[发明专利]基于蚁群和粒子群集成的LSSVM脉动风速预测方法

摘要

本发明提供一种基于蚁群和粒子群集成的LSSVM脉动风速预测方法，其包括如下步骤进行归一化处理；计算每个蚂蚁的信息素浓度；蚁群中其他蚂蚁向头蚁位置移动进行全局搜索；迭代过程中对每个位置上蚂蚁信息素浓度进行更新，检查是否满足迭代终止条件，若不满足，返回第三步；否则，算法结束输出最优参数组合；初始化粒子群相关参数；将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较；得到预测的脉动风速时程谱。本发明具有优化精度高，收敛精度高，迭代次数少，成功率高等特点。

主权项

一种基于蚁群和粒子群集成的LSSVM脉动风速预测方法，其特征在于，其包括以下步骤：第一步：利用ARMA模拟生成一定时间段脉动风速样本，将脉动风速样本分为训练集、测试集两部分，对其分别进行归一化处理；第二步：初始化蚁群算法相关参数，设置核函数参数和正则化参数范围C∈[Cmin,Cmax]和σ∈[σmin,σmax]，将一组参数序列(C,σ)作为蚁群算法中蚂蚁的初始位置向量；由训练集对LSSVM进行训练学习，计算每个蚂蚁个体的目标函数值，再计算每个蚂蚁的信息素浓度，目标函数值越小，信息素浓度越大；具体步骤如下：计算每个蚂蚁个体的目标函数值的公式为式(2)、式(3)、式(4)：minF=minMSE=1lΣi=1l(yi-y^i)2---(2)]]>Cmin≤C≤Cmax  (3)σmin≤σ≤σmax  (4)其中F为最小均方误差，yi和分别为监测样本的真实值和通过LSSVM计算出的预测值，σ为核函数参数，C为正则化参数，Cmax、Cmin为正则化参数C允许的最大值和最小值，σmax、σmin为核函数参数σ允许的最大值和最小值；每个蚂蚁的信息素浓度计算公式为式(6)：τ(i)=e-F(Xi)---(6)]]>式中，e为数学常数，即自然对数的底数，F为优化问题的目标函数，Xi为蚂蚁的初始位置向量；第三步：从蚁群中随机抽取p只蚂蚁，由每只蚂蚁所在位置的信息素浓度大小，选择蚂蚁目标函数值最小的位置为Xbest，并将该蚂蚁作为头蚁Xobj；蚁群中其他蚂蚁向头蚁位置移动进行全局搜索，具体步骤如下：蚁群中其他蚂蚁向头蚁位置移动进行全局搜索，式子如下式：Xi＝(1‑λ)Xi+λXobj λ∈(0,1)式中，λ为(0,1)范围的可调参数，Xobj为目标函数最小的头蚁位置；第四步：迭代过程中对每个位置上蚂蚁信息素浓度进行更新，检查是否满足迭代终止条件，若不满足，返回第三步；否则，算法结束输出最优参数组合(C,σ)；第五步：利用第四步得到的最优参数组合(C,σ)，初始化粒子群相关参数；分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测，得到各粒子当前位置值的预测误差，并将其作为各粒子的适应度值，再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较，如果更优，则将粒子当前的位置作为该粒子的最优位置；第六步：将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如果更优，则将该粒子的最优位置作为群体的最优位置；检查是否满足寻优结束条件，若满足则结束寻优，求出最优解；否则继续新一轮搜索；第七步：利用第六步得到的核函数参数σ和正则化参数C的最佳组合，利用Trainlssvm函数来训练建立模型，导入预测数据，预处理后利用Simlssvm函数对测试样本进行预测，得到预测的脉动风速时程谱；计算预测结果并分别与PSO‑LSSVM、ACO‑LSSVM以及原始预测样本数据的均方根误差RMSE、平均绝对误差AE和相关系数R进行比较分析。