CN107688863A - 自适应迭代加强的短期风速高精度组合预测方法 - Google Patents
自适应迭代加强的短期风速高精度组合预测方法 Download PDFInfo
- Publication number
- CN107688863A CN107688863A CN201710572482.1A CN201710572482A CN107688863A CN 107688863 A CN107688863 A CN 107688863A CN 201710572482 A CN201710572482 A CN 201710572482A CN 107688863 A CN107688863 A CN 107688863A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- training
- sample set
- training sample
- prediction
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种自适应迭代加强的短期风速高精度组合预测方法：利用风速数据构造样本集，形成风速时间序列并做归一化处理；对归一化后的风速时间序列进行预测；对归一化后的风速时间序列进行预测；对归一化后的风速时间序列进行预测；将预测结果作为用于组合预测的GRNN神经网络的输入，预测结果对应的实际风速值作为GRNN神经网络的输出，构成样本集，将样本集分为训练样本集和测试样本集；初始化训练样本集的权重分布，对训练样本集中的每一个训练样本都赋予相同的权重；采用具有权重分布的训练样本集对GRNN神经网络进行K次训练，得到K个弱预测器；将K个弱预测器组合为加强预测器。本发明能够得到短期风速高精度的预测值。
Description
技术领域
本发明涉及一种短期风速组合预测方法。特别是涉及一种自适应迭代加强的短期风速高精度组合预测方法。
背景技术
随着工业化的高速发展，突发毒害气体泄漏引发的重大生产安全事故频频发生，对人民群众的生命及财产安全构成了极大的威胁。快速精准地定位毒害气体泄漏源，对于恶性安全事故的预警和应急防护具有重要的现实意义。影响泄漏的毒害气体传播与扩散的因素很多，其中风是最主要因素。由于自然风场的风具有复杂的湍动和间歇特性，这给毒害气体泄漏源快速精准的定位带来了极大的困难。准确地预测复杂风场的变化将为定位难题的解决提供非常有价值的搜寻线索。当然风场变化预测还可在其它多个领域(例如电力、能源、气象等)具有广泛的应用潜力。
目前风速预测的常用方法包括持续预测法、数值天气预报法、卡尔曼滤波法、时间序列法、人工神经网络法等，这些方法利用数据的角度和适用分析的对象都有所不同。由于自然风场风速信号往往呈现出复杂的湍动及间歇特性的波动形态，虽然单一的风速预测方法可能在某些特定的条件下获得较优的预测结果，但当风场的工况条件发生变化后该方法的预测结果并不理想。大量实验测试结果表明，任何单一的方法都不能确保在所有的应用对象上均取得最佳的预测结果。需要强调一点，在变化复杂的湍动流场中，采用单一的预测方法也很难获得满意的结果。
如果能有效地将几种预测方法进行组合，针对分析对象的特点自适应地调整组合形式，形成鲁棒性强且优势互补的组合预测方法，将极大地提升预测的精度和适用范围。
发明内容
本发明所要解决的技术问题是，提供一种能够得到短期风速高精度预测值的自适应迭代加强的短期风速高精度组合预测方法。
本发明所采用的技术方案是：一种自适应迭代加强的短期风速高精度组合预测方法，包括如下步骤：
1)利用风速数据构造样本集，形成风速时间序列，对风速时间序列做归一化处理；
2)采用基于ARMA模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于SVR模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于BP神经网络模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；
3)将步骤2)得到的3个预测方法的预测结果和作为用于组合预测的GRNN神经网络的输入，3个预测方法的预测结果和对应的实际风速值yt作为GRNN神经网络的输出，构成样本集将样本集T分为训练样本集T1和测试样本集T2，训练样本集T1用于网络的训练，训练样本集大小为n1，测试样本集T2用于检验组合预测方法的效果，测试样本集大小为n2，n＝n1+n2；
4)初始化训练样本集T1的权重分布，对训练样本集T1中的每一个训练样本都赋予相同的权重w1i＝1/n1，训练样本集T1的权重分布Dk如下：
其中，Dk为GRNN神经网络第k次训练中训练样本集T1的权重分布，w1i为第i个训练样本的权重，并根据训练样本的维数确定GRNN神经网络结构；
5)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，每次训练都将训练样本集T1权重分布Dk更新为Dk+1，k＝1,2,...,K，并利用更新权重分布后的训练样本集T1进行下一次的训练，共训练K次，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器；
6)将K个弱预测器组合为如下的加强预测器，用于自适应迭代加强的短期风速高精度组合预测：
步骤1)所述的归一化处理，是对于原始风速时间序列{xt}，t＝1,2,...,n，进行归一化处理后得到新的风速时间序列t＝1,2,...,n，归一化处理计算公式为：
其中，为归一化处理后的风速值，xmax和xmin分别为风速样本中的风速最大值和风速最小值。
步骤5)所述的训练包括：
(1)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，得到弱预测器
(2)计算在训练样本集T1上的最大误差
其中，yi为第i个训练样本对应的实际风速值，为弱预测器对第i个训练样本的预测值，
计算每一个训练样本的线性相对误差
得到弱预测器在训练样本集T1上的误差
其中，w1i为第k次训练中第i个训练样本的权重；
(3)计算弱预测器的系数αk
其中，αk为弱预测器在加强预测器中所占的权值；
(4)更新训练样本集T1的权重分布，得到具有权重分布Dk+1的训练样本集，用于下一次训练
其中，Zk为规范化因子，作用是使训练样本的权重比例不变且训练样本的权重分布之和为1，Zk的表达式为
(5)判断是否k<K，若k<K，令k＝k+1，重复第(1)～第(4)步，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器，若k≥K，执行步骤6)。
本发明的自适应迭代加强的短期风速高精度组合预测方法，主要优点及特色体现在如下几个方面：
1、本发明方法鲁棒性强。本发明方法利用GRNN神经网络将几种优选的单一预测方法进行非线性优化组合，实现各方法优势互补，并显著提升预测方法鲁棒性效果。
2、本发明方法预测精度高。为了进一步提高预测的精度，本发明还提出了迭代加强的策略。该策略将每次基于GRNN神经网络的非线性优化组合结果作为性能次优的弱预测器结果，通过不断调整训练样本的权值分布并迭代训练得到多个弱预测器，最后将多个弱预测器融合为一个加强组合预测器，得到短期风速高精度的预测值。
3、本发明方法应用范围广。自适应迭代加强的短期风速高精度组合预测方法将为毒害气体泄漏源定位、风能预测、电网调度与资源配置等研究提供重要线索。此外，本发明还可作为一种通用的时间序列信号波动预测方法，在金融中的股指波动预测、交通流量预测、网络流量预测及物流指标的预测等领域有广阔的应用前景。
附图说明
图1是本发明自适应迭代加强的短期风速高精度组合预测方法的流程图；
图2是本发明实施例选取的室外风速时间序列；
图3a是基于ARMA模型的风速预测方法对测试样本集的预测结果图；
图3b是基于ARMA模型的风速预测方法对测试样本集的预测偏差图；
图4a是基于SVR模型的风速预测方法对测试样本集的预测结果图；
图4b是基于SVR模型的风速预测方法对测试样本集的预测偏差图；
图5a是基于BP神经网络模型的风速预测方法对测试样本集的预测结果图；
图5b是基于BP神经网络模型的风速预测方法对测试样本集的预测偏差图；
图6a是自适应迭代加强的短期风速高精度组合预测方法对测试样本集的预测结果图；
图6b是自适应迭代加强的短期风速高精度组合预测方法对测试样本集的预测偏差图；
具体实施方式
下面结合实施例和附图对本发明的自适应迭代加强的短期风速高精度组合预测方法做出详细说明。
本发明的自适应迭代加强的短期风速高精度组合预测方法，是优选几种单一预测方法，并自适应调整各方法预测结果的组合系数，以此作为性能次优的弱预测器，随后通过不断调整样本权值并迭代得到多个弱预测器，最后融合多个弱预测器的结果得到短期风速高精度的预测值，其预测结果优于任何一种单一的预测方法。
如图1所示，本发明的自适应迭代加强的短期风速高精度组合预测方法，包括如下步骤：
1)利用风速数据构造样本集，形成风速时间序列，对风速时间序列做归一化处理。所述的归一化处理，是对于原始风速时间序列{xt}，t＝1,2,...,n，进行归一化处理后得到新的风速时间序列t＝1,2,...,n，归一化处理计算公式为：
其中，为归一化处理后的风速值，xmax和xmin分别为风速样本中的风速最大值和风速最小值；
2)采用基于ARMA模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于SVR模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于BP神经网络模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；
3)将步骤2)得到的3个预测方法的预测结果和作为用于组合预测的GRNN神经网络的输入，3个预测方法的预测结果和对应的实际风速值yt作为GRNN神经网络的输出，构成样本集将样本集T分为训练样本集T1和测试样本集T2，训练样本集T1用于网络的训练，训练样本集大小为n1，测试样本集T2用于检验组合预测方法的效果，测试样本集大小为n2，n＝n1+n2；
4)初始化训练样本集T1的权重分布，对训练样本集T1中的每一个训练样本都赋予相同的权重w1i＝1/n1，训练样本集T1的权重分布Dk如下：
其中，Dk为GRNN神经网络第k次训练中训练样本集T1的权重分布，w1i为第i个训练样本的权重，并根据训练样本的维数确定GRNN神经网络结构；
5)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，每次训练都将训练样本集T1权重分布Dk更新为Dk+1，k＝1,2,...,K，并利用更新权重分布后的训练样本集T1进行下一次的训练，共训练K次，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器；
所述的训练包括：
(1)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，得到弱预测器
(2)计算在训练样本集T1上的最大误差
其中，yi为第i个训练样本对应的实际风速值，为弱预测器对第i个训练样本的预测值，
计算每一个训练样本的线性相对误差
得到弱预测器在训练样本集T1上的误差
其中，w1i为第k次训练中第i个训练样本的权重；
(3)计算弱预测器的系数αk
其中，αk为弱预测器在加强预测器中所占的权值；
(4)更新训练样本集T1的权重分布，得到具有权重分布Dk+1的训练样本集，用于下一次训练
其中，Zk为规范化因子，作用是使训练样本的权重比例不变且训练样本的权重分布之和为1，Zk的表达式为
(5)判断是否k<K，若k<K，令k＝k+1，重复第(1)～第(4)步，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器，若k≥K，执行步骤6)。
6)将K个弱预测器组合为如下的加强预测器，用于自适应迭代加强的短期风速高精度组合预测：
下面给出一具体实例：
首先用超声风速仪采集室外风速数据，风速仪采样频率为2Hz，采样时间为1小时，数据总长度为7200，并从中截取具有代表性的4100个数据点。
1)利用4100个风速数据构造风速样本集，形成风速时间序列{xt}，t＝1,2,...,4100，该时间序列如图2所示；对风速时间序列做归一化处理。所述的归一化处理，是对于原始时间序列{xt}，进行归一化后得到新的时间序列t＝1,2,...,4100，归一化处理计算公式为：
其中，为归一化处理后的风速值，xmax和xmin分别为风速样本中的风速最大值和风速最小值；
2)采用3个单一风速预测方法对归一化处理后的风速时间序列进行预测，包括以下步骤：
(1)采用基于ARMA模型的风速预测方法(记为方法1)对归一化处理后的风速时间序列进行预测。先将归一化处理后的风速时间序列进行一阶差分变换，将其转化为平稳时间序列，再根据一阶差分序列的自相关图和非自相关图确定ARMA模型参数p和q的大致范围，并在此范围内对(p,q)的各种阶数组合进行对比和检验，最终确定模型为ARIMA(2,1,2)，数学表达式为
Xt＝0.2774Xt-2-0.6123Xt-1+εt+0.5242εt-1-0.3863εt-2 (11)
其中，εt为残差序列。利用此模型对进行预测，预测步长取1，以滚动预测法进行预测，预测结果为t＝1,2,...,4100；
(2)采用基于SVR模型的风速预测方法(记为方法2)对归一化处理后的风速时间序列进行预测。选择径向基函数作为核函数，利用网格搜索法进行两次交叉验证，确定核函数参数宽度函数g和惩罚因子c的最佳取值为g取1，c取2，将该参数对带入SVR模型对进行预测，预测步长取1，以滚动预测法进行预测，预测结果为t＝1,2,...,4100；
(3)采用基于BP神经网络模型的风速预测方法(记为方法3)对归一化处理后的风速时间序列进行预测。采用单隐层神经网络，输入层节点数为3，输出层节点数为1，即利用待测时刻之前三个采样点的风速数据来预测该时刻的风速值，通过重复实验，综合考虑网络的预测误差和训练时间，将隐含层节点数目定为3，采用此结构为3-3-1的BP神经网络模型对进行预测，预测步长取1，以滚动预测法进行预测，预测结果为t＝1,2,...,4100；
3)将步骤2)得到的3个预测方法的预测结果和作为用于组合预测的GRNN神经网络的输入，3个预测方法的预测结果和对应的实际风速值yt作为GRNN神经网络的输出，构成样本集将样本集T分为训练样本集T1和测试样本集T2，训练样本集T1用于网络的训练，训练样本集大小为4000，测试样本集T2用于检验组合预测方法的效果，测试样本集大小为100；
4)初始化训练样本集T1的权重分布，对训练样本集T1中的每一个训练样本都赋予相同的权重w1i＝1/4000，训练样本集T1的权重分布Dk如下：
其中，Dk为GRNN神经网络第k次训练中训练样本集T1的权重分布，w1i为第i个训练样本的权重，并根据训练样本的维数确定GRNN神经网络结构；
5)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，每次训练都将训练样本集T1权重分布Dk更新为Dk+1，k＝1,2,...,10，并利用更新权重分布后的训练样本集T1进行下一次的训练，共训练10次，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练10次之后，得到10个弱预测器；
所述的训练包括：
(1)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，得到弱预测器
(2)计算在训练样本集T1上的最大误差
其中，yi为第i个训练样本对应的实际风速值，为弱预测器对第i个训练样本的预测值，
计算每一个训练样本的线性相对误差
得到弱预测器在训练样本集T1上的误差
其中，w1i为第k次训练中第i个训练样本的权重；
(3)计算弱预测器的系数αk
其中，αk为弱预测器在加强预测器中所占的权值；
(4)更新训练样本集T1的权重分布，得到具有权重分布Dk+1的训练样本集，用于下一次训练
其中，Zk为规范化因子，作用是使训练样本的权重比例不变且训练样本的权重分布之和为1，Zk的表达式为
(5)判断是否k<10，若k<10，令k＝k+1，重复第(1)～第(4)步，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练10次之后，得到10个弱预测器，若k≥10，执行步骤6)。
6)将10个弱预测器组合为如下的加强预测器，用于自适应迭代加强的短期风速高精度组合预测：
下面分别计算测试样本集T2中3个单一预测方法的预测结果和采用本发明(记为方法4)得到的加强预测器在测试样本集T2上的预测结果的平均绝对误差MAE、均方误差RMSE、平均绝对百分比误差MAPE、均方百分比误差MSPE和Pearson相关系数ePR作为误差评价指标。
所述的各误差评价指标的表达式如下：
以上公式中的yt和分别表示第t个采样点的实际风速值和预测风速值，t＝1,2,...,100，和分别表示实际风速数据的平均值和预测风速数据的平均值。在以上各项误差指标中，MAE反映风速预测方法平均预测偏差大小，RMSE和MSPE反映风速预测方法预测风速与实际风速之间的分散程度，MAPE描述风速预测方法的总体预测能力，这些指标越小表示预测精度越高；ePR反映风速预测方法预测风速曲线与实际风速曲线之间的拟合程度，该指标越大表示预测精度越高。
由图3a-图6b可知，自适应迭代加强的短期风速高精度组合预测方法的预测曲线与实际曲线的拟合程度最高，即使在风速波动剧烈处也能够很好地跟随实际风速的变化。由表1可知，在任何指标上，自适应迭代加强的短期风速高精度组合预测方法均取得最好的效果，说明该方法预测风速与实际风速之间的分散程度最小，预测风速曲线与实际风速曲线之间的拟合程度最高，该方法的总体预测能力也最强。从MAPE指标来看，自适应迭代加强的短期风速高精度组合预测方法比基于ARMA模型的风速预测方法、基于SVR模型的风速预测方法和基于BP神经网络模型的风速预测方法的预测误差率分别降低了4.86％、5.08％和4.14％，可以充分证实本发明方法的有效性和先进性。
表1各个风速预测方法在测试样本集上预测结果的误差评价指标
| 预测方法 | MAE(m/s) | RMSE(m/s) | MAPE(％) | MSPE(％) | ePR |
| 方法1 | 0.1068 | 0.0130 | 10.36 | 1.29 | 0.9142 |
| 方法2 | 0.1051 | 0.0142 | 10.58 | 1.42 | 0.9153 |
| 方法3 | 0.0978 | 0.0121 | 9.64 | 1.24 | 0.9258 |
| 方法4 | 0.0570 | 0.0069 | 5.50 | 0.69 | 0.9757 |
Claims (3)
1.一种自适应迭代加强的短期风速高精度组合预测方法，其特征在于，包括如下步骤：
1)利用风速数据构造样本集，形成风速时间序列，对风速时间序列做归一化处理；
2)采用基于ARMA模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于SVR模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于BP神经网络模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；
3)将步骤2)得到的3个预测方法的预测结果和作为用于组合预测的GRNN神经网络的输入，3个预测方法的预测结果和对应的实际风速值yt作为GRNN神经网络的输出，构成样本集将样本集T分为训练样本集T1和测试样本集T2，训练样本集T1用于网络的训练，训练样本集大小为n1，测试样本集T2用于检验组合预测方法的效果，测试样本集大小为n2，n＝n1+n2；
4)初始化训练样本集T1的权重分布，对训练样本集T1中的每一个训练样本都赋予相同的权重w1i＝1/n1，训练样本集T1的权重分布Dk如下：
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>w</mi>
<mn>11</mn>
</msub>
<mo>,</mo>
<msub>
<mi>w</mi>
<mn>12</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Dk为GRNN神经网络第k次训练中训练样本集T1的权重分布，w1i为第i个训练样本的权重，并根据训练样本的维数确定GRNN神经网络结构；
5)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，每次训练都将训练样本集T1权重分布Dk更新为Dk+1，k＝1,2,...,K，并利用更新权重分布后的训练样本集T1进行下一次的训练，共训练K次，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器；
6)将K个弱预测器组合为如下的加强预测器，用于自适应迭代加强的短期风速高精度组合预测：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mfrac>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mi>G</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的自适应迭代加强的短期风速高精度组合预测方法，其特征在于，步骤1)所述的归一化处理，是对于原始风速时间序列{xt}，t＝1,2,...,n，进行归一化处理后得到新的风速时间序列t＝1,2,...,n，归一化处理计算公式为：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，为归一化处理后的风速值，xmax和xmin分别为风速样本中的风速最大值和风速最小值。
3.根据权利要求1所述的自适应迭代加强的短期风速高精度组合预测方法，其特征在于，步骤5)所述的训练包括：
(1)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，得到弱预测器
(2)计算在训练样本集T1上的最大误差
<mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，yi为第i个训练样本对应的实际风速值，为弱预测器对第i个训练样本的预测值，
计算每一个训练样本的线性相对误差
<mrow>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
得到弱预测器在训练样本集T1上的误差
<mrow>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，w1i为第k次训练中第i个训练样本的权重；
(3)计算弱预测器的系数αk
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
</mrow>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，αk为弱预测器在加强预测器中所占的权值；
(4)更新训练样本集T1的权重分布，得到具有权重分布Dk+1的训练样本集，用于下一次训练
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
</mfrac>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Zk为规范化因子，作用是使训练样本的权重比例不变且训练样本的权重分布之和为1，Zk的表达式为
<mrow>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(5)判断是否k<K，若k<K，令k＝k+1，重复第(1)～第(4)步，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器，若k≥K，执行步骤6)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710572482.1A CN107688863A (zh) | 2017-07-13 | 2017-07-13 | 自适应迭代加强的短期风速高精度组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710572482.1A CN107688863A (zh) | 2017-07-13 | 2017-07-13 | 自适应迭代加强的短期风速高精度组合预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107688863A true CN107688863A (zh) | 2018-02-13 |
Family
ID=61152974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710572482.1A Pending CN107688863A (zh) | 2017-07-13 | 2017-07-13 | 自适应迭代加强的短期风速高精度组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688863A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160650A (zh) * | 2019-12-31 | 2020-05-15 | 杭州电子科技大学 | 一种基于Adaboost算法的交通流特性分析与预测方法 |
| WO2020135725A1 (zh) * | 2018-12-29 | 2020-07-02 | 中兴通讯股份有限公司 | 一种计算血压的装置和电子设备 |
| CN111435469A (zh) * | 2019-01-11 | 2020-07-21 | 中国长江电力股份有限公司 | 一种梯级电站中下游电站入库流量的预测方法 |
| CN112289393A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN114372634A (zh) * | 2022-01-11 | 2022-04-19 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
| CN114493004A (zh) * | 2022-01-27 | 2022-05-13 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
-
2017
- 2017-07-13 CN CN201710572482.1A patent/CN107688863A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020135725A1 (zh) * | 2018-12-29 | 2020-07-02 | 中兴通讯股份有限公司 | 一种计算血压的装置和电子设备 |
| CN111374652A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 一种计算血压的装置和电子设备 |
| CN111435469A (zh) * | 2019-01-11 | 2020-07-21 | 中国长江电力股份有限公司 | 一种梯级电站中下游电站入库流量的预测方法 |
| CN111435469B (zh) * | 2019-01-11 | 2022-04-19 | 中国长江电力股份有限公司 | 一种梯级电站中下游电站入库流量的预测方法 |
| CN111160650A (zh) * | 2019-12-31 | 2020-05-15 | 杭州电子科技大学 | 一种基于Adaboost算法的交通流特性分析与预测方法 |
| CN111160650B (zh) * | 2019-12-31 | 2022-08-09 | 杭州电子科技大学 | 一种基于Adaboost算法的交通流特性分析与预测方法 |
| CN112289393A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN112289393B (zh) * | 2020-10-28 | 2023-08-22 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN114372634A (zh) * | 2022-01-11 | 2022-04-19 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
| CN114372634B (zh) * | 2022-01-11 | 2022-09-16 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
| CN114493004A (zh) * | 2022-01-27 | 2022-05-13 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
| CN114493004B (zh) * | 2022-01-27 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
| Qiao et al. | Short-term natural gas consumption prediction based on Volterra adaptive filter and improved whale optimization algorithm | |
| Cheng et al. | Reliability prediction of machinery with multiple degradation characteristics using double-Wiener process and Monte Carlo algorithm | |
| CN107590565B (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN106338708B (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
| CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
| CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
| Hoi et al. | Prediction of daily averaged PM10 concentrations by statistical time-varying model | |
| Beritelli et al. | A neural network pattern recognition approach to automatic rainfall classification by using signal strength in LTE/4G networks | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
| CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| Kaplan | Calculation of Weibull distribution parameters at low wind speed and performance analysis | |
| CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
| Zarei et al. | Pseudo-stochastic EM for sub-Gaussian α-stable mixture models |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180213 |