基于负相关学习和正则化极限学习机集成的风速预测方法技术

本发明专利技术涉及风速预测技术领域，公开了一种基于负相关学习和正则化极限学习机集成的风速预测方法，首先利用最优变分模态分解‑样本熵将原始风速时间序列分解为具有若干个具有不同复杂程度的子序列，然后采用基于负相关学习和正则化极限学习机的集成模型对各子序列进行建模，最后对各子序列的预测结果进行叠加，得到最终的风速预测结果。与现有技术相比，本发明专利技术集成模型采用正则化极限学习机作为基模型，具有更快的收敛速度和更强的稳定性能，能够更好的捕捉风速时间序列的非线性特征；负相关学习作为一种神经网络集成技术，能够增强各正则化极限学习机基模型之间的差异度，有效地提高了单个正则化极限学习机模型的可预测性。

Wind speed prediction method based on the integration of negative correlation learning and regularization limit learning machine

【技术实现步骤摘要】
基于负相关学习和正则化极限学习机集成的风速预测方法
本专利技术涉及风速预测
，特别涉及一种基于负相关学习和正则化极限学习机集成的风速预测方法。
技术介绍
为了提高风速预测精度，目前国内外主要的风速预测方法包括物理模型，统计模型和机器学习模型三类。其中物理建模方法通常利用气象或物理数据，如温度、风速、湿度和压力来构建数学模型，这类方法建模过程复杂且需要昂贵的计算成本。统计模型主要包括自回归(AR)、移动平均(MA)、自回归移动平均(ARMA)和自回归综合移动平均(ARIMA)模型等，统计模型的基本思想是构造一个可以逼近任意给定随机时间序列的回归模型，并用其预测未来风速值，统计模型的建模过程比物理模型简单很多，但统计模型通常要求数据是平稳的并且服从正态分布，不足以处理非线性和非平稳性强的风速时间序列。随着机器学习在科学研究和工程实际中的广泛应用，人工神经网络、支持向量机和极限学习机等机器学习方法成为目前风速预测领域的研究热点。机器学习方法能够对强非线性和非平稳性的风速时间序列，但由于单一机器学习方法是弱学习算法，存在过拟合，泛化性能不本文档来自技高网...

【技术保护点】
1.一种基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，包括如下步骤：/n步骤一：收集风电场历史实测风速数据，根据历史实测风速数据建立风速时间序列，采用最优变分模态分解-样本熵分解方法将原始风速时间序列分解为若干个具有不同复杂程度的子序列；/n步骤二：将步骤一所得的每一子序列归一化至[0,1]区间，计算子序列的偏自相关函数值，选择95％置信水平下显著的滞后时间序列建立输入矩阵，目标变量为输出向量，并将全部样本数据的前70％作为训练样本，剩余30％作为检验样本；/n步骤三：利用步骤二中的训练集，对每一子序列，建立基于负相关学习和正则化极限学习机集成的预测模型，获得最优模型参数；/...

【技术特征摘要】
1.一种基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，包括如下步骤：
步骤一：收集风电场历史实测风速数据，根据历史实测风速数据建立风速时间序列，采用最优变分模态分解-样本熵分解方法将原始风速时间序列分解为若干个具有不同复杂程度的子序列；
步骤二：将步骤一所得的每一子序列归一化至[0,1]区间，计算子序列的偏自相关函数值，选择95％置信水平下显著的滞后时间序列建立输入矩阵，目标变量为输出向量，并将全部样本数据的前70％作为训练样本，剩余30％作为检验样本；
步骤三：利用步骤二中的训练集，对每一子序列，建立基于负相关学习和正则化极限学习机集成的预测模型，获得最优模型参数；
步骤四：将步骤三所得的最优模型参数以及步骤二中检验样本输入基于负相关学习和正则化极限学习机集成的预测模型，得到检验阶段的预测值并反归一化，将所有子序列的预测结果进行求和，得到最终风速预测值；
步骤五：计算均方根误差RMSE，平均绝对误差MAE，相关系数R和平均绝对百分误差MAPE，评价所提出的风速预测方法的性能。


2.根据权利要求1所述的基于负相关学习和正则化极限学习机集成的风速预测方法，其特征在于，所述步骤一中采用最优变分模态分解-样本熵分解方法将原始风速时间序列分解为若干个具有不同复杂程度的子序列包括如下步骤：
步骤2.1：采用最优变分模态分解最优变分模态分解将原始风速时间序列分解为具若干个变分模态和一个残差分量的集合；
步骤2.2：计算每个变分模态和残差分量的样本熵；
步骤2.3：将样本熵近似的子序列进行聚合形成新的子序列。

...

【专利技术属性】
技术研发人员：彭甜，张楚，孙娜，夏鑫，赵环宇，纪捷，张涛，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32