[發(fā)明專利]LSSVM非高斯脈動風速預測方法

有效

• 申請?zhí)枺?/td>: 201510612740.5
• 申請日: 2015-09-23
• 公開（公告）號: CN105224738B
• 公開（公告）日: 2018-12-07
• 發(fā)明（設計）人: 李春祥;丁曉達
• 申請（專利權）人: 上海大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/00
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 陸聰明

1.一種LSSVM非高斯脈動風速預測方法，其特征在于，其包括以下步驟：

第一步：根據(jù)指定的邊緣概率密度函數(shù)和目標功率譜函數(shù)，用無記憶非線性轉化法模擬產生非高斯隨機脈動風速樣本，將非高斯脈動風速樣本分為訓練集、測試集兩部分，對其分別進行歸一化處理；

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)σ范圍C∈[C_min,C_max]和σ∈[σ_min,σ_max]，對染色體進行二進制編碼，隨機產生初始種群；

第三步：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)組合則把組合解放入集合A，進入第五步，否則進入第四步；

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，算法結束將滿足條件的最優(yōu)參數(shù)組合放入集合A進入第五步；

第五步：利用遺傳算法得到的參數(shù)組合集合A，得到初始化蟻群算法的最優(yōu)解集合X_best，用蟻群算法在其鄰域內進行精細的局部搜索；由訓練集對LSSVM進行訓練學習，計算各螞蟻當前的適應度值，再將各螞蟻的當前適應度值與集合A中初始化的螞蟻適應度值進行比較，如果更優(yōu)，則將該螞蟻當前的位置作為該螞蟻的最優(yōu)位置；

第六步：迭代過程中對每個位置上螞蟻信息素濃度進行更新，檢查是否滿足迭代終止條件，若不滿足，返回第二步；否則，算法結束輸出最優(yōu)參數(shù)組合；

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預測模型；對測試集進行預測，得到預測的非高斯脈動風速時程譜；計算預測結果并分別與GA-LSSVM、ACO-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。

2.根據(jù)權利要求1所述的LSSVM非高斯脈動風速預測方法，其特征在于，所述第一步中的無記憶非線性轉化法把高斯隨機過程轉換為非高斯隨機過程，公式如下：

式中，表示非高斯隨機過程概率密度函數(shù)的逆反函數(shù)，F(xiàn)_G()為高斯隨機過程的概率密度函數(shù)，而高斯隨機過程相關函數(shù)R_G(τ)和非高斯隨機過程相關函數(shù)R_NG(τ)轉換公式如下：

其中，

ρ(τ)為標準相關函數(shù)系數(shù)：

式中，Φ為非高斯隨機過程樣本的邊緣分布函數(shù)，σ²為高斯隨機過程對應的方差，ρ(τ)為標準相關函數(shù)系數(shù)；

樣本歸一化處理公式為以下式：

式中，x_min是x的最小值，x_max是x的最大值，利用此式把x的范圍調整到[0,1]。

3.根據(jù)權利要求1所述的LSSVM非高斯脈動風速預測方法，其特征在于，所述第二步中的染色體采用二進制編碼，具體編碼公式如下：

其中b為二進制數(shù)，m為字長，C_max、C_min為正則化參數(shù)C允許的最大值和最小值，σ_max、σ_min為核函數(shù)參數(shù)σ允許的最大值和最小值。

4.根據(jù)權利要求1所述的LSSVM非高斯脈動風速預測方法，其特征在于，所述第三步中的每個染色體適應度的計算公式如下式：

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_i和分別為測試集的真實值和預測值。