基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法技术

本发明专利技术的目的是针对现有的潮汐流流速研究的不足，提出的一种基于分形理论与改进的最小二乘支持向量机的潮汐流速预测方法，其特点是针对潮汐能的间歇性，不可控性造成发电机输出功率的随机性的主要特点，潮汐流速时间序列是具有分形特性的非线性体系，以历史数据为研究对象，基于分形理论，使用R/S分析法计算时间序列的Hurst指数和V统计量，评价潮汐流速的稳定性和自相关性，并基于改进的蜻蜓算法优化的最小二乘支持向量机的参数，建立潮汐流预测模型，对潮汐流速进行预测。本发明专利技术能够有效的判断潮汐流速的自相关性，为潮汐流速的预测提供理论依据，通过改进的预测模型有效的提高了预测的精度以及运算效率。

【技术实现步骤摘要】
基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法
本专利技术涉及一种基于分形理论和蜻蜓算法改进的最小二乘支持向量机的海洋平台短期潮汐流速预测方法，属于潮汐能流速预测领域。
技术介绍
潮汐能是一种可再生的清洁能源，近些年在我国得到了大规模的发展，但是，可再生能源一般具有的间歇性，不可控性以及拓扑结构多样化等特点，潮汐能也同样存在。由于潮汐流的潮涨潮落而引发的潮汐流速的时大时小，会使对发电机功率输出存在随机性。准确的潮汐能功率预测可以为电力调度，电力系统的可靠性评估提供重要的保证，有效的减轻潮汐能对电网的影响。由于潮汐能功率与潮汐流速有直接确定的关系，功率预测可以在潮汐流速预测的基础上实现，所以准确的潮汐流速预测显得十分重要。现有的谐波分析法和SHOM(Servicehydrographiqueetocéanographiquedelamarine)预测潮汐流速，但是这两种方法只考虑了潮流速度的规律性，无法模拟每一个时间点潮流速度的随机性。H.Chen,N.E.H.andM.Machmoum,"Marinetidalcurrentsystems:Stateoftheart,"2012IEEEInternationalSymposiumonIndustrialElectronics,Hangzhou,2012,pp.1431-1437；B.L.Polagye,J.EplerandJ.Thomson,"Limitstothepredictabilityoftidalcurrentenergy,"OCEANS2010MTS/IEEESEATTLE,Seattle,WA,2010,pp.1-9。使用统计学的方法捕捉潮流速度的概率特征，但是这种方法不能直接用于生成具有规律性和随机性的潮流速度时间序列。MingjunLiu,WenyuanLi,R.Billinton,C.WangandJuanYu,"Probabilisticmodelingoftidalpowergeneration,"2015IEEEPower&EnergySocietyGeneralMeeting,Denver,CO,2015,pp.1-5。最小二乘支持向量机(leastsquaresupportvectormachine,LSSVM)是在统计学理论上发展起来的一种新型的学习方法，能够生成具有规律性和随机性的潮流速度时间序列，能有效的避免陷入局部最优，而且具有较强的泛化能力。在LSSVM预测建模过程中，影响预测模型精确度的参数主要是正则化参数和核函数宽度，但是这两个参数一般采用试凑法选取，造成预测麻烦且误差较大，因此有学者提出使用粒子群算法，遗传算法，蚁群算法等优化最小二乘支持向量机，但是上述的智能算法会出现建模速度慢，容易陷入局部最优，预测效率低等问题。
技术实现思路
为了解决上述存在的问题，本专利技术提出了有一种基于分形理论与改进的蜻蜓算法(ImprovementDragonflyAlgorithm，IDA)优化最小二乘支持向量机进行潮汐流速的预测模型，该方法首先基于分形理论，使用R/S分析法计算了时间序列的Hurst指数和V统计量，评价了潮汐流速的稳定性，判断了潮汐流速的自相似性与潮汐流速的非循环周期，然后使用改进的蜻蜓算法优化最小二乘支持向量机的正则化参数和核函数宽度两个参数，其全局搜索能力强，预测精度高，计算效率快。最后通过改进后的预测模型进行潮汐流速的预测，实验结果表明，该方法的预测精度更高。本专利技术所提出的潮汐流速预测方法的具体步骤如下：(1)在目标潮汐流能发电站利用潮汐流测速工具实时采集目标潮汐发电站的潮汐流速数据，获得潮汐流速的样本集合，作为试验的数据。(2)利用R/S分析法分析潮流速度的自相关性和长程记忆性。1)计算Hurst指数和V统计量。对离散序列X＝{Xi:i＝1,2,…,N}，其中N为总离散点数，将其分成互不重叠M个长度为n子区间，分别标记为区间Im(m＝1,2,…,M),则区间Im中各元素表示为Ni,m(i＝0,1,2,…,n)。对每个子区间分别求其平均值和标准差：式(1)(2)中：n(2≤n≤N)为每个子区间观测值的个数。计算对应的累计离差X(i,m)和极差Rm(n)：Rm(n)＝maxX(i,m)-minX(i,m)(4)求出对应极差与标准差之比：对所有的RSm(n)取平均值，得到RS(n)。取不同的n值，求出不同区间长度n上的RS(n)，设有：lg(RS(n))＝lgc+Hlgn(6)式(6)中：c为统计常数；H为R/S方法的Hurst指数。V统计量定义为：2)分析潮汐流速的自相关性和长程相关的特征。根据离散序列X的Hurst指数，可以判断出该序列是否具有自相似形，具体如下：当0＜H＜0.5时，表明该序列具有反相关性，是不独立的，其前后部分的发展趋势相反，同时此序列突变性和易变性较强；当H＝0.5时，表明该序列是不相关的、随机独立的，其前后部分的发展趋势没有任何联系，是不可预测的；当0.5＜H＜1时，表明该序列具有正相关性和自相似性，系统具有持续性，其前后部分的发展趋势一致。H值越接近于1，正相关性越强，自相似程度越高，可预测性越强。当H＝1时，该序列是确定的，不独立的，即完全可预测。若V统计量在以log(n)为横坐标系中表现为向上倾斜，则时间序列表现为长程记忆性，曲线的拐点处对应该序列的非循环长度；若曲线是向下倾斜的，则时间序列具有反记忆性；若表现为水平直线时，则序列为独立随机过程。(3)基于蜻蜓算法改进的最小二乘支持向量机建立预测模型。1)将收集的潮汐流数据进行数据预处理，剔除其中的异常数据，对原始的样本数据进行归一化预处理，把采集到的历史数据压缩到[0,1]之间。归一化处理的公式为:其中，x*为归一化后的值；x为原始样本值；xmin为样本最小值；xmax为样本最大值。2)确定最小二乘支持向量机的核函数及其模型。径向基函数具备样本变换到高维空间，进行非线性规划的能力，而且径向基函数因为其参数舍取的束缚条件较少，使得计算的繁杂性降低，最后该函数具有非常明确的统计意义，完美利用了样本数据分布的先验知识。因此，选择的核函数为径向基核函数：exp(-||x-xi||2/2σ2)(9)式中x为输入向量，xi为径向基函数的中心，维数和输入量一致，σ为核函数宽度，该系数决定了此函数围绕中心点的宽度。采用归一化预处理后的数据，构成训练样本数据，将其作为最小二乘支持向量机的训练样本，选择一个非线性函数φ(x)将输入样本映射到希尔伯特高维特征空间，基于结构风险最小化原则，最小二乘支持向量机的优化问题描述为求解最优化问题的目标函数，将该问题利用拉格朗日函数进行求解，建立LSSVM回归模型：其中K为径向基核函数，b为偏差向量。3)基于蜻蜓算法对最小二乘支持向量机回归模型的两个核心参数：正则化参数γ和核函数宽度σ两个参数寻优，找到最优的参数组合。3-1)算法参数初始化。初始化求解问题维度d，最大迭代次数Mit，蜻蜓个体N，以及最小二乘支持向量机正则化参数γ和核函数宽度σ的上下限值ub、lb。3-2)计算每种类型样本的每个特征初始中心点Zkj将需要优化的LSSVM正则化参数γ和核函数宽度σ组合作为蜻蜓求解的位置Xt，随本文档来自技高网...

【技术保护点】
1.本专利技术所提出的潮汐流速预测方法的具体步骤如下：(1)在目标潮汐流能发电站利用潮汐流测速工具实时采集目标潮汐发电站的潮汐流速数据，获得潮汐流速的样本集合，作为试验的数据。(2)利用R/S分析法分析潮流速度的自相关性和长程记忆性。1)计算Hurst指数和V统计量。对离散序列X＝{Xi:i＝1,2,…,N}，其中N为总离散点数，将其分成互不重叠M个长度为n子区间，分别标记为区间Im(m＝1,2,…,M),则区间Im中各元素表示为Ni,m(i＝0,1,2,…,n)。对每个子区间分别求其平均值和标准差：

【技术特征摘要】
1.本发明所提出的潮汐流速预测方法的具体步骤如下：(1)在目标潮汐流能发电站利用潮汐流测速工具实时采集目标潮汐发电站的潮汐流速数据，获得潮汐流速的样本集合，作为试验的数据。(2)利用R/S分析法分析潮流速度的自相关性和长程记忆性。1)计算Hurst指数和V统计量。对离散序列X＝{Xi:i＝1,2,…,N}，其中N为总离散点数，将其分成互不重叠M个长度为n子区间，分别标记为区间Im(m＝1,2,…,M),则区间Im中各元素表示为Ni,m(i＝0,1,2,…,n)。对每个子区间分别求其平均值和标准差：式(1)(2)中：n(2≤n≤N)为每个子区间观测值的个数。计算对应的累计离差X(i,m)和极差Rm(n)：Rm(n)＝maxX(i,m)-minX(i,m)(4)求出对应极差与标准差之比：对所有的RSm(n)取平均值，得到RS(n)。取不同的n值，求出不同区间长度n上的RS(n)，设有：lg(RS(n))＝lgc+Hlgn(6)式(6)中：c为统计常数；H为R/S方法的Hurst指数。V统计量定义为：2)分析潮汐流速的自相关性和长程相关的特征。根据离散序列X的Hurst指数，可以判断出该序列是否具有自相似形，具体如下：当0＜H＜0.5时，表明该序列具有反相关性，是不独立的，其前后部分的发展趋势相反，同时此序列突变性和易变性较强；当H＝0.5时，表明该序列是不相关的、随机独立的，其前后部分的发展趋势没有任何联系，是不可预测的；当0.5＜H＜1时，表明该序列具有正相关性和自相似性，系统具有持续性，其前后部分的发展趋势一致。H值越接近于1，正相关性越强，自相似程度越高，可预测性越强。当H＝1时，该序列是确定的，不独立的，即完全可预测。若V统计量在以log(n)为横坐标系中表现为向上倾斜，则时间序列表现为长程记忆性，曲线的拐点处对应该序列的非循环长度；若曲线是向下倾斜的，则时间序列具有反记忆性；若表现为水平直线时，则序列为独立随机过程。(3)基于蜻蜓算法改进的最小二乘支持向量机建立预测模型。1)将收集的潮汐流数据进行数据预处理，剔除其中的异常数据，对原始的样本数据进行归一化预处理，把采集到的历史数据压缩到[0,1]之间。归一化处理的公式为:其中，x*为归一化后的值；x为原始样本值；xmin为样本最小值；xmax为样本最大值。2)确定最小二乘支持向量机的核函数及其模型。径向基函数具备样本变换到高维空间，进行非线性规划的能力，而且径向基函数因为其参数舍取的束缚条件较少，使得计算的繁杂性降低，最后该函数具有非常明确的统计意义，完美利用了样本数据分布的先验知识。因此，选择的核函数为径向基核函数：式中x为输入向量，xi为径向基函数的中心，维数和输入量一致，σ为核函数宽度，该系数决定了此函数围绕中心点的宽度。采用归一化预处理后的数据，构成训...

【专利技术属性】
技术研发人员：张安安，孙杨帆，李茜，何嘉辉，黄璜，冯雅婷，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：四川,51