[發明專利]一種基于優化算法的提高短期風速預測精度的方法

在審

• 申請號: 202110991907.9
• 申請日: 2021-08-27
• 公開（公告）號: CN114358358A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 王亞軍;栗維勛;袁龍;孔祥玉;趙栩;周超;徐俊杰;袁健
• 申請（專利權）人: 國網河北省電力有限公司;國電南瑞南京控制系統有限公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 董一寧

1.一種基于優化算法的提高短期風速預測精度的方法，其特征在于：基于簡易氣象特征提取，步驟如下：

(1)獲得原始氣象特征X；

(2)氣象特征提取F；

(3)氣象特征矩陣J；

(4)采用氣象特征訓練預測模型，選擇ELM預測模型，采用改進珊瑚礁智能優化算法；

(5)對一下段風速進行預測并計算交叉驗證誤差，采用基于k-折交叉驗證的氣象特征提取；

(6)輸出智能優化算法結果，其中不滿足輸出要求的結果返回步驟(2)。

2.根據權利要求1所述的基于優化算法的提高短期風速預測精度的方法，其特征在于：所述步驟(4)中的ELM預測模型，基于ELM的短期風速預測模型為設N個風速預測訓練樣本其中氣象特征x_i∈R^m，風速目標值為t_i，含有K個隱含層節點、激勵函數為g(·)的網絡模型為：

式中，ω_i為輸入層節點和隱含層節點間的權值，b_i為隱含層偏置，β_i為隱含層節點和輸出層節點間的權值，具有K個隱含層節點網絡激活函數g(·)能零誤差逼近任意N個樣本，即：

即：

上述N個方程簡寫為：

Hβ＝T (4)

其中：

式中，H為ELM的隱含層輸出矩陣，T為期望輸出風速向量；

ELM的訓練過程等價于求解線性方程組(6)的最小二乘解：

最小二乘解為：

β＝H^*T (8)

式中，H^*為隱含層輸出矩陣H的Moore-Penrose廣義逆，ELM訓練過程中，隨機生成ω_i及b_i，且在訓練過程中保持不變，僅需確定β_i以逼近訓練樣本，得到惟一最優解；訓練結束后，通過式(3)，輸入氣象特征，對短期風速進行預測。

3.根據權利要求1所述的基于優化算法的提高短期風速預測精度的方法，其特征在于：所述改進珊瑚礁智能優化算法，描述如下：

①初始化，設珊瑚礁大小為U×V的矩形，上面有U×V個節點可供珊瑚蟲附著，此時已被附著的珊瑚礁占所有珊瑚的比例為ρ，設珊瑚蟲有雌雄異體比例為ξ，分裂繁殖比例為γ，子代珊瑚蟲嘗試附著極限次數為μ，每次循環淘汰的概率為ε，淘汰數量比例為δ，最大迭代次數為ψ；

②有數量為U×V×ρ的珊瑚蟲已附著在珊瑚礁上，ξ比例的雌雄異體珊瑚蟲U×V×ρ×ξ作為親代C1和C2，并通過模擬二進制交叉的方式結合，根據式(9)產生2個子代c₁和c₂

式中，α為迭代次數，φ為按式(10)生成的隨機變量；

式中，τ為區間(0,1)上的隨機數，κ為交叉常數，剩余U×V×ρ×(1-ξ)數量的雌雄同體珊瑚蟲C根據式(11)產生一個子代c；

③子代珊瑚蟲需要尋找珊瑚礁進行附著，此時有數量為U×V×(1-ρ)的珊瑚礁未被附著，子代珊瑚蟲隨機尋找珊瑚礁，若該珊瑚礁為空，子代珊瑚蟲便可以成功附著；若該珊瑚礁已經被其他珊瑚蟲附著，則需計算出各自的健康度值，較優的將搶占該珊瑚礁，未成功附著的珊瑚蟲按上述步驟重復尋找，若子代珊瑚蟲在極限次數μ內仍未能成功附著，該珊瑚蟲死亡；

④比例為γ優勢珊瑚蟲通過分裂的方式產生子代，并按③的過程嘗試附著；每輪循環有ε的概率會進行淘汰，淘汰比例為δ的健康度較差的珊瑚蟲；被淘汰的珊瑚蟲會自動死亡，空出珊瑚礁以便其他珊瑚蟲進行競爭；

⑤多次重復②-④達到最大迭代次數ψ時，珊瑚礁上健康度最優珊瑚蟲c為最優解；CRO算法每輪循環都采用輪盤賭算法產生隨機數與ε比較，來判斷本輪是否進行淘汰；在算法初期，能夠有效地加速收斂，朝最優解靠近；在算法的中后期，由于輪盤賭算法的盲目性，珊瑚蟲多樣性缺失，使算法停滯，陷入局部最優解；為解決輪盤賭盲目性，提出改進淘汰機制為：

式中，α與α′為迭代次數且α≠α′，θ為適應度值的標準差；當||c_α-c_α′||≤S，即2個體間歐式距離小于預設值S時，|fit(c_α)-fit(c_α′)|≤θ為此時算法陷入停滯；δ′和ε′為改進后每次循環淘汰的概率和淘汰數量比例；

在算法進化前期不斷提高淘汰概率，而在算法中后期，強制進行淘汰并不斷提高淘汰比例，始終能夠保持珊瑚蟲的多樣性，避免陷入局部最優。

4.根據權利要求3所述的基于優化算法的提高短期風速預測精度的方法，其特征在于：所述基于k-折交叉驗證的氣象特征提取，k-折交叉驗證的基本原理為將樣本集均勻劃分為k個獨立子集，輪流選擇其中的k-1份作為訓練樣本進行訓練，剩余1份作為驗證樣本，得到每個子集作為測試集時的均方根誤差RMSE，將其算術平均值作為交叉驗證誤差e_RMSE，在樣本固定的前提下得到比較穩定的誤差指標，盡量避免因隨機選擇訓練集和測試集導致測試誤差的隨機變化，交叉驗證誤差e_RMSE能夠直接反映預測模型推廣能力的優劣，因此，通過ELM算法對e_RMSE進行尋優，考慮氣象特征提取的短期風速預測方法步驟如下：

①初始化MCRO-ELM模型，設置MCRO算法各參數與ELM隱含層節點數；

②親代珊瑚蟲按式(8)(10)產生子代(氣象特征提取矩陣)F＝{f_ζ}_m×1,1≤ζ≤m，m為X的維數，f_ζ為布爾變量；

③計算氣象特征矩陣J＝X·F，為隨機提取出的特征矩陣；

④將樣本分成k份，輪流選擇k-1份作為訓練集，剩余1份作為測試集，測試集包含數量為A的風速，氣象特征J作為預測模型的輸入項，風速t_i作為輸出項，對預測模型進行訓練，訓練完畢后，并依次預測出下一時刻的風速t_i+1，直至預測出數量為A的所有風速值{t_i+1,t_i+2,…,t_i+a}，根據式(12)計算第k′次均方根誤差RMSE(k′)，依次計算出所有RMSE(k′)后，根據式(13)計算交叉驗證誤差e_RMSE；

⑤子代珊瑚蟲通過比較e_RMSE判斷能否成功附著，優勢珊瑚蟲分裂產生子代，并重復②-④計算e_RMSE，再次判斷能否成功附著；

⑥通過式(12)設置當前迭代淘汰概率和淘汰比例，并進行淘汰部分e_RMSE較差的珊瑚蟲；

⑦判斷是否達到最大迭代次數或滿足輸出要求，若不滿足，則返回②，若滿足，則此時對應的F為最優氣象特征提取矩陣，J對應的氣象特征為最優氣象特征。