CN107506861A - 一种短期风速预测方法、装置及系统 - Google Patents
一种短期风速预测方法、装置及系统 Download PDFInfo
- Publication number
- CN107506861A CN107506861A CN201710742819.9A CN201710742819A CN107506861A CN 107506861 A CN107506861 A CN 107506861A CN 201710742819 A CN201710742819 A CN 201710742819A CN 107506861 A CN107506861 A CN 107506861A
- Authority
- CN
- China
- Prior art keywords
- particle
- subsequence
- wind speed
- relational expression
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 241000131894 Lampyris noctiluca Species 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 218
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000035772 mutation Effects 0.000 claims description 18
- 241000254158 Lampyridae Species 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 230000000717 retained effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000010030 laminating Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种短期风速预测方法、装置及系统,包括获取经预处理后的风速历史数据;利用小波分解法将风速历史数据分解为多个不同频率的第一子序列;通过小波重构方对各个第一子序列进行单支重构,得到与各个第一子序列一一对应的各个第二子序列;采用预先建立的极限学习机模型对各个第二子序列进行预测,得到与各个第二子序列一一对应的各个预测值;将各个预测值进行叠加,得到风速预测结果;其中,极限学习机模型的建立过程为采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到极限学习机优化模型。降低了风速的高度非线性对预测结果的影响,可以提高全局收敛精度,以提高预测精度。
Description
技术领域
本发明实施例涉及风力发电技术领域,特别是涉及一种短期风速预测方法、装置及系统。
背景技术
近年来,随着风能的快速发展与利用,风电装机容量急剧上升,全球风电行业蓬勃发展。然而,由于风力发电的间歇性和随机性,将风力发电与传统电网系统相结合面临诸多挑战,包括能源发电规划和涡轮机维护调度,电网系统安全运行和互连标准的变化等。为了减轻风能接入电力系统造成的上述问题,对短期风速进行准确预测变得越来越重要。
目前,现有技术中主要是采用单一模型对短期风速进行预测,例如物理建模方法NWP(数值天气预报)、时间序列模型和人工智能模型等,但是采用单一模型对短期风速进行预测时,预测结果容易受到风速高度非线性的影响,且预测结果容易陷入局部最优,在一定程度上降低了预测精度。
因此,如何提供一种解决上述技术问题的短期风速预测方法、装置及系统成为本领域技术人员目前需要解决的技术问题。
发明内容
本发明实施例的目的是提供一种短期风速预测方法、装置及系统,使用过程中降低了风速的高度非线性对预测结果的影响,提高全局收敛精度,以提高预测精度。
为解决上述技术问题,本发明实施例提供了一种短期风速预测方法,包括:
S11:获取经预处理后的风速历史数据;
S12:利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列;
S13:通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列;
S14:采用预先建立的极限学习机模型对各个所述第二子序列进行预测,得到与各个所述第二子序列一一对应的各个预测值;
S15:将各个所述预测值进行叠加,得到风速预测结果;
其中,所述极限学习机模型的建立过程为:
采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到所述极限学习机优化模型。
可选的,所述利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列的过程为:
依据小波分解计算关系式及所述风速历史数据得到多个不同频率的第一子序列,其中,所述小波分解计算关系式为:
其中,f(u)为与所述风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
所述通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列的过程为:
依据小波重构计算关系式及各个所述第一子序列得到与各个所述第一子序列一一对应的各个第二子序列,其中,所述小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
可选的,所述j=3。
可选的,所述采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数的过程为:
S210:预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
S211:对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括输入层权值及隐含层偏置;
S212:采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
S213:随机将各个所述初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值;其中,所述位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
S214:判断所述rand是否大于预设的所述活性变异概率Pa,如果是,则进入S215;否则,进入S216;
S215:采用活性变异算子对最优粒子进行高斯变异,以更新所述最优粒子的位置,并依据第一更新关系式从所述最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为所述最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,所述第一更新关系式为:
其中,为所述的适应度值,f(Xbest)为所述Xbest的适应度值;
S216:判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则进入S217;否则,返回S213以进行下一次迭代;
S217:将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个所述配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将所述新粒子保存至MSvc中;其中,D为粒子维度,所述第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,所述第dy维和所述第dz维组成所述配对组;
S218:将所述MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并返回S217,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,进入S219;
S219:判断当前迭代次数是否达到最大迭代次数,如果是,则依据所述全局最优粒子得到最优参数,否则,返回S213。
可选的,所述k'为10。
本发明实施例相应的提供了一种短期风速预测装置,包括:
获取模块,用于获取经预处理后的风速历史数据;
分解模块,用于利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列;
重构模块,用于通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列;
预测模块,用于采用预先建立的极限学习机模型对各个所述第二子序列进行预测,得到与各个所述第二子序列一一对应的各个预测值;
叠加模块,用于将各个所述预测值进行叠加,得到风速预测结果;
其中,所述极限学习机模型包括:
优化模块,用于采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到所述极限学习机优化模型。
可选的,所述分解模块包括分解单元,用于依据小波分解计算关系式及所述风速历史数据得到多个不同频率的第一子序列,其中,所述小波分解计算关系式为:
其中,f(u)为与所述风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
所述重构模块包括重构单元,用于依据小波重构计算关系式及各个所述第一子序列得到与各个所述第一子序列一一对应的各个第二子序列,其中,所述小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
可选的,优化模块包括:
预设单元,用于预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括输入层权值及隐含层偏置;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
位置更新单元,用于随机将各个所述初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值更新所述最优粒子;其中,所述位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
第一判断单元,用于判断所述rand是否大于预设的所述活性变异概率Pa,如果是,则触发活性变异算子更新单元;否则,进入第二判断单元;
所述活性变异算子更新单元,用于采用活性变异算子对最优粒子进行高斯变异,以更新所述最优粒子的位置,并依据第一更新关系式从所述最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为所述最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,所述第一更新关系式为:
其中,为所述的适应度值,f(Xbest)为所述Xbest的适应度值;
所述第二判断单元,用于判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则触发概率维度算子更新单元;否则,触发所述位置更新单元,以进行下一次迭代;
所述概率维度算子更新单元,用于将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个所述配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将所述新粒子保存至MSvc中;其中,D为粒子维度,所述第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,所述第dy维和所述第dz维组成所述配对组;
择优单元,用于将所述MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并触发所述概率维度算子更新单元,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,触发第三判断单元;
所述第三判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则依据所述全局最优粒子得到最优参数,否则,触发所述位置更新单元。
本发明实施例还提供了一种短期风速预测系统,包括如上述所述的短期风速预测装置。
本发明实施例提供了一种短期风速预测方法、装置及系统,包括获取经预处理后的风速历史数据;利用小波分解法将风速历史数据分解为多个不同频率的第一子序列;通过小波重构方对各个第一子序列进行单支重构,得到与各个第一子序列一一对应的各个第二子序列;采用预先建立的极限学习机模型对各个第二子序列进行预测,得到与各个第二子序列一一对应的各个预测值;将各个预测值进行叠加,得到风速预测结果;其中,极限学习机模型的建立过程为采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到极限学习机优化模型。
本发明实施例通过采用小波分解法将风速历史数据分解并重构为多个不同频率的第二子序列,并且采用预先建立的极限学习机模型对各个第二子序列进行预测可以降低风速的高度非线性对预测结果的影响,并且采用活性竞争萤火虫算法建立极限学习机优化模型,提高了全局收敛精度,进一步提高预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种短期风速预测方法的流程示意图;
图2为本发明实施例提供的一种短期风速预测装置的结构示意图。
具体实施方式
本发明实施例提供了一种短期风速预测方法、装置及系统,使用过程中降低了风速的高度非线性对预测结果的影响,提高了全局收敛精度,以提高预测精度。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供的一种短期风速预测方法的流程示意图。
该方法包括:
S11:获取经预处理后的风速历史数据;
需要说明的是,本发明实施例中的风速历史数据可以但不仅限于为预测日前连续4周的风速数据,并且采集数据的时间分辨率可以为1小时,也即一天的历史数据包括24个数据点,当然,时间分辨率也可以为其他的具体数值,其具体数值可以根据实际情况进行确定,本申请对此不做特殊的限定。
S12:利用小波分解法将风速历史数据分解为多个不同频率的第一子序列;
具体的,可以依据小波分解计算关系式及风速历史数据得到多个不同频率的第一子序列,其中,小波分解计算关系式为:
其中,f(u)为与风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
S13:通过小波重构方对各个第一子序列进行单支重构,得到与各个第一子序列一一对应的各个第二子序列;
具体的,可以依据小波重构计算关系式及各个第一子序列得到与各个第一子序列一一对应的各个第二子序列,其中,小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
需要说明的是,在实际应用中可以通过MATLAB平台实行对风速历史数据的小波分解与重构,具体分别可以通过函数“wavedec”和“wrcoef”实现,本发明实施例中小波分解可以将风速历史数据分解为3层,从而得到4各第二子序列。
可选的,j=3。
当然,也j的具体取值不仅限于为3,也可以采用其他的具体数值,本申请对此不做特殊的限定。
S14:采用预先建立的极限学习机模型对各个第二子序列进行预测,得到与各个第二子序列一一对应的各个预测值;
具体的,可以通过预先建立的极限学习机模型对各个第二子序列进行提前1小时预测,当然,具体提前多久预测可以根据实际情况进行确定,本申请对此不限。
S15:将各个预测值进行叠加,得到风速预测结果;
其中,极限学习机模型的建立过程为:
S21:采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到极限学习机优化模型。
进一步的,上述S21中采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数的过程,具体可以为:
S210:预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
需要说明的是,还可以预先设置随机因子α、吸收系数γ、最大吸引度β0等参数,并且还可以根据训练样本数据确定极限学习机的网络拓扑结构和各层的节点数。
S211:对待优化的参数进行粒子编码,并随机产生初始种群;参数包括输入层权值及隐含层偏置;
具体的,随机参数的初始种群可以为X=[X1,X2,...,XM]T,其中第i各粒子为:
Xi=[w11,w12,…,w1l,w21,w22,…,w2l,…,wn1,wn2,…,wnl,b1,b2,…,bl]
其中,i=1,2,…,M,n和l分别为极限学习机的输入层和隐含层个数,wnl为输入层第n个节点到隐含层第l各节点的输入权值,bl为隐含层第l个节点的偏置。
更具体的,可以将每个粒子转换成极限学习机对应的输入权值和隐含层偏置,并根据伪逆算法计算出极限学习机的输出权值为:
β2=H+T
其中,β2为极限学习机的输出权值,T为训练样本的输出目标矩阵,H是隐含层的输出矩阵,H可表示如下:
其中,g为隐含层激活函数,具体可以选用Sigmoid函数,Sigmoid函数可以表示为
S212:采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值,并依据各个适应度值确定最优粒子,其中:
适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
需要说明的是,迭代次数k置为1,从1开始迭代,并根据上述适应度值计算关系式计算出种群中每个粒子的适应度值。
具体的,初始种群中的各个粒子探索目标空间,在目标空间的k次迭代中,由I表示粒子荧光亮度:
其中,γ是荧光亮度的吸收系数,r是萤火虫之间的距离。I0为萤火虫的最大荧光亮度,即为r=0处的自身荧光亮度,取决于需要寻优的目标函数值,一般用下式表示:
萤火虫被萤火虫看到的荧光强度所吸引,萤火虫的吸引度β1可计算如下。
其中,β0是距离为0时的吸引度,也即最大吸引度。两个萤火虫i和j之间的距离r可以通过下式进行计算:
其中,Xi,d表示萤火虫Xi在解空间中的第d维分量,Xj,d表示萤火虫Xj在解空间中的第d维分量。
需要说明的是,本发明实施例中的训练样本数据具体可以采用预测日前3周的风速历史数据。当然,也不仅限于采用预测日前3周的风速历史数据,也可以为其他时间段的风速历史数据,具体如何选用可以根据实际情况进行确定,本申请对此不作特殊的限定,能实现本发明实例的目的即可。
S213:随机将各个初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值更新最优粒子;其中,位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
具体的,每一组中的两个粒子同时进行比较和更新,将每组中的两个粒子中荧光强度较低的粒子的位置依据上述位置更新关系式进行更新,例如,对于粒子Xi(k)和粒子Xj(k),两者的荧光强度分别为Ii和Ij,若Ij>Ii,则对粒子Xi(k)进行位置更新。每一组均更新完毕后得到新的种群,并且通过对更新后的当前种群中的各个粒子进行适应度值计算,以找到当前种群中的最优粒子(即适应度值最小的粒子),如果当前种群的最优粒子的适应度值比更新之前的初始种群的最优粒子的适应度值更优则将当前的最优粒子作为最优粒子,否则,初始种群中的最优粒子为最优粒子。
S214:判断rand是否大于预设的活性变异概率Pa,如果是,则进入S215;否则,进入S216;
S215:采用活性变异算子对最优粒子进行高斯变异,以更新最优粒子的位置,并依据第一更新关系式从最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,第一更新关系式为:
其中,为的适应度值,f(Xbest)为Xbest的适应度值;
S216:判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则进入S217;否则,返回S213以进行下一次迭代;
需要说明的是,预设次数k'可以优选为10,当然,也可以为其他的具体数值,本申请对此不做特殊的限定。
当k'=10,时,即当前迭代次数k大于10,且种群中最优粒子的适应度值连续10代保持不变,即Ffitness(k)=Ffitness(k-10),则进入S217。
S217:将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将新粒子保存至MSvc中;其中,D为粒子维度,第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,第dy维和第dz维组成配对组;
具体的,可以根据维度交叉概率Pv更新种群中相应粒子的位置,本申请中的每个粒子对应多个维度,且每个粒子的维度与种群的维度一致,任意一个粒子均可以将其维度进行两两不重复随机配对,例如维度为D,对每一个粒子进行相应的配对后均将得到与其对应的D/2对配对组,同时从每个粒子的配对组中按照顺序依次取出每一对配对组,若第d1维和第d2维被选中,rand>Pv则重新选取一对维数,若rand<Pv,则对种群中所有粒子X(i)的第d1维和第d2维执行概率维度竞争算子,根据第二更新关系产生新粒子保存在MSvc中。
S218:将MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并返回S217,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,进入S219;
具体的,将MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,将适应度值较优的粒子保留在种群X中,从而得到新的种群,并且重复D/2次后,直至所有的配对组均被选出后结束。
S219:判断当前迭代次数是否达到最大迭代次数,如果是,则依据全局最优粒子得到最优参数,否则,返回S213,另k=k+1,以进行下一次迭代。
本发明实施例提供了一种短期风速预测方法,包括获取经预处理后的风速历史数据;利用小波分解法将风速历史数据分解为多个不同频率的第一子序列;通过小波重构方对各个第一子序列进行单支重构,得到与各个第一子序列一一对应的各个第二子序列;采用预先建立的极限学习机模型对各个第二子序列进行预测,得到与各个第二子序列一一对应的各个预测值;将各个预测值进行叠加,得到风速预测结果;极限学习机模型的建立过程为采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到极限学习机优化模型。
本发明实施例通过采用小波分解法将风速历史数据分解并重构为多个不同频率的第二子序列,并且采用预先建立的极限学习机模型对各个第二子序列进行预测可以降低风速的高度非线性对预测结果的影响,并且采用活性竞争萤火虫算法建立极限学习机优化模型,提高了全局收敛精度,进一步提高预测精度。
相应的本发明实施例还公开了一种短期风速预测装置,具体请参照图2,图2为本发明实施例提供的一种短期风速预测装置的结构示意图。在上述实施例的基础上:
该装置包括:
获取模块1,用于获取经预处理后的风速历史数据;
分解模块2,用于利用小波分解法将风速历史数据分解为多个不同频率的第一子序列;
重构模块3,用于通过小波重构方对各个第一子序列进行单支重构,得到与各个第一子序列一一对应的各个第二子序列;
预测模块4,用于采用预先建立的极限学习机模型对各个第二子序列进行预测,得到与各个第二子序列一一对应的各个预测值;
叠加模块5,用于将各个预测值进行叠加,得到风速预测结果;
极限学习机模型包括:
优化模块,用于采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到极限学习机优化模型。
可选的,分解模块2包括分解单元,用于依据小波分解计算关系式及风速历史数据得到多个不同频率的第一子序列,其中,小波分解计算关系式为:
其中,f(u)为与风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
重构模块3包括重构单元,用于依据小波重构计算关系式及各个第一子序列得到与各个第一子序列一一对应的各个第二子序列,其中,小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
可选的,优化模块包括:
预设单元,用于预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;参数包括输入层权值及隐含层偏置;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值,并依据各个适应度值确定最优粒子,其中:
适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
位置更新单元,用于随机将各个初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值更新最优粒子;其中,位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
第一判断单元,用于判断rand是否大于预设的活性变异概率Pa,如果是,则触发活性变异算子更新单元;否则,进入第二判断单元;
活性变异算子更新单元,用于采用活性变异算子对最优粒子进行高斯变异,以更新最优粒子的位置,并依据第一更新关系式从最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,第一更新关系式为:
其中,为的适应度值,f(Xbest)为Xbest的适应度值;
第二判断单元,用于判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则触发概率维度算子更新单元;否则,触发位置更新单元,以进行下一次迭代;
概率维度算子更新单元,用于将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将新粒子保存至MSvc中;其中,D为粒子维度,第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,第dy维和第dz维组成配对组;
择优单元,用于将MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并触发概率维度算子更新单元,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,触发第三判断单元;
第三判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则依据全局最优粒子得到最优参数,否则,触发位置更新单元。
需要说明的是,本发明实施例通过采用小波分解法将风速历史数据分解并重构为多个不同频率的第二子序列,并且采用预先建立的极限学习机模型对各个第二子序列进行预测可以降低风速的高度非线性对预测结果的影响,并且采用活性竞争萤火虫算法建立极限学习机优化模型,提高了全局收敛精度,进一步提高预测精度。
另外,对于本发明实施例中所提供的短期风速预测方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
本发明实施例还提供了一种短期风速预测系统,包括如上述的短期风速预测装置。
需要说明的是,本发明实施例通过采用小波分解法将风速历史数据分解并重构为多个不同频率的第二子序列,并且采用预先建立的极限学习机模型对各个第二子序列进行预测可以降低风速的高度非线性对预测结果的影响,并且采用活性竞争萤火虫算法建立极限学习机优化模型,提高了全局收敛精度,进一步提高预测精度。另外,对于本发明实施例中所提供的短期风速预测方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种短期风速预测方法,其特征在于,包括:
S11:获取经预处理后的风速历史数据;
S12:利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列;
S13:通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列;
S14:采用预先建立的极限学习机模型对各个所述第二子序列进行预测,得到与各个所述第二子序列一一对应的各个预测值;
S15:将各个所述预测值进行叠加,得到风速预测结果;
其中,所述极限学习机模型的建立过程为:
采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到所述极限学习机优化模型。
2.根据权利要求1所述的短期风速预测方法,其特征在于,所述利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列的过程为:
依据小波分解计算关系式及所述风速历史数据得到多个不同频率的第一子序列,其中,所述小波分解计算关系式为:
其中,f(u)为与所述风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
所述通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列的过程为:
依据小波重构计算关系式及各个所述第一子序列得到与各个所述第一子序列一一对应的各个第二子序列,其中,所述小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
3.根据权利要求2所述的短期风速预测方法,其特征在于,所述j=3。
4.根据权利要求1所述的短期风速预测方法,其特征在于,所述采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数的过程为:
S210:预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
S211:对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括所述输入层权值及所述隐含层偏置;
S212:采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
S213:随机将各个所述初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值更新所述最优粒子;其中,所述位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
S214:判断所述rand是否大于预设的所述活性变异概率Pa,如果是,则进入S215;否则,进入S216;
S215:采用活性变异算子对最优粒子进行高斯变异,以更新所述最优粒子的位置,并依据第一更新关系式从所述最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为所述最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,所述第一更新关系式为:
其中,为所述的适应度值,f(Xbest)为所述Xbest的适应度值;
S216:判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则进入S217;否则,返回S213以进行下一次迭代;
S217:将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个所述配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将所述新粒子保存至MSvc中;其中,D为粒子维度,所述第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,所述第dy维和所述第dz维组成所述配对组;
S218:将所述MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并返回S217,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,进入S219;
S219:判断当前迭代次数是否达到最大迭代次数,如果是,则依据所述全局最优粒子得到最优参数,否则,返回S213。
5.根据权利要求4所述的短期风速预测方法,其特征在于,所述k'为10。
6.一种短期风速预测装置,其特征在于,包括:
获取模块,用于获取经预处理后的风速历史数据;
分解模块,用于利用小波分解法将所述风速历史数据分解为多个不同频率的第一子序列;
重构模块,用于通过小波重构方对各个所述第一子序列进行单支重构,得到与各个所述第一子序列一一对应的各个第二子序列;
预测模块,用于采用预先建立的极限学习机模型对各个所述第二子序列进行预测,得到与各个所述第二子序列一一对应的各个预测值;
叠加模块,用于将各个所述预测值进行叠加,得到风速预测结果;
其中,所述极限学习机模型包括:
优化模块,用于采用训练样本数据及活性竞争萤火虫算法对极限学习机的参数进行优化,得到最优参数,以得到所述极限学习机优化模型。
7.根据权利要求6所述的短期风速预测装置,其特征在于,所述分解模块包括分解单元,用于依据小波分解计算关系式及所述风速历史数据得到多个不同频率的第一子序列,其中,所述小波分解计算关系式为:
其中,f(u)为与所述风速历史数据对应的原信号,a=2-j,b=K2-j∈R,且a≠0,j为分解层数,K为常数变量,ψ(t)为母小波;
所述重构模块包括重构单元,用于依据小波重构计算关系式及各个所述第一子序列得到与各个所述第一子序列一一对应的各个第二子序列,其中,所述小波重构计算关系式为:
其中,WT(a,b)为第一子序列,Cψ为相容性条件,且Cψ<∞。
8.根据权利要求6所述的短期风速预测装置,其特征在于,所述优化模块包括:
预设单元,用于预先对活性萤火虫算法的活性变异概率Pa、维度交叉概率Pv、种群规模M、最大迭代次数及粒子维度D进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括输入层权值及隐含层偏置;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为
其中,为预测值,P(t)为真实值,N为训练集数据总数;
位置更新单元,用于随机将各个所述初始粒子进行两两分组,并且将每组粒子中荧光亮度较低的粒子按照位置更新关系式进行位置更新,计算更新之后的各个粒子的适应度值,并依据更新之后的各个粒子的适应度值更新所述最优粒子;其中,所述位置更新关系式为:
Xi(k+1)=Xi(k)+β1(Xj(k)-Xi(k))+(rand-0.5),其中,Xi(k)和Xj(k)分别为第i个粒子和第j个粒子,β1为Xi(k)和Xj(k)之间的萤火虫吸引度,εi=rand-0.5为随机值,k为当前迭代次数;
第一判断单元,用于判断所述rand是否大于预设的所述活性变异概率Pa,如果是,则触发活性变异算子更新单元;否则,进入第二判断单元;
所述活性变异算子更新单元,用于采用活性变异算子对最优粒子进行高斯变异,以更新所述最优粒子的位置,并依据第一更新关系式从所述最优粒子及高斯变异后的最优粒子中确定出当前的最优粒子,并进入S216;其中,Xbest为所述最优粒子,为高斯变异后的最优粒子,N(0,1)为均值为0、方差为1的高斯分布随机量,所述第一更新关系式为:
其中,为所述的适应度值,f(Xbest)为所述Xbest的适应度值;
所述第二判断单元,用于判断当前迭代次数k是否大于预设次数k',如果是,且种群中最优粒子的适应度值连续k'代保持不变则触发概率维度算子更新单元;否则,触发所述位置更新单元,以进行下一次迭代;
所述概率维度算子更新单元,用于将当前种群中每个粒子的所有维分别进行两两不重复随机配对,得到与每个粒子一一对应的D/2个配对组,从与每个粒子一一对应的D/2个所述配对组中依次取出一个配对组,当rand>Pv时,重新选取配对组,当rand<Pv时,对每个粒子分别执行概率维度竞争算子,并根据第二更新关系式产生新粒子,将所述新粒子保存至MSvc中;其中,D为粒子维度,所述第二更新关系式为:
MSvc(i,dy)=r·X(i,dy)+(1-r)·X(i,dz),其中,i∈N(1,M),dy,dz∈N(1,D),r∈[0,1],MSvc(i,dy)表示子代粒子,X(i,dy)和X(i,dz)分别表示每个父代粒子X(i)的第dy维和第dz维,所述第dy维和所述第dz维组成所述配对组;
择优单元,用于将所述MSvc中的各个子代粒子的适应度值分别与各自对应的父代粒子的适应度值进行比较,择优保留在种群中,并触发所述概率维度算子更新单元,直至所有的配对组均被选取,获取当前种群中的最优粒子,并确定出全局最优粒子Xbest,触发第三判断单元;
所述第三判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则依据所述全局最优粒子得到最优参数,否则,触发所述位置更新单元。
9.一种短期风速预测系统,其特征在于,包括如权利要求6-8任意一项所述的短期风速预测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742819.9A CN107506861B (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742819.9A CN107506861B (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506861A true CN107506861A (zh) | 2017-12-22 |
CN107506861B CN107506861B (zh) | 2021-04-16 |
Family
ID=60693548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710742819.9A Expired - Fee Related CN107506861B (zh) | 2017-08-25 | 2017-08-25 | 一种短期风速预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506861B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
CN108985520A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 一种风速预测方法、装置及设备 |
CN109034484A (zh) * | 2018-08-02 | 2018-12-18 | 广东工业大学 | 一种风速预测方法、装置及设备 |
CN109061544A (zh) * | 2018-08-23 | 2018-12-21 | 广东工业大学 | 一种电能计量误差估计方法 |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
CN109657147A (zh) * | 2018-12-21 | 2019-04-19 | 岭南师范学院 | 基于萤火虫和加权极限学习机的微博异常用户检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
-
2017
- 2017-08-25 CN CN201710742819.9A patent/CN107506861B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
杨蕾: "太阳能光伏电站输出功率预测研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
CN108537372B (zh) * | 2018-03-27 | 2020-06-26 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
CN108985520A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 一种风速预测方法、装置及设备 |
CN109034484A (zh) * | 2018-08-02 | 2018-12-18 | 广东工业大学 | 一种风速预测方法、装置及设备 |
CN109061544A (zh) * | 2018-08-23 | 2018-12-21 | 广东工业大学 | 一种电能计量误差估计方法 |
CN109061544B (zh) * | 2018-08-23 | 2020-11-06 | 广东工业大学 | 一种电能计量误差估计方法 |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
CN109444740B (zh) * | 2018-11-14 | 2020-10-02 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
CN109657147A (zh) * | 2018-12-21 | 2019-04-19 | 岭南师范学院 | 基于萤火虫和加权极限学习机的微博异常用户检测方法 |
CN109657147B (zh) * | 2018-12-21 | 2022-11-11 | 岭南师范学院 | 基于萤火虫和加权极限学习机的微博异常用户检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107506861B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506861A (zh) | 一种短期风速预测方法、装置及系统 | |
Gharehchopogh et al. | A comprehensive survey on symbiotic organisms search algorithms | |
Zhao et al. | An optimized grey model for annual power load forecasting | |
CN107516150A (zh) | 一种短期风电功率的预测方法、装置及系统 | |
CN109117951A (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN108091135A (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
CN107392397A (zh) | 一种短期风速预测方法、装置及系统 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
CN111710376B (zh) | 大分子及团簇体系分块计算负载均衡方法及系统 | |
CN109242170A (zh) | 一种基于数据挖掘技术的城市道路管理系统及方法 | |
CN107292462A (zh) | 一种短期负荷预测方法、装置及系统 | |
CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN104539601A (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
CN109583588A (zh) | 一种短期风速预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210416 Termination date: 20210825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |