1.一种基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,包括以下步骤:
1)获取风电场实测的历史风速数据;
2)采用经验小波变换将步骤1)的历史风速数据分解为多个具有不同频率的风速分量;
3)分别将各个风速分量均划分为训练集、验证集和测试集;
4)将步骤3)各训练集和各验证集输入神经网络中迭代训练神经网络,并利用改进的海鸥优化算法对神经网络的超参数进行优化,得到优化的神经网络;所述神经网络为多核极限学习机;
5)将步骤3)的各测试集输入至步骤4)优化的神经网络中,得到各个风速分量的预测值;
6)根据经验小波逆变换将步骤5)各个风速分量的预测值进行重构,得到风速预测结果;
所述步骤4)中的具体步骤是:
4.1)确定神经网络的超参数;
4.2)将神经网络中的超参数编码为海鸥种群的位置信息,并利用Tent混沌映射方法初始化海鸥种群位置,并设置初始的海鸥优化算法参数,参数包括种群数目M、最大迭代次数Maxiteration、搜索空间的维数D、可行解的上限向量ub和可行解的下限向量lb;
4.3)将风速分量的训练集输入神经网络中,分别利用每只海鸥位置表示的超参数开始训练神经网络,然后将验证集输入训练后的神经网络中,得到验证集对应的风速预测值,计算验证集预测值的平均绝对误差,即海鸥个体的适应度值;
4.4)更新第t次迭代时全局最优海鸥个体位置Pbest(t)和对应的全局最优适应度值Fbest(t);
4.5)在迁徙阶段将线性递减的附加变量A改进为非线性,更新第t次迭代时每只海鸥迁徙阶段的位置DS(t);
4.6)攻击阶段在参数μ中引入余弦因子和10-2常数控制因子,更新第t次迭代时攻击阶段每只海鸥个体的位置Ps(t);
4.7)重复步骤4.3)~步骤4.6),直至迭代训练次数t达到最大迭代次数Maxiteration,根据迭代训练验证神经网络得到的最优海鸥个体位置Pbest和对应的最佳适应度值Fbest,确定出最佳的神经网络的超参数。
2.根据权利要求1所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤3)中,训练集、验证集和测试集的划分比例为6:2:2。
3.根据权利要求2所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4.1)中,多核极限学习机的输出f(x)如下:其中:I是单位矩阵,C是正则化系数,L为期望输出,K(·,·)表示核函数,ΩELM是核函数矩阵,x1,…,xN为给定风速训练样本;T为矩阵转置;
所述核函数矩阵ΩELM定义如下:
其中:H是隐含层输出矩阵;h(xi)表示输入风速为xi时的隐含层的输出;h(xj)表示输入风速为xj时的隐含层的输出;ΩELMi,j表示核矩阵中ΩELM第i行第j列的元素,xi,xj为实验输入向量,即第i行的风速训练样本,第j列的风速训练样本;T为矩阵转置;
其中:
KPoly(x,xi)表示多项式核函数;KRBF(x,xi)表示径向基核函数;λ为多项式核函数的权重系数;n和d均是多项式核函数的核参数,σ为径向基核函数的核参数。
4.根据权利要求3所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4.2)中,将Tent混沌映射到D维解空间中,得到初始化的海鸥种群Z={Zi,i=1,2,…,M},种群个体表示为:Zi=lb+(ub-lb)*zi;
其中:ub为可行解的上限向量,lb为可行解的下限向量;Zi为第i个海鸥种群,zi为Tent混沌映射D维空间产生混沌序列;
所述Tent混沌映射的表达式为:
其中:α∈(0,2]为混沌参数,与混沌性成正比。
5.根据权利要求4所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4.3)中,根据下述的关系验证集预测值的平均绝对误差:其中:MAE验证集预测值的平均绝对误差,即为迭代第t次对应的海鸥个体的适应度值;S为预测样本的个数,i=1,2,…,S;yi为验证集第i个实际风速值,为验证集第i个预测风速值。
6.根据权利要求5所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4.5)中,Ds(t)=|A×PS(t-1)+B×(Pbest(t-1)-PS(t-1))|其中:
DS(t)表示每只海鸥迁徙阶段的位置,即迭代次数t次时海鸥个体与全局最优个体之间的距离;
B=2×A2×rand(),rand表示随机数,取值范围为[0,1];
×PS(t-1)+为第t-1次迭代时海鸥个体的位置,(Pbest(t-1)为第t-1次迭代时全局最佳个体位置;
A∈[-1,1],t为当前迭代次数,abs表示取绝对值;Maxiteration为最大迭代次数。
7.根据权利要求6所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4.6)中,Ps(t)=Ds(t)×x×y×z+Pbest(t-1);
其中,x=r×sin(θ),y=r×cos(θ),z=r×θ分别表示海鸥螺旋运动在x,y和z平面的行为;r=μ×eθυ表示海鸥螺旋运动半径,θ表示攻击角度,是[0,2π]内的随机数,μ为螺旋形状参数,υ表示海鸥运动的速度;
υ=rand()
其中:ub为可行解的上限向量;lb为可行解的下限向量。
8.根据权利要求7所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述步骤4)中,在输入神经网络之前,对各个分量数据进行归一化处理。
9.根据权利要求8所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法,其特征在于,所述归一化的处理公式为:其中:xmin和xmax分别表示需要归一化的时间序列的最小值和最大值,x表示需要归一化的实际风速值;x*表示x对应的归一化后的值。