CN105608271A - 一种基于分解与优化的短期风速时序预测方法 - Google Patents

Abstract

本发明方法公开一种基于分解与优化的短期风速时序预测方法，包括：S1按小时进行原始风速序列采样及处理，构建时序数据序列；S2.将时序风速进行3层小波分解，得到高频细节序列d₁，d₂，d₃和一个低频近似序a₃；S3.对分解得到的序列进行二插值重构，得到细节序列D₁，D₂，D₃和近似序列A₃；S4.对重构后的各序列分别进行归一化处理，构建时序相关序列组，将最后24组作为测试集，其余为训练集；S5.使用训练集数据，利用混沌萤火虫算法优化最小二乘支持向量机参数，构建最优LS-SVM；S6.将测试集输入到步骤S5中的最优LS-SVM进行风速预测；S7.将各预测值反归一化后叠加，得到实际的风速预测值；本发明提高了短期风速预测精度，可以为运行人员提供更有效的决策信息，保障风电运行的安全性和可靠性。

Description

一种基于分解与优化的短期风速时序预测方法

技术领域

本发明属于风速预测技术领域，具体涉及一种基于分解与优化的短期风速时序预测方法。

背景技术

随着化石能源的日渐枯竭以及环境污染的日益严重，风电作为一种清洁可再生能源发电形式，得到了世界各国的广泛重视。风电大规模并网后，可能会出现电压、频率偏差、电压波动甚至脱网等现象，在我国多个区域电网还存在风电上网后的系统调峰难题，这些问题产生的根源是风速的波动性和随机性导致风电出力呈现出间歇性和不确定性的特点。因此，对风电场短期风速进行准确预测至关重要。

国内外学者针对风速预测已进行了一些研究，主要可分为基于物理模型和基于历史数据预测两类方法。物理模型法采用天气预报数据进行预测，但是由于我国数值气象模型难获取且气象预报数据更新频率低，仅适用于中长期风速预测。基于历史数据预测的方法较多，主要有时间序列法、空间相关法、高斯过程回归、神经网络、支持向量机、最小二乘支持向量机等。其中最小二乘支持向量机(LeastSquaressupportvectormachines,LS-SVM)因其训练时间短、泛化能力强、精度高等优点而得到了广泛的应用。然而由于风速的高度随机性和影响因素的复杂性，目前上述预测方法绝对平均误差为25％～40％，还未达到一定的满意程度。

最小二乘支持向量机的预测效果与其模型超参数紧密相关，已有研究遗传算法、粒子群算法和改进的粒子群算法等智能仿生算法对LS-SVM进行参数寻优。研究结果表明参数寻优可以提高风速预测的精度，而且寻优算法的全局寻优能力越好则模型预测精度越高。可见，使用性能更好的智能寻优算法对最小二乘支持向量机的参数进行优化，是一种提高风速预测精度的有效方法。

发明内容

针对短期风速时序预测精度尚有待提高的问题，本发明提供一种基于分解与优化的短期风速时序预测方法，其很好的提高了短期风速预测精度，且方法实现简单，计算量小，可操作性强。

本方法所采用的具体技术方案是：一种基于分解与优化的短期风速时序预测方法，其特征在于，包括以下步骤：

S1:按小时进行原始风速序列采样及处理，构建时序风速序列{v₁,v₂,v₃…v_n}，其中，v表示风速，n表示序列长度；

S2:将时序风速进行3层小波分解，得到高频细节序列d₁,d₂,d₃和一个低频近似序a₃；

S3:对分解得到的序列进行二插值重构，得到细节序列D₁,D₂,D₃和近似序列A₃；

S4.对重构后的各序列分别进行归一化处理,构建时序相关序列组，将最后24组作为测试集，其余为训练集；

S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法优化最小二乘支持向量机超参数c,σ²，得到最优LS-SVM；

S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；

S7:将各预测值反归一化后叠加得到实际的风速预测值。

进一步的，所述的步骤S4中，具体的归一化的公式如下：

$v_{i1}=\frac{v_i-v_{\min }}{v_{max}-v_{\min }}---\left(1\right)$

v_max,v_min分别表示原始序列最大、最小风速，v_i,v_i1分别表示第i时段原始及归一化后的风速；

构造的时序相关序列数据组，具体的是，每一行的前六位是输入，最后一位是输出，其形式如下：

$\left|\begin{array}{cccc}{v}_1& v_2& \mathrm{...}& v_6\\ v_7& v_8& \mathrm{...}& v_9\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ v_{n-6}& v_{n-5}& \mathrm{...}& v_n\end{array}\right|---\left(2\right)$

式中n是构建的原始风速数据的长度。

进一步的，步骤S5中的混沌萤火虫算法包括如下内容：

1)萤火虫的亮度I定义为：

$I=I_0{e}^{-{\mathrm{\γr}}_{ij}^2}---\left(3\right)$

式中：I₀为最大亮度，r_ij为萤火虫之间的欧式距离如式(4)；

$r_{ij}=\left|\right|x_i-x_j\left|\right|=\sqrt{\underset{d=1}{\overset{D}{\Σ}}{(x_{i,d}-x_{j,d})}^2}---\left(4\right)$

其中，式中D为空间维数x_i,d,x_j,d分别为萤火虫x_i,x_j在空间中的第d个分量；

2)萤火虫间的吸引度β与亮度相关，定义为：

$\mathrm{\β}={\mathrm{\β}}_0{e}^{-{\mathrm{\γr}}_{ij}^m}---\left(5\right)$

其中，β₀是初始位置吸引度，γ为光强吸收系数，m为常数；

3)萤火虫i被萤火虫j吸引的位置更新公式为：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+αε_i(6)

式中：x_i(t+1)是萤火虫x_i第t+1次移动后的位置，β是萤火虫x_j对x_i的吸引度；α是步长因子，为[0,1]上的常数；ε_i为[0,1]上服从高斯分布的随机因子；

4)改进的惯性权重；

使用线性递减惯性权重对基本萤火虫算法进行改进；

w＝w_max-(w_max-w_min)×t/T_max(7)

其中，w为权重，w_max,w_min分别为给定的最大最小权重，t,T_max分别为当前和最大迭代次数；改进后的位置更新公式如式(8)；

x_i(t+1)＝wx_i(t)+β(x_j(t)-x_i(t))+αε_i(8)

5)改进的混沌机制；

将优化变量通过混沌映射规则映射到混沌变量空间的取值区间内，利用混沌变量的遍历性和随机性寻优搜索，最后将获得的优化解线性转化到优化空间；其数学表达式如下：

x_d,k ^*＝u×x^* _d,k-1×(1-x^* _d,k-1),x^*∈(0,1)(9)

其中，x^* _d,k表示D维向量的第d维，k表示混沌迭代次数；当u＝4，且x^*≠{0,0.25,0.5,0.75,1}时，由(9)产生的序列完全混沌化；

在得到混沌序列之后，用式(10)进行载波操作，映射到优化空间范围

x_d,k＝(x_d,max-x_d,min)×x^* _d,k+x_d,min(10)

其中，x_d,max,x_d,min分别表示第d维变量的上、下限；

6)萤火虫的混沌优化过程为：在每一代优化过程中，选取表现最好的N个萤火虫作为精英个体进行混沌优化，按设定的混沌，代数由(9)产生混沌序列，然后按照(10)混沌序列映射回萤火虫搜索空间，最后对精英个体进行混沌搜索，若搜索到更优个体则予以替换，否则进入下一代更新。

进一步的，所述的利用混沌萤火虫算法优化最小二乘支持向量机超参数c,σ²步骤如下：

1)设置最大进化代数T_max，初始吸引度β₀，光强吸收系数γ和步长因子α，设置种群规模为N_p，当前进化代数为t＝0，初始化种群中萤火虫位置X_i＝{c,σ²}；

2)计算每个萤火虫的目标函数值f(x_i)作为亮度，目标函数按式(11)；

$f\left(X_i\right)={\mathrm{MRE}}_i=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}\frac{|{\mathrm{predict}}_i-{\mathrm{real}}_i|}{{\mathrm{real}}_i}---\left(11\right)$

其中MRE_i表示平均相对误差，predict_i是训练集的LS-SVM预测值，real_i是实测值；

3)按照式(3)计算萤火虫的亮度，式(4)计算萤火虫之间的欧式距离，按式(5)计算萤火虫之间的吸引度β；

4)按式(7)计算惯性权重，比较萤火虫之间的亮度，按照式(8)更新萤火虫位置；

5)重新计算萤火虫的适应度，取前N个精英个体进行(9)～(10)的混沌操作并进行遍历搜索，若搜索到更优位置，则更新精英个体，否则直接转下一步；

6)若达到最大迭代步数，则输出最优超参数，否则转第2)步。

进一步的，所述的步骤S7中的反归一化的公式如下：

v_i2＝v_min+(v_max-v_min)×v_i1(12)

式中：v_i1表示第i时刻的归一化速度，v_max,v_min为原始序列中最大、最小风速，v_i2为第时刻反归一化速度。

进一步的，所述的m取2。

本发明的有益效果是：一种基于分解与优化的短期风速时序预测方法，提高了短期风速预测精度，可以为运行人员提供更有效的决策信息，保障风电运行的安全性和可靠性。

附图说明

图1是基于分解与优化的短期风速时序预测方法流程图；

图2是两种时间尺度的风速实测序列；

图3是10分钟级采集数据序列的小波分解与重构图；

图4是10分钟级数据序列下的6种方法的预测结果；

图5是小时级数据序列下的6种方法的预测结果。

具体实施方式

为进一步阐述本发明的过程和具体步骤，结合具体实施例进行进一步说明。

如图1所示，一种基于分解与优化的短期风速时序预测方法，包括以下步骤：S1:按小时进行原始风速序列采样及处理，构建时序风速序列{v₁,v₂,v₃…v_n}，其中，v表示风速，n表示序列长度；

S2:将时序风速进行3层小波分解WaveletDecomposition,WD，得到高频细节序列d₁,d₂,d₃和一个低频近似序a₃；

S3:对分解得到的序列进行二插值重构，得到细节序列D₁,D₂,D₃和近似序列A₃；

S4.对重构后的各序列分别进行归一化处理,构建时序相关序列组，将最后24组作为测试集，其余为训练集；

所述的步骤S4中，具体的归一化的公式如下：

$v_{i1}=\frac{v_i-v_{\min }}{v_{max}-v_{\min }}---\left(1\right)$

v_max,v_min分别表示原始序列中最大、最小风速，v_i,v_i1分别表示第i时段原始及归一化后的风速；

构造的时序相关序列数据组，具体的是，每一行的前六位是输入，最后一位是输出，其形式如下：

$\left|\begin{array}{cccc}{v}_1& v_2& \mathrm{...}& v_6\\ v_7& v_8& \mathrm{...}& v_9\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ v_{n-6}& v_{n-5}& \mathrm{...}& v_n\end{array}\right|---\left(2\right)$

式中n是构建的原始风速数据的长度。

S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法(ChaoticFireflyAlgorithm,CFA)优化最小二乘支持向量机(LeastSquaresSupportVectorMachine，LS-SVM)超参数c,σ²，得到最优LS-SVM；

步骤S5中的混沌萤火虫算法包括如下内容：

1)萤火虫的亮度I定义为：

$I=I_0{e}^{-{\mathrm{\γr}}_{ij}^2}---\left(3\right)$

式中：I₀为最大亮度，即萤火虫自身的亮度，与目标函数值相关，通常定义目标函数值越优自身亮度越高；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，γ正是用来体现此特性；r_ij为萤火虫之间的欧式距离如式(4)；

$r_{ij}=\left|\right|x_i-x_j\left|\right|=\sqrt{\underset{d=1}{\overset{D}{\Σ}}{(x_{i,d}-x_{j,d})}^2}---\left(4\right)$

其中，式中D为空间维数x_i,d,x_j,d分别为萤火虫x_i,x_j在空间中的第d个分量；

2)萤火虫间的吸引度β与亮度相关，定义为：

$\mathrm{\β}={\mathrm{\β}}_0{e}^{-{\mathrm{\γr}}_{ij}^m}---\left(5\right)$

其中，β₀是初始位置吸引度，γ为光强吸收系数，m为常数，通常为2；

3)萤火虫i被萤火虫j吸引的位置更新公式为：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+αε_i(6)

式中：x_i(t+1)是萤火虫x_i第t+1次移动后的位置，β是萤火虫x_j对x_i的吸引度；α是步长因子，为[0,1]上的常数；ε_i为[0,1]上服从高斯分布的随机因子；

4)改进的惯性权重；

使用线性递减惯性权重对基本萤火虫算法进行改进；

w＝w_max-(w_max-w_min)×t/T_max(7)

其中，w为权重，w_max,w_min分别为给定的最大最小权重，t,T_max分别为当前和最大迭代次数；改进后的位置更新公式如式(8)；

x_i(t+1)＝wx_i(t)+β(x_j(t)-x_i(t))+αε_i(8)

5)改进的混沌机制；

引入混纯思想，从而提高萤火虫种群的多样性和寻优的遍历性，增加算法跳出局部极值点的能力。混沌优化基本思想为将优化变量通过混沌映射规则映射到混沌变量空间的取值区间内，利用混沌变量的遍历性和随机性寻优搜索，最后将获得的优化解线性转化到优化空间。采用此方法，其数学表达式如下：

x_d,k ^*＝u×x^* _d,k-1×(1-x^* _d,k-1),x^*∈(0,1)(9)

其中，x^* _d,k表示D维向量的第d维，k表示混沌迭代次数；当u＝4，且x^*≠{0,0.25,0.5,0.75,1}时，由(9)产生的序列完全混沌化；

在得到混沌序列之后，用式(10)进行载波操作，映射到优化空间范围

x_d,k＝(x_d,max-x_d,min)×x^* _d,k+x_d,min(10)

其中，x_d,max,x_d,min分别表示第d维变量的上、下限；

6)萤火虫的混沌优化过程为：在每一代优化过程中，选取表现最好的N个萤火虫作为精英个体进行混沌优化，按设定的混沌搜索代数由(9)产生混沌序列，然后按照(10)混沌序列映射回萤火虫搜索空间，最后对精英个体进行混沌搜索，若搜索到更优个体则予以替换，否则进去下一代更新。

所述的利用混沌萤火虫算法优化最小二乘支持向量机超参数c,σ²步骤如下：

1)设置最大进化代数T_max，初始吸引度β₀，光强吸收系数γ和步长因子α，设置种群规模为N_p，当前进化代数为t＝0，初始化种群中萤火虫位置X_i＝{c,σ²}；

2)计算每个萤火虫的目标函数值f(x_i)作为亮度，目标函数按式(11)；

$f\left(X_i\right)={\mathrm{MRE}}_i=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}\frac{|{\mathrm{predict}}_i-{\mathrm{real}}_i|}{{\mathrm{real}}_i}---\left(11\right)$

其中MRE_i表示平均相对误差，predict_i是训练集的LS-SVM预测值，real_i是实测值；可见，在风速预测中目标函数值越小，也即亮度较小则萤火虫位置越优；

3)按照式(3)计算萤火虫的亮度，式(4)计算萤火虫之间的欧式距离，按式(5)计算萤火虫之间的吸引度β；

4)按式(7)计算惯性权重，比较萤火虫之间的亮度，亮度较小的吸引亮度较大个体，按照式(8)更新萤火虫位置；

5)重新计算萤火虫的适应度，取前N个精英个体进行(9)～(10)的混沌操作并进行遍历搜索，若搜索到更优位置，则更新精英个体，否则直接转下一步；

6)若达到最大迭代步数，则输出最优超参数，否则转第2)步。

S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；

S7:将各预测值反归一化后叠加得到实际的风速预测值。

所述的步骤S7中的反归一化的公式如下：

v_i2＝v_min+(v_max-v_min)×v_i1(12)

式中：v_i1表示第i时刻的归一化速度，v_max,v_min为原始序列中最大、最小风速，v_i2为第时刻反归一化速度。

本实施例为从蒙东某风电场采集10分钟级和小时级两种时间尺度的实测风速数据。10分钟级数据为1天的每10分钟的实测数据，对最后4小时的24个点进行提前10分钟预测，小时级取6天的数据对最后1天的24个点进行提前1h预测。

原始数据序列如图2所示。

以10分钟级数据作说明，其基于db3基的3层小波分解结果如图3所示，其余分解及重构过程可按经典算法得到，不再赘述。

按照归一化公式及时序相关数据组规格构造各子序列的时序相关数据组算法设置。目前利用粒子群或以及微分进化算大进行LS-SVM优化的研究已证明可在一定程度提升预测精度，因此将本发明模型与目前预测效果较好的IPSO-LSSVM，WD-DE-LSSVM模型以及经典的BP神经网络模型进行仿真结果对比。IPSO及DE的参数分别参照标准参数。BP神经网络采用3层列文伯格-马夸尔特(Levenberg-Marquardt,LM)算法“7-15-1”的网络结构，选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数，学习率设置为0.1，目标误差为0.0001，训练最大次数1000。CFA算法中γ，α分别设定为1和0.2，精英群体取表现最好的前10％，惯性权重w_max、w_min分别取1.1和0.7。IPSO-LSSVM和CFA-LSSVM两种算法的种群规模均为30，最大进化代数为100。因为智能寻优算法具有一定的随机性，因此各进行50次实验取最优值。

利用设置好的参数，利用训练集训练得到最优的预测模型。

分别对各子序列的测试集进行预测，经过反归一化后进行叠加，得到两种时间尺度的预测结果如图4，图5所示。

为进一步评价本发明模型，采用如下的评价指标：平均绝对误差(MeanAbsoluteError,MAE)、平均相对误差(MeanRelativeError,MRE)及均方根误差(MeanRootSquareError,RMSE)。

$MAE=\frac{1}{num}\underset{i=1}{\overset{num}{\Σ}}|{\mathrm{predict}}_i-{\mathrm{real}}_i|---\left(12\right)$

$MRE=\frac{1}{num}\underset{i=1}{\overset{num}{\Σ}}\left|\frac{{\mathrm{predict}}_i-{\mathrm{real}}_i}{{\mathrm{real}}_i}\right|\×100\%---\left(13\right)$

$RMSE=\frac{1}{num}\sqrt{\underset{i=1}{\overset{num}{\Σ}}{({\mathrm{predict}}_i-{\mathrm{real}}_i)}^2}---\left(14\right)$

上述式中，num表示预测点数，predict,real分别表示预测值和实测值

表1中为6种方法：最小二乘支持向量机(LS-SVM),反向传播神经网络(BackPropagation,BP)，改进粒子群(ImprovementParticleSwarmOptimization,IPSO)优化最小二乘支持向量机(IPSO-LSSVM),小波分解(Waveletdecomposition)-微分进化(DifferentialEvolution)优化最小二乘支持向量机(WD-DE-LSSVM)，混沌萤火虫(Chaoticfireflyalgorithm)优化最小二乘支持向量机CFA-LSSVM,小波分解-混沌萤火虫优化最小二乘支持向量机(WD-CFA-LSSVM)在2种时间尺度上的预测评价指标；

表1

在10分钟及1小时两种时间尺度的预测表现上，本发明的方法的平均相对误差均小于2.5％，表明预测算法的有效性。同时通过3种典型误差分析，可知本发明提出的WD-DE-LSSVM方法较LSSVM、BP,IPSO-LSSVM均明显更优。WD-DE-LSSVM在预测精度表现上也很优异，但仍然劣于本文算法，同时在相同环境进行仿真发现，在CPU时间消耗上本发明算法为0.025秒，WD-DE-LSSVM为0.536秒，本发明方法速度更快，进一步体现了本方法的优越性。

Claims (6)

1.一种基于分解与优化的短期风速时序预测方法，其特征在于，包括以下步骤：

S1:按小时进行原始风速序列采样及处理，构建时序风速序列{v₁,v₂,v₃…v_n}，其中，v表示风速，n表示序列长度；

S2:将时序风速进行3层小波分解，得到高频细节序列d₁,d₂,d₃和一个低频近似序a₃；

S3:对分解得到的序列进行二插值重构，得到细节序列D₁,D₂,D₃和近似序列A₃；

S4.对重构后的各序列分别进行归一化处理,构建时序相关序列组，将最后24组作为测试集，其余为训练集；

S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法优化最小二乘支持向量机超参数c,σ²，得到最优LS-SVM；

S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；

S7:将各预测值反归一化后叠加得到实际的风速预测值。

2.根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在于，所述的步骤S4中，具体的归一化的公式如下：

$v_{i1}=\frac{v_i-v_{\min }}{v_{max}-v_{\min }}---\left(1\right)$

v_max,v_min分别表示原始序列中最大、最小风速，v_i,v_i1分别表示第i时段原始及归一化后的风速；

构造的时序相关序列数据组，具体的是，每一行的前六位是输入，最后一位是输出，其形式如下：

$\left|\begin{array}{cccc}{v}_1& v_2& \mathrm{...}& v_6\\ v_7& v_8& \mathrm{...}& v_9\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ v_{n-6}& v_{n-5}& \mathrm{...}& v_n\end{array}\right|---\left(2\right)$

式中n是构建的原始风速数据的长度。

3.根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在于，步骤S5中的混沌萤火虫算法包括如下内容：

1)萤火虫的亮度I定义为：

$I=I_0{e}^{-{\mathrm{\γr}}_{ij}^2}---\left(3\right)$

式中：I₀为最大亮度，r_ij为萤火虫之间的欧式距离如式(4)；

$r_{ij}=\left|\right|x_i-x_j\left|\right|=\sqrt{\underset{d=1}{\overset{D}{\Σ}}{(x_{i,d}-x_{j,d})}^2}---\left(4\right)$

其中，式中D为空间维数x_i,d,x_j,d分别为萤火虫x_i,x_j在空间中的第d维分量；

2)萤火虫间的吸引度β与亮度相关，定义为：

$\mathrm{\β}={\mathrm{\β}}_0{e}^{-{\mathrm{\γr}}_{ij}^m}---\left(5\right)$

其中，β₀是初始位置吸引度，γ为光强吸收系数，m为常数；

3)萤火虫i被萤火虫j吸引的位置更新公式为：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+αε_i(6)

式中：x_i(t+1)是萤火虫x_i第t+1次移动后的位置，β是萤火虫x_j对x_i的吸引度；α是步长因子，为[0,1]上的常数；ε_i为[0,1]上服从高斯分布的随机因子；

4)改进的惯性权重；

使用线性递减惯性权重对基本萤火虫算法进行改进；

w＝w_max-(w_max-w_min)×t/T_max(7)

其中，w为权重，w_max,w_min分别为给定的最大最小权重，t,T_max分别为当前和最大迭代次数；改进后的位置更新公式如式(8)；

x_i(t+1)＝wx_i(t)+β(x_j(t)-x_i(t))+αε_i(8)

5)改进的混沌机制；

将优化变量通过混沌映射规则映射到混沌变量空间的取值区间内，利用混沌变量的遍历性和随机性寻优搜索，最后将获得的优化解线性转化到优化空间；其数学表达式如下：

x_d,k ^*＝u×x^* _d,k-1×(1-x^* _d,k-1),x^*∈(0,1)(9)

其中，x^* _d,k表示D维向量的第d维，k表示混沌迭代次数；当u＝4，且x^*≠{0,0.25,0.5,0.75,1}时，由(9)产生的序列完全混沌化；

在得到混沌序列之后，用式(10)进行载波操作，映射到优化空间范围

x_d,k＝(x_d,max-x_d,min)×x^* _d,k+x_d,min(10)

其中，x_d,max,x_d,min分别表示第d维变量的上、下限；

6)萤火虫的混沌优化过程为：在每一代优化过程中，选取表现最好的N个萤火虫作为精英个体进行混沌优化，按设定的混沌搜索代数由(9)产生混沌序列，然后按照(10)混沌序列映射回萤火虫搜索空间，最后对精英个体进行混沌搜索，若搜索到更优个体则予以替换，否则进入下一代更新。

4.根据权利要求书3所述的一种基于分解与优化的短期风速时序预测方法，其特征在于，所述的利用混沌萤火虫算法优化最小二乘支持向量机超参数c,σ²步骤如下：

1)设置最大进化代数T_max，初始吸引度β₀，光强吸收系数γ和步长因子α，设置种群规模为N_p，当前进化代数为t＝0，初始化种群中萤火虫位置X_i＝{c,σ²}；

2)计算每个萤火虫的目标函数值f(x_i)作为亮度，目标函数按式(11)；

$f\left(X_i\right)={\mathrm{MRE}}_i=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}\frac{|{\mathrm{predict}}_i-{\mathrm{real}}_i|}{{\mathrm{real}}_i}---\left(11\right)$

其中MRE_i表示最大相对误差，predict_i是训练集的LS-SVM预测值，real_i是实测值；

3)按照式(3)计算萤火虫的亮度，式(4)计算萤火虫之间的欧式距离，按式(5)计算萤火虫之间的吸引度β；

4)按式(7)计算惯性权重，比较萤火虫之间的亮度，按照式(8)更新萤火虫位置；

5)重新计算萤火虫的适应度，取前N个精英个体进行(9)～(10)的混沌操作并进行遍历搜索，若搜索到更优位置，则更新精英个体，否则直接转下一步；

6)若达到最大迭代步数，则输出最优超参数；否则转第2)步。

5.根据权利要求书1所述的一种基于分解与优化的短期风速时序预测方法，其特征在于，所述的步骤S7中的反归一化的公式如下：

v_i2＝v_min+(v_max-v_min)×v_i1(12)

式中：v_i1表示第i时刻的归一化速度，v_max,v_min为原始序列中最大、最小风速，v_i2为第时刻反归一化速度。

6.根据权利要求书3所述的一种基于分解与优化的短期风速时序预测方法，其特征在于，所述的m取2。