本发明专利技术提供一种基于人工蜂群优化LSSVM的脉动风速预测方法，其包括以下步骤：首先用ARMA数值模拟法模拟生成垂直空间点的脉动风速时程样本，并将空间点的脉动风速时程样本分为训练集、测试集两部分，分别对其进行归一化处理；建立最小二乘支持向量机脉动风速预测模型，采用人工蜂群算法寻找最优的LSSVM模型参数组合使得模型预测误差最小。并采用均方根误差、相关系数以及收敛次数作为评价指标，并与最小二乘支持向量机和粒子群优化的最小二乘支持向量机（PSO-LSSVM）数据驱动技术的结果进行比较。
【技术实现步骤摘要】
本专利技术设及一种基于数据驱动的脉动风速预测方法，具体的说是一种基于人工蜂 群优化LSSVMiXeast Squares Su卵ort Vector Machine,最小二乘支持向量机）的脉动风 速预测方法。
技术介绍
对支持向量机（Suppo;rt Vector Machine,SVM)是基于VC维和结构风险最小化原 理基础上发展而来的基于数据的机器学习算法，具有小样本、非线性、高维度，预测精度高 的特点。SVM在处理函数逼近或者预测问题时，把问题用一个凸优化问题来描述，基于 Mercer定理，通过非线性映射遂批怒'(紙诗：)，将输入样本点从输入空间非线性地映 射到高维特征空间，然后选择损失函数，在高维特征空间中求解该损失函数的最小化值，在 特征空间中可W应用线性学习机的方法解决样本空间中的高度非线性回归问题。 随着对支持向量机研究的深入，支持向量机存在着训练算法速度慢、算法复杂而 难W实现等问题，尤其是在非线性支持向量机中，随着拉格朗日算子、核函数等因素的引 入，使得其计算过程更加复杂，造成运些的主要原因是二次型优化技术解决对偶问题时可 能存在训练速度慢的问题。因为在寻优过程中，存在着大量的矩阵计算，占用了算法的大部 分时间。 最小二乘支持向量机化east Squares S叩port Vector Machine，LSSVM)是 Su巧ensj. A. k提出的一种新型SVM，引入了最小二乘的思想，LSSVM在目标函数中采用平方 和误差损失函数代替传统SVM中的不敏感损失函数，用等式约束代替SVM中的不等式约束， 使标准SVM求解二次规划问题转化为求解一组线性关系式，LSSVM的优化函数只需解线性等 式方程组，计算量小，最重要的是避免了 SVM中惩罚因子C的选择问题，从而极大的简化了问 题，提高了学习速率。[000引 LSSVM性能的好坏在很大程度上取决于所选的核函数参数。RBF核函数有着极高的 性能，因此本项专利技术选择的是RBF核函数，而基于R邸核函数的LSSVM的参数主要设及到核参 数σ和正则化参数丫，运两个参数选择直接影响到LSSVM的性能。传统的粒子群(Particle Swarm Optimization，PS0)算法、遗传算法（Genetic Algorithm，GA) W及人工神经网络 (Artifical化ural化twork，ANN)算法等智能提取LSSVM参数组合（丫，日）的优化算法都存 在容易陷入局部最优、收敛速度慢、耗时等缺点，而人工蜂群算法(Artificial Colony Bee, ABC)是基于蜜蜂群体的觅食行为而提出的一种新的优化算法，具有收敛速度快、精度 高、实用、可靠、等优点。为了提高LSSVM的性能，引入人工蜂群算法，运用基于人工蜂群智能 优化算法对LSSVM的核函数进行参数优化选择，W提高LSSVM模型的性能。
技术实现思路
本专利技术的目的在于提供一种基于人工蜂群优化LSSVM的脉动风速预测方法，解决 LSSVM的预测精度不高，收敛速度慢等问题。通过ARMA法数值模拟获得脉动风速时程样本， 作为原始脉动风速样本数据。将样本数据划分为训练集和测试集，利用LSSVM数据驱动技 术，对样本数据进行学习，利用ABC优化算法智能提取LSSVM的最优参数组合（丫，0)，并建立 预测模型，预测出其它时间序列脉动风速。 根据上述专利技术构思，本专利技术采用下述技术方案:一种基于人工蜂群优化LSSVM的脉 动风速预测方法，其特征在于，其包括W下步骤： 第一步:通过ARMA法数值模拟出脉动风速时程样本，作为原始脉动风速样本数据， 将某一个空间点的脉动风速时程样本分为训练集、测试集两部分，设置风速时间序列数据 预测的嵌入维数m，分别对训练集、测试集进行归一化处理； 第二步：建立LSSVM回归预测模型，选择RBF函数作为LSSVM的核函数，运用Matlab 软件运行LSSVM模型程序，对训练集进行学习； 第Ξ步:将人工蜂群算法引入LSSVM回归预测模型中，设置LSSVM预测模型核函数 参数日和正则化参数丫的范围〇E、蜜源个数SN、最大循环次 数MCN、放弃阔值Limit; 第四步：随机产生初始解集XU，W预测风速与目标风速的均方根误差作为人工蜂 群算法的适应度，并计算各个初始解XU的适应度；[001引第五步：引领蜂在初始解邻域捜索产生新解VU，根据贪屯、选择原则，即若VU的适 应度大于义^的适应度，则XU = Vij，否则保持XU不变； 第六步:计算所有XU的适应度，并计算概率值Pi; 第屯步:跟随蜂根据计算概率值Pi选择蜜源，然后在所选择的蜜源进行邻域捜索 产生新解VU，计算适应度，再次根据贪屯、选择原则，若VU的适应度大于XU的适应度，则Xij = Vij，否则保持Xij不变； 第八步:经过Limit次循环后，判断是否有要丢掉的解，若存在，则由侦察蜂产生一 个新解XU代替它;并存储到目前为止找到的最好的解； 第九步:若当前迭代次数大于最大次数MCN，则停止迭代；否则转到第四步，切cle = Cycle+l; 第十步:输出最优参数组合（γ，〇)，并建立LSSVM预测模型，预测出其它时间序列 的风速数据。 优选地，所述第一步中ARMA法的公式如下： 式中:U (t)为脉动风速;Ai、Bj分别是Μ X Μ阶AR和MA模型的系数矩阵;X (t)为Μ X 1阶 正态分布白噪声序列;Ρ为自回归阶数、q为滑动回归解数;相关函数由功率谱通过维纳一辛 钦公式下式算出： 通过对ARMA模型公式的矩阵变换，分别求解自回归系数Ai和滑动回归系数Bi，建立 脉动风速表达式； 归一化处理公式为：。 3、根据权利要求1所述的基于人工蜂群优化LSSVM的脉动风速预测方法，其特征在 于，所述第二步LSSVM回归预测模型选择的核函数为高斯核函数，RBF核函数的表达式为： 式中，xi、xj为训练样本第i，j个元素；γ为RBF核函数参数。 优选地，所述第四步随机产生初始解集XU及第八步中产生新解的公式如下： 其中j e {1，2，……D}为D维可行解的某个分量。 优选地，所述第五步引领蜂在初始解邻域捜索产生新解VU的公式如下： 其中je{l，2,……D}，ke{l，2,……SN}，k为随机生成且k辛i，绞紋为之间的 随机数。 优选地，所述第六步适应度及概率值的计算公式如下： fiti是第i个可行解的适应度，对应食物源的丰富程度;fi对应目标函数值。 与现有的技术相比，本专利技术具有W下显著的优点:传统的SVM较好的解决了 W往学 习方法中存在的小样本、非线性、过学习、高维数、局部极小值等问题，运使它在解决模式识 别和函数估计问题中表现出了极佳的性能。但标准的SVM训练复杂度高，而且要求解一个带 约束的二次规划问题，并且样本数据越大，求解二次规划问题越复杂，训练的时间越长。 LSSVM是在标准SVM的基础上发展而来的，它用二次损失函数取代SVM中的不敏感损失函数， 将不等式约束变为等式约束，避免了求解二次规划问题，提高了训练速度。正则化参数γ和 RBF函数的核宽度σ直接影响LSSVM的学习和泛化能力，因此对其参数选择很重要。传统的对 LSSVM参数提取的方法有网格捜索法，交叉验证法，基于PS0 (粒子群算法本文档来自技高网...
【技术保护点】
一种基于人工蜂群优化LSSVM的脉动风速预测方法，其特征在于，其包括以下步骤：第一步：通过ARMA法数值模拟出脉动风速时程样本，作为原始脉动风速样本数据，将某一个空间点的脉动风速时程样本分为训练集、测试集两部分，设置风速时间序列数据预测的嵌入维数m，分别对训练集、测试集进行归一化处理；第二步：建立LSSVM回归预测模型，选择RBF函数作为LSSVM的核函数，运用Matlab软件运行LSSVM模型程序，对训练集进行学习；第三步：将人工蜂群算法引入LSSVM回归预测模型中，设置LSSVM预测模型核函数参数σ和正则化参数γ的范围σ∈[σmin,σmax]和γ∈[γmin,γmax]、蜜源个数、最大循环次数、放弃阈值；第四步：随机产生初始解集xij，以预测风速与目标风速的均方根误差作为人工蜂群算法的适应度，并计算各个初始解xij的适应度；第五步：引领蜂在初始解邻域搜索产生新解vij，根据贪心选择原则，即若vij的适应度大于xij的适应度，则xij＝vij，否则保持xij不变；第六步：计算所有xij的适应度，并计算概率值Pi；第七步：跟随蜂根据计算概率值Pi选择蜜源，然后在所选择的蜜源进行邻域搜索产生新解vij，计算适应度，再次根据贪心选择原则，若vij的适应度大于xij的适应度，则xij＝vij，否则保持xij不变；第八步：经过Limit次循环后，判断是否有要丢掉的解，若存在，则由侦察蜂产生一个新解xij代替它；并存储到目前为止找到的最好的解；第九步：若当前迭代次数大于最大次数MCN，则停止迭代；否则转到第四步，Cycle＝Cycle+1；第十步：输出最优参数组合，并建立LSSVM预测模型，预测出其它时间序列的风速数据。...
【技术特征摘要】
【专利技术属性】
技术研发人员：张永康，李春祥，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。