基于非支配排序和随机模拟算法的风速不确定性度量方法技术

本发明专利技术涉及风速不确定性度量技术领域，且公开了基于非支配排序和随机模拟算法的风速不确定性度量方法，包括以下步骤：S1、利用非支配排序遗传算法和包络熵原理确定变分模态分解的模态数，实现参数的自适应选取；S2、选择麻雀搜索算法进行参数寻优，消除随机输入权重与偏置对深度极限学习机的影响，对各分量序列进行预测；S3、在点预测的基础上，使用马尔科夫链构造随机矩阵，对误差序列进行随机模拟，并根据蒙特卡洛思想得到若干独立的随机抽样结果，将模拟的误差分位数序列与点预测结果相结合，得到区间预测结果。S4、对本文所提方法进行实例评估和验证，证明方法的可行性和优越性，建立完整的风速不确定性度量方案。立完整的风速不确定性度量方案。立完整的风速不确定性度量方案。

【技术实现步骤摘要】
基于非支配排序和随机模拟算法的风速不确定性度量方法


[0001]本专利技术涉及风速不确定性度量
，尤其涉及基于非支配排序和随机模拟算法的风速不确定性度量方法。

技术介绍

[0002]随着传统能源日渐枯竭，全球环境压力较大，对可再生能源的需求逐步增加。风能作为一种清洁且永不枯竭的资源，受到广泛关注。大力发展风电产业，对调整能源结构、推进能源生产和消费革命具有重要意义。但风能本身具有强波动性和受制于地理位置等特点，其规律性差，难以准确预测，因此量化风速波动风险是当前研究重点。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了基于非支配排序和随机模拟算法的风速不确定性度量方法，提出带精英策略的非支配排序遗传算法(NSGA
‑
II)，结合包络熵原理，以确定变分模态分解(即VMD)模态分解数；利用麻雀搜索算法消除深度极限学习机中，各极限学习机
‑
自动编码器的随机输入权重与随机偏置的影响；基于马尔科夫链和蒙特卡洛思想，利用随机模拟算法构造预测区间，从而建立完整的风速不确定性度量方案。
[0005](二)技术方案
[0006]本专利技术提供如下技术方案：基于非支配排序和随机模拟算法的风速不确定性度量方法，包括以下步骤：
[0007]S1、数据集划分，按照一定比例划分训练集和测试集，训练集用于网络的学习与建立，测试集用来检验预测方法的可行性；
[0008]S2、风速序列分解，为充分挖掘数据信息，便于后期建立预测模型，对风速序列进行分解，利用非支配排序遗传算法和包络熵原理确定变分模态分解(即VMD)的模态数个数和惩罚因子，实现参数的自适应选取；
[0009]S3、建立点预测模型，利用深度极限学习机对各分量序列进行预测，由于最终模型效果受各极限学习机
‑
自动编码器(即ELM
‑
AE)的随机输入权重与随机偏置的影响，选择麻雀搜索算法进行参数寻优，以提高预测精度，将各分量预测值相加，得到最终点预测序列；
[0010]S4、构建区间预测方案，对训练误差使用马尔科夫链构造随机矩阵，再根据蒙特卡洛思想进行反复抽样，按所提出的分位数抽样方法，得到若干独立且符合实际分布的随机抽样结果，将模拟的误差分位数序列与点预测结果相结合，从而得到不确定性预测区间；
[0011]S5、不确定性度量评估，使用平均绝对误差(MAE)、绝对平均百分比误差(MAPE)和均方根误差(RMSE)评估点预测结果：
[0012]其中，n为序列个数，y
t
为原始测试集，为对应预测序列。计算平均宽度Wid
avg
和覆盖率Rat
cor
，衡量不确定性度量效果，指标公式如下：
[0013][0014]其中U
t
和L
t
分别为分位数统计量中的上下分位数，为真实值在预测区间内的个数。
[0015]在一种可能的实施方式中，所述S2中快速非支配排序算法为：假设种群为N，种群中支配个体n的个体数为x
n
，被个体n支配的个体集合为S
n
，算法步骤为：
[0016]1)找到种群中所有x
n
＝0的个体，并保存到当前集合G1中；
[0017]2)对于当前集合G1中的每一个个体k，考察其所支配的个体集合S
k
，将集合S
k
中每个个体m的x
m
减1，即x
m
＝x
m
‑
1，若x
m
＝0则将个体m存入另一个集合中U；
[0018]3)将G1中的个体作为第一级非支配层的最优个体，赋予该集合内个体相同的非支配序n
rank
，并以U作为当前集合继续分级操作，直到整个种群均被分级。
[0019]在一种可能的实施方式中，所述S2中结合包络熵原理构造非支配排序遗传算法的目标函数：
[0020]1)对原时序信号s进行希尔伯特变换，得到输出序列S，即：S＝Hilbert(s)；
[0021]2)获取输出信号的极值，完成包络线e
i
的提取，并对包络信号进行傅里叶变换，取绝对值得到时序信号的包络谱即：其中s
i
和S
i
分别为希尔伯特变换中第i个输入和输出信号；
[0022]3)对包络谱进行标准化并计算包络熵E
i
，即：其中φ
i
为标准化包络谱，N为信号个数，K为φ
i
长度；
[0023]4)适应度函数由以下公式得到：其中size为种群大小。
[0024]在一种可能的实施方式中，所述S2中还包括基于非支配排序的粒子群优化算法：用一种粒子来模拟鸟类个体，每个粒子可视为搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程，粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整，粒子仅具有两个属性：速度和位置，其中速度代表移动的快慢，位置代表移动的方向，每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解，通过不断迭代，更新速度和位置信息，最终得到满足终止条件的最优解，本文选用粒子群优化算法作为非支配排序遗传算法中的基础遗传算法，从而实现准确快速寻优。
[0025]在一种可能的实施方式中，所述S3中基于麻雀搜索算法优化深度极限学习机：制定了如下规则：
[0026]1)具有较好适应度值的发现者在搜索过程中优先获取食物，并为所有搜索者提供
觅食的方向，且发现者可以获得比搜索者更大的搜索范围；
[0027]2)每个麻雀都有成为发现者的可能，只要其寻找到更优解，但种群中发现者所占比例保持不变；
[0028]3)一些搜索者可能会监视发现者，甚至与发现者争夺食物，以获得更好的食物来源；
[0029]4)由于发现者带头领导觅食，为获得能量，一些饥饿个体可能去其他区域搜寻食物；
[0030]5)当种群受到捕食者威胁时，会进行反捕食行为：处在种群外围的麻雀极易受到捕食者的攻击，需要不断地调整位置以保护种群，与此同时，位于种群中心的麻雀会去接近它们相邻的同伴，尽量减少处于危险区域。
[0031]在一种可能的实施方式中，基于上述规则，麻雀搜索算法优化深度极限学习机的算法步骤如下：
[0032]1)模型初始化，参数包括深度极限学习机(即DELM)中各极限学习机
‑
自动编码器(即ELM
‑
AE)输入权重与偏置、种群数量n、发现者数量、最大迭代数r
max
等，以矩阵X表示种群位置，矩阵Fit中每行的值为个体适应值，发现者具有较好适应值，
[0033]其中d为维数；
[0034]2)发现者位置更新，根据上述规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，包括以下步骤：S1、数据集划分，按照一定比例划分训练集和测试集，训练集用于网络的学习与建立，测试集用来检验预测方法的可行性；S2、风速序列分解，为充分挖掘数据信息，便于后期建立预测模型，对风速序列进行分解，利用非支配排序遗传算法和包络熵原理确定变分模态分解(即VMD)的模态数个数和惩罚因子，实现参数的自适应选取；S3、建立点预测模型，利用深度极限学习机对各分量序列进行预测，由于最终模型效果受各极限学习机
‑
自动编码器(即ELM
‑
AE)的随机输入权重与随机偏置的影响，选择麻雀搜索算法进行参数寻优，以提高预测精度，将各分量预测值相加，得到最终点预测序列；S4、构建区间预测方案，对训练误差使用马尔科夫链构造随机矩阵，再根据蒙特卡洛思想进行反复抽样，按所提出的分位数抽样方法，得到若干独立且符合实际分布的随机抽样结果，将模拟的误差分位数序列与点预测结果相结合，从而得到不确定性预测区间；S5、不确定性度量评估，使用平均绝对误差(MAE)、绝对平均百分比误差(MAPE)和均方根误差(RMSE)评估点预测结果：根误差(RMSE)评估点预测结果：其中，n为序列个数，y
t
为原始测试集，为对应预测序列，计算平均宽度Wid
avg
和覆盖率Rat
cor
，衡量不确定性度量效果，指标公式如下：其中U
t
和L
t
分别为分位数统计量中的上下分位数，为真实值在预测区间内的个数。2.根据权利要求1所述的基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，所述S2中快速非支配排序算法为：假设种群为N，种群中支配个体n的个体数为x
n
，被个体n支配的个体集合为S
n
，算法步骤为：1)找到种群中所有x
n
＝0的个体，并保存到当前集合G1中；2)对于当前集合G1中的每一个个体k，考察其所支配的个体集合S
k
，将集合S
k
中每个个体m的x
m
减1，即x
m
＝x
m
‑
1，若x
m
＝0则将个体m存入另一个集合中U；3)将G1中的个体作为第一级非支配层的最优个体，赋予该集合内个体相同的非支配序n
rank
，并以U作为当前集合继续分级操作，直到整个种群均被分级。3.根据权利要求1所述的基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，所述S2中结合包络熵原理构造非支配排序遗传算法的目标函数：1)对原时序信号s进行希尔伯特变换，得到输出序列S，即：S＝Hilbert(s)；2)获取输出信号的极值，完成包络线e
i
的提取，并对包络信号进行傅里叶变换，取绝对
值得到时序信号的包络谱即：其中s
i
和S
i
分别为希尔伯特变换中第i个输入和输出信号；3)对包络谱进行标准化并计算包络熵E
i
，即：其中φ
i
为标准化包络谱，N为信号个数，K为φ
i
长度；4)适应度函数由以下公式得到：其中size为种群大小。4.根据权利要求1所述的基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，所述S2中还包括基于非支配排序的粒子群优化算法：用一种粒子来模拟鸟类个体，每个粒子可视为搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程，粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整，粒子仅具有两个属性：速度和位置，其中速度代表移动的快慢，位置代表移动的方向，每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解，通过不断迭代，更新速度和位置信息，最终得到满足终止条件的最优解，本文选用粒子群优化算法作为非支配排序遗传算法中的基础遗传算法，从而实现准确快速寻优。5.根据权利要求4所述的基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，所述S3中基于麻雀搜索算法优化深度极限学习机：制定了如下规则：1)具有较好适应度值的发现者在搜索过程中优先获取食物，并为所有搜索者提供觅食的方向，且发现者可以获得比搜索者更大的搜索范围；2)每个麻雀都有成为发现者的可能，只要其寻找到更优解，但种群中发现者所占比例保持不变；3)一些搜索者可能会监视发现者，甚至与发现者争夺食物，以获得更好的食物来源；4)由于发现者带头领导觅食，为获得能量，一些饥饿个体可能去其他区域搜寻食物；5)当种群受到捕食者威胁时，会进行反捕食行为：处在种群外围的麻雀极易受到捕食者的攻击，需要不断地调整位置以保护种群，与此同时，位于种群中心的麻雀会去接近它们相邻的同伴，尽量减少处于危险区域。6.根据权利要求1所述的基于非支配排序和随机模拟算法的风速不确定性度量方法，其特征在于，基于上述规则，麻雀搜索算法优化...

【专利技术属性】
技术研发人员：张亚刚，申晓雨，吴晓坤，王增平，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：