yīng)的權(quán)值和閾值帶回到極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)中，形成基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)；

(F4)，通過基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，對(duì)短期風(fēng)電功率進(jìn)行預(yù)測。

本發(fā)明的有益效果是：本發(fā)明的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，運(yùn)用改進(jìn)的魚群算法優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值和閾值，并用改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行短期風(fēng)電功率預(yù)測，具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測，并具有以下特點(diǎn)，

(1)改進(jìn)的人工魚群算法(IAFSA)改善了傳統(tǒng)人工魚群算法(AFSA)運(yùn)行后期搜索的盲目性較大，收斂速度減慢，搜索精度變低的缺陷。

(2)通過改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測。

(3)通過改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法的誤差概率分布更加集中，說明改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法的粗大誤差明顯減少，預(yù)測結(jié)果更加穩(wěn)定，預(yù)測數(shù)據(jù)更有利于電力系統(tǒng)的調(diào)度和運(yùn)營。

附圖說明

圖1是本發(fā)明的調(diào)整因子的函數(shù)圖像。

圖2是AFSA與IAFSA兩種算法的收斂情況對(duì)比圖。

圖3是本發(fā)明的改進(jìn)AFSA優(yōu)化ELM算法的流程圖。

圖4是本發(fā)明的改進(jìn)AFSA優(yōu)化ELM預(yù)測模型的相對(duì)誤差比較圖。

圖5是本發(fā)明的改進(jìn)AFSA優(yōu)化ELM預(yù)測模型的誤差概率分布比較圖。

具體實(shí)施方式

下面將結(jié)合說明書附圖，對(duì)本發(fā)明作進(jìn)一步的說明。

本發(fā)明的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，運(yùn)用改進(jìn)的魚群算法優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值和閾值，并用改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行短期風(fēng)電功率預(yù)測，具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測，包括以下步驟，

步驟(A)，確定極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入向量和輸出向量：采用單一風(fēng)速作為限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入向量，輸入向量為I＝[I₁,I₂,…,I_M]，輸出向量為y＝F(I)，其中，I為風(fēng)速、M為輸入的風(fēng)速個(gè)數(shù)；

步驟(B)，定義人工魚群的食物濃度：將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的均方根誤差函數(shù)的倒數(shù)作為人工魚群的食物濃度，所述人工魚群的食物濃度，根據(jù)公式(2)得到，

其中，E為人工魚群的食物濃度，N為人工魚群的人工魚樣本總數(shù)，R為輸出節(jié)點(diǎn)數(shù)，為輸出節(jié)點(diǎn)s在樣本p作用時(shí)輸出，為在樣本p作用時(shí)輸出節(jié)點(diǎn)s的目標(biāo)值，fc為人工魚當(dāng)前位置的食物濃度；

步驟(C)，初始化人工魚群：選取N條人工魚構(gòu)成人工魚群，其中每個(gè)人工魚都是D維向量，包括代表極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入權(quán)值ω_ij、輸出權(quán)值ω_io、輸入節(jié)點(diǎn)閾值b_ki和輸出節(jié)點(diǎn)閾值b_ko；

步驟(D)，初始化人工魚群的位置向量：某一條人工魚的當(dāng)前位置向量X和在某一時(shí)刻視點(diǎn)所在的位置向量X_v；

步驟(E)，根據(jù)公式(1)調(diào)整第k+1和第k次迭代的視野和步長的關(guān)系，

其中，g(k)為調(diào)整因子、m為調(diào)整因子的調(diào)整幅度、n為迭代總次數(shù)，k為第k次迭代，某一條人工魚的當(dāng)前位置向量該人工魚的視野范圍為visual，某一時(shí)刻視點(diǎn)處所在的位置向量若視點(diǎn)處的食物濃度高于當(dāng)前位置的食物濃度，則向視點(diǎn)方向移動(dòng)一步，到達(dá)位置X_next；若視點(diǎn)處的食物濃度不比當(dāng)前位置的食物濃度高，則返回公式(1)繼續(xù)尋找視野內(nèi)的其他位置，直到到達(dá)位置X_next，完成人工魚群的改進(jìn)；

步驟(F)，根據(jù)步驟(B)‐步驟(E)所述的改進(jìn)人工魚群算法優(yōu)化步驟(A)的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，得到基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測，如圖3所示，具體過程為，

(F1)將訓(xùn)練數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，再將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的初始權(quán)值和閾值作為人工魚群算法的參數(shù)，隨機(jī)產(chǎn)生人工魚的初始群體；

(F2)各代人工魚的狀態(tài)根據(jù)它的狀態(tài)函數(shù)隨覓食、聚群變化而變化，用改進(jìn)人工魚群算法反復(fù)優(yōu)化極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型的權(quán)值和閾值，直至適應(yīng)度函數(shù)即食物濃度函數(shù)不在增加為止；

(F3)將食物濃度函數(shù)不在增加時(shí)，改進(jìn)人工魚群算法優(yōu)化對(duì)應(yīng)的權(quán)值和閾值帶回到極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)中，形成基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)；

(F4)，通過基于改進(jìn)人工魚群算法的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，對(duì)短期風(fēng)電功率進(jìn)行預(yù)測，通過極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)對(duì)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測，是本領(lǐng)域技術(shù)人員的常用手段，這里就不介紹了，本發(fā)明包括的內(nèi)容為如何基于改進(jìn)人工魚群算法形成構(gòu)成用于對(duì)短期風(fēng)電功率進(jìn)行預(yù)測的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)。

如圖1所示，某一條人工魚的當(dāng)前位置向量該人工魚的視野范圍為visual，某一時(shí)刻視點(diǎn)處所在的位置向量若視點(diǎn)處的食物濃度高于當(dāng)前位置的食物濃度，則向視點(diǎn)方向移動(dòng)一步，到達(dá)位置X_next；若視點(diǎn)處的食物濃度不比當(dāng)前位置的食物濃度高，則返回公式(1)繼續(xù)尋找視野內(nèi)的其他位置，直到到達(dá)位置X_next，完成人工魚群的改進(jìn)，搜索的次數(shù)越多，對(duì)視野內(nèi)的食物狀態(tài)了解越全面，即對(duì)周圍環(huán)境有一個(gè)全方位的認(rèn)知，有助于做出全局性的判斷。

該過程可以表示為：

x_i＝x_i+visual·r,i＝1,2,…,n

其中，r為[-1,1]之間均勻分布的偽隨機(jī)，visual是人工魚的視野范圍，Step是人工魚的步長，本發(fā)明通過引入調(diào)整因子g(k),k＝1,2,…,n，調(diào)整第k+1和第k次視野和步長的關(guān)系，改進(jìn)人工魚群的視野范圍和步長，調(diào)整方式如下式：

其中，visual_k+1和visual_k分別為第k+1和第k次搜索視野；Step_k+1和Step_k分別為第k+1和第k次搜索步長；visualmin為視野最小值、Stepmin為步長最小值；g(k)為調(diào)整因子，即：

值域?yàn)閇0,1]，m為調(diào)整因子的調(diào)整幅度，n為迭代總次數(shù)，這里的g(k)隨著迭代次數(shù)的增加，逐步減小人工魚群的視野和步長，由全局搜索逐步演化為局部搜索。在最優(yōu)解附近區(qū)域后進(jìn)行精細(xì)搜索，能加快算法的收斂速度，提高局部搜索能力，進(jìn)而提高算法的精確度。

而整個(gè)魚群的每一次迭代，人工魚群中的最優(yōu)個(gè)體如果沒有改變，則將其保持不變；發(fā)生改變，就需要更新狀態(tài)。這樣既可以較好地利用當(dāng)前的有利信息，又可以探索新的領(lǐng)域，即較好地保持了算法在尋優(yōu)過程中的平衡。

改進(jìn)的改進(jìn)人工魚群施實(shí)例：采用非線性二元函數(shù)Schaffer函數(shù)來驗(yàn)證IAFSA算法的性能。函數(shù)如下式所示：

其中，-10.0≤x,y≤10.0；Schaffer函數(shù)具有無數(shù)個(gè)極小值，在(0,0)點(diǎn)處取得最小值0，分別用AFSA(人工魚群算法)和IAFSA(改進(jìn)的人工魚群算法)對(duì)該函數(shù)進(jìn)行測試仿真，對(duì)測試函數(shù)進(jìn)行100次試驗(yàn)，AFSA的適應(yīng)度平均值為0.0073，IAFSA的適應(yīng)度平均值為0.0009，試驗(yàn)結(jié)果如圖2所示?？梢钥闯?，本發(fā)明的所提出的IAFSA算法在搜索精度和收斂速度上，均優(yōu)于傳統(tǒng)AFSA算法，尤其IAFSA算法在20次迭代后，精度就已經(jīng)比較高了，而AFSA算法要在接近60次迭代后，才能達(dá)到較高的精度。試驗(yàn)結(jié)果，如圖2所示。

為驗(yàn)證本發(fā)明的IAFSA-ELM(改進(jìn)的人工魚群算法優(yōu)化極限學(xué)習(xí)機(jī)網(wǎng)絡(luò))的性能，以ELM和AFSA-ELM為比較對(duì)象，進(jìn)行實(shí)施例分析，進(jìn)一步說明本發(fā)明：

將江蘇某風(fēng)電場2015年30臺(tái)風(fēng)機(jī)的實(shí)際發(fā)電功率和風(fēng)機(jī)監(jiān)測系統(tǒng)采集的風(fēng)速數(shù)據(jù)，數(shù)據(jù)時(shí)間分辨率為15min，以及2015年全年的測風(fēng)塔數(shù)據(jù)，時(shí)間分辨率為15min，40臺(tái)風(fēng)機(jī)型號(hào)相同，其切入風(fēng)速為3m/s，額定風(fēng)速12m/s，切出風(fēng)速25m/s，額定功2MW，風(fēng)輪直徑93m，掃風(fēng)面積6793m²。因?yàn)?，該風(fēng)電場處于季風(fēng)區(qū)，具有明顯的季節(jié)特征，為此將實(shí)驗(yàn)室數(shù)據(jù)分為春、夏、秋、冬四個(gè)季節(jié)分別進(jìn)行試驗(yàn)，并且在40臺(tái)風(fēng)機(jī)中選取該季度未出現(xiàn)脫網(wǎng)、故障、檢修的風(fēng)機(jī)的功率數(shù)據(jù)。

由于風(fēng)速是影響風(fēng)電功率的最主要因素，因此，本發(fā)明僅將風(fēng)速作為單一神經(jīng)網(wǎng)絡(luò)輸入，根據(jù)Kolmogorov定理確定隱含層節(jié)點(diǎn)數(shù)，并在此基礎(chǔ)上采用試驗(yàn)法逐漸增加隱含層神經(jīng)元個(gè)數(shù)，從而得到最佳隱含層神經(jīng)元個(gè)數(shù)為20，輸出層只有一個(gè)節(jié)點(diǎn)即預(yù)測模型的預(yù)測功率，故本發(fā)明共有40個(gè)權(quán)值、21個(gè)閾值共61個(gè)待優(yōu)化參數(shù)，

IAFSA的初始參數(shù)分別為：人工魚數(shù)目為100，人工魚群為一個(gè)61*100的矩陣，最大迭代次數(shù)為100次，最大試探次數(shù)為100次，初始視野為1，初始移動(dòng)步長0.1，擁擠度為0.618，調(diào)整因子的調(diào)整幅度m的幅值為10；

將每個(gè)季度最后一天的數(shù)據(jù)作為測試集，該季度中其他天數(shù)的數(shù)據(jù)作為訓(xùn)練樣本集，通過以下兩種指標(biāo)來評(píng)價(jià)預(yù)測效果，分別是均方根誤差(RMSE)和絕對(duì)平均誤差(MAE)，其中，RMSE用來衡量誤差的分散程度，MAE衡量預(yù)測誤差的平均幅度。為評(píng)價(jià)改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)算法的預(yù)測效果，將通過上述的訓(xùn)練樣本分別用ELM，AFSA-ELM以及改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)預(yù)測模型訓(xùn)練，并用同一樣本檢驗(yàn)。為了避免單次訓(xùn)練結(jié)果的偶然性，分別對(duì)模型進(jìn)行10次訓(xùn)練，取10次預(yù)測結(jié)果的平均值作為最終的預(yù)測功率，得出相應(yīng)的風(fēng)電功率均方根誤差(RMSE)和絕對(duì)平均誤差(MAE)結(jié)果，AFSA-ELM的輸出結(jié)果較ELM，AFSA-ELM的MAE以及RMSE都有減小，相比較前三個(gè)季度的試驗(yàn)結(jié)果，冬季的預(yù)測結(jié)果在RMSE和MAE上提高最多，驗(yàn)證了改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)算法在風(fēng)電功率預(yù)測中的合理性。

為了更好地說明本發(fā)明所提出算法的有效性，從上述試驗(yàn)中抽取2014年冬季的訓(xùn)練結(jié)果，運(yùn)用相對(duì)誤差和誤差概率分布對(duì)三種模型的預(yù)測效果進(jìn)行評(píng)估，如圖4所示，為ELM、AFSA-ELM和改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的預(yù)測相對(duì)誤差比較圖，由圖可知，在大多數(shù)時(shí)間點(diǎn)上，本發(fā)明的算法預(yù)測的相對(duì)誤差較ELM、AFSA-ELM都有減小，說明其預(yù)測結(jié)果比其他預(yù)測模型的預(yù)測結(jié)果更接近實(shí)際風(fēng)電功率輸出數(shù)據(jù)，預(yù)測效果最好；圖5為ELM、AFSA-ELM和改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的預(yù)測誤差概率分布直方圖，其中橫坐標(biāo)為誤差區(qū)間，縱坐標(biāo)為對(duì)應(yīng)概率區(qū)間上的誤差的概率密度?？梢钥闯鰩追N預(yù)測方法誤差的擬合分布曲線從形態(tài)上有從“矮胖”型到“高瘦”型的變化趨勢，說明改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)算法的粗大誤差較ELM、AFSA-ELM算法明顯減少，誤差分布更加集中，預(yù)測結(jié)果更加穩(wěn)定，預(yù)測數(shù)據(jù)更有利于電力系統(tǒng)的調(diào)度和運(yùn)營。因此，本發(fā)明提出的改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)預(yù)測模型是穩(wěn)定的、實(shí)用的，適用于風(fēng)電功率的短期預(yù)測。

綜上所述，本發(fā)明的基于改進(jìn)AFSA優(yōu)化ELM的短期風(fēng)電功率預(yù)測方法，運(yùn)用改進(jìn)的魚群算法優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值和閾值，并用改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行短期風(fēng)電功率預(yù)測，具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測，并具有以下特點(diǎn)，

(1)改進(jìn)的人工魚群算法(IAFSA)改善了傳統(tǒng)人工魚群算法(AFSA)運(yùn)行后期搜索的盲目性較大，收斂速度減慢，搜索精度變低的缺陷。

(2)通過改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法具有收斂速度快，泛化能力強(qiáng)，預(yù)測精度高的特點(diǎn)，更適合短期風(fēng)電功率預(yù)測。

(3)通過改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法的誤差概率分布更加集中，說明改進(jìn)人工魚群優(yōu)化極限學(xué)習(xí)機(jī)混合算法的粗大誤差明顯減少，預(yù)測結(jié)果更加穩(wěn)定，預(yù)測數(shù)據(jù)更有利于電力系統(tǒng)的調(diào)度和運(yùn)營。

以上顯示和描述了本發(fā)明的基本原理、主要特征及優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等效物界定。