CN109255726A - 一种混合智能技术的超短期风功率预测方法 - Google Patents

Abstract

本发明公开了一种基于混合智能技术的超短期风功率预测方法。以解决超短期风力发电难以预测的挑战。所提方法在可用的原始数据基础上采用一系列数据处理技术，包括基于统计分析的输入变量选取、基于主成分分析(PCA)技术的属性约简以及基于K‑means聚类算法的特征子集划分，以获得更为相关及有效的浓缩数据作为预测的输入信息。所提方法采用自适应神经模糊推理系统(ANFIS)对输入信息进行训练学习，以获取输出预测结果。训练过程中通过粒子群优化(PSO)算法对ANFIS参数优化求解，以降低预测误差。应用实际风电场的预测结果对该混合智能方法进行了评价，实验表明，该方法能达到有效的预测精度。

Description

一种混合智能技术的超短期风功率预测方法

技术领域

本发明涉及新能源发电的风电功率预测领域，特别是涉及一种基于混合智能技术的超短期风功率预测方法。

背景技术

风功率预测系统对接入大量风电的电力系统运行有重要意义。电力系统是一个复杂的动态系统，维持发电、输电、用电之间的功率平衡是电网的责任。没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，满足次日电力的需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电给电力系统的调度运行带来巨大挑战。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一，同时，风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修，尽可能减少因风电机组检修无法发电带来的发电量损失。

风电功率预测方法是影响预测的准确率的关键因素。目前传统风功率预测方法主要有基于统计的方法，基于物理建模的方法以及基于人工智能技术的方法。但单一技术难以实现高精度预测，无法充分挖掘出未来风电出力与各因素之间关系，加之噪声数据影响，使得超短期风功率预测成为多变量高度非线性的复杂问题。而采用具有针对性的混合智能方法是问题的有效的决途径。

本发明公开一种基于动态自适应模糊逻辑微电网能量调度方法。该方法使用预测信息通过启发式优化算法自适应地确定未来一段时间的模糊控制器，包括确定隶属度函数形状以及推理规则集。利用模糊逻辑推理适用于处理模糊的和不精确的信息，该最优模糊控制器推理机可以更好地满足实时性能量调度优化问题。

本发明公开了一种基于混合智能技术的超短期风功率预测方法。该方法建立了利用历史的功率时间序列和公开的数值天气预报(NWP)等数据的高效混合模型，所提方法在可用的原始数据基础上采用一系列数据处理技术，包括主成分分析(PCA)与K-means聚类算法，以获得更为相关及有效的数据作为预测的输入信息。通过自适应神经模糊推理系统(ANFIS)和元启发式优化算法对输入信息进行训练学习，获得更为精确的预测结果。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于混合智能技术的超短期风功率预测方法。本发明所采用的技术方案如下：

步骤(1)：依据历史功率记录数据以及公开数值天气预报信息构造原始输入向量，所包含特征为功率以及风速统计量，对于当前时刻t为要预测t+τ时刻功率值所选输入向量为：

x(t,τ)＝[P(t-1),P(t),v(t+τ),Δv_p(t+τ),Δv_b(t+τ),V(t+τ)] (1)

其中，P(t)与v(t+τ)分别为当前时段功率平均值以及预测时段NWP风速值，mean(g),min(g),max(g),std(g)分别表示时间序列的均值，最小值，最大值，以及标准差，Δτ为选取统计序列的范围半径。对于超短期预测，通常要求时间分辨率为15分钟，预测未来4小时风功率序列，因此预测步长可取τ＝1,2,K,16。

步骤(2)：为减少ANFIS网络输入变量个数降低计算复杂度，又不影响预测精度，通过应用主成分分析技术(PCA)对原始输入向量进行降维，实现属性约简，将上述步骤中的特征变量转化为少数几个主成分(即综合变量)。主成分之间互不相关，其既能反映原始变量的大部分信息，所包含的信息又不互补重叠。具体包括以下子步骤：

(2.1)对输入变量标准化：采用Z-score方法对样本向量作归一化处理，如公式(2)所示：

其中，N,D分别为样本数量和原始输入维度；μ_j,σ_j分别为每个特征属性下的均值与标准差；

(2.2)估算样本正交单位向量：主成分分析一般从总体方差或总体相关系数求解主成分，实际问题中，总体Z的协方差矩阵Σ往往是未知的，需要通过样本进行估计。设z₁,z₂,K,z_N为取自总体的归一化样本，每个样本有D个特征变量，故任一样本z_i可以表示为D维向量；记样本协方差矩阵S为：

将样本协方差矩阵S作为总体Z的协方差矩阵Σ的估计。设为S的D个特征值，为相对应的正交单位向量；

(2.3)确定系数矩阵COEEF：由步骤(2.2)所估算的特征向量按排列顺序依次计算前d个主成分累计贡献率，如公式(6)所示：

当累计贡献率ΣF_dD满足要求时(一般>0.95)，取前d个主成分对应的正交单位向量组成系数矩阵COEEF，如下所示：

(2.4)：获取主成分样本：通过系数矩阵COEEF将原D维样本向量转化为d维主成分样本，如下所示：

步骤(3)：对步骤(2)所得包含主成分的样本数据进行子集划分，采用K-means聚类算法，具体包括以下子步骤：

(3.1)初始化聚类簇中心：在样本数据中首先随机初始化K个类簇中心，类簇中心与样本具有相同维度，记为：Center_k＝(Center_k,1,Center_k,2,K,Center_k,d)。

(3.2)聚类：计算各个数据对象到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在类簇中。采用欧式距离来计算数据对象间距离，公式如下：

其中，d表示数据对象的属性个数。

(3.3)更新类簇中心：k-means算法聚类过程中，每次迭代，对应的类簇中心将被重新计算(更新)。更新后该类簇的类簇中心为对应类簇中所有数据对象的均值，更新方式如下：

其中，C_k表示第k个类簇，|C_k|表示第k个类簇中数据对象的个数。

(3.4)判断终止条件：在k-means算法中，需要不断地迭代来重新划分类簇，并更新类簇中心，当满足以下任一种条件时终止迭代。①当达到最大迭代次数T时，终止迭代；②采用误差平方和准则函数，函数模型如下：

当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代。当上述任一终止条件达到时，所得类簇即为最终聚类结果，每个类中的样本对象构成一个训练子集。若不满足终止条件，则转至步骤(3.2)继续迭代。

步骤(4)：将步骤(3)所得k类样本数据作为独立的训练集，每个训练集数据分别训练各自的自适应神经模糊推理系统(ANFIS)，具体包括以下子步骤：

(4.1)确定ANFIS网络结构：设置自适应神经模糊推理系统(ANFIS)的隶属度函数形状类型及模糊集数目，从而确定ANFIS网络结构。一旦确定网络结构，训练参数也随之确定，包括前提参数与结论参数；

对于经典的双输入单输出网络，采用如下方式构造ANFIS网络：设输入为x₁,x₂，输出为y，对于两模糊集为例，其推理规则表示为：

规则1：If x₁ is A₁ and x₂ is B₁,then y＝p₁x₁+q₁x₂+r₁；

规则2：If x₁ is A₁ and x₂ is B₂,then y＝p₂x₁+q₂x₂+r₂；

规则3：If x₁ is A₂ and x₂ is B₁,then y＝p₃x₁+q₃x₂+r₃；

规则4：If x₁ is A₂ and x₂ is B₂,then y＝p₄x₁+q₄x₂+r₄；

ANFIS各层结构描述如下：

第1层(模糊化)：对输入变量模糊化处理，利用隶属度函数确定在输入量在各个模糊集中的隶属度；

μ_Ai(x₁)＝MF(x₁)，μ_Bj(x₂)＝MF(x₂)，i,j＝1,2 (12)

其中，A_i,B_j为所分割的模糊集，μ为对应情况下的隶属度，MF(g)为隶属度函数，对于高斯型曲线如公式(12)所示，其参数集{c,σ}构成ANFIS的前提参数。

第2层(规则推理)：规则神经元从各自的模糊化神经元接收输入，并计算各个推理规则下的激活权重；

ω_n＝μ_Ai(x₁)μ_Bj(x₂)n＝1,2,3,4i,j＝1,2 (14)

第3层(归一化)：该层的每个神经元接收来自上一层的所有神经元输入，并对各个规则下的激活权重归一化；

第4层(解模糊)：该层利用规则解释函数对各规则下的激活权重逆模糊化，计算给定规则f_n的带权重的后项值。所用线性解释函数的参数集{p_n,q_n,r_n}构成ANFIS的结论参数；

第五层(输出)：该层对所有逆模糊化的神经元输出进行求和,得出ANFIS的最终输出y。

(4.2)优化ANFIS训练参数：确定k个ANFIS初始结构及参数后，对决定隶属度函数形状的前提参数以及规则解释函数的后项参数进行优化。采用粒子群优化算法(PSO)对网络训练参数进行启发式搜索，使样本数据的均方差根误差达到最小值，目标函数如下：

其中，P_oi为输入i样本时ANFIS网络的输出值，P_ri为对应样本的实际测量值，G_i为开机容量，N_k为k类样本数据的数量。

通过粒子群优化算法(PSO)对ANFIS解优化过程中，具体包括如下子步骤：

Step 1：PSO算法初始化：设置算法参数，包括群体规模N_s、总迭代数T_iter、最大速度v_max、学习因子c₁,c₂；初始化种群位置x_i＝(x_i1,x_i2,K x_idim)，i＝1,2K,N_s，其中dim为ANFIS参数个数，每一粒子位置向量x_i代表一组ANFIS参数；初始化速度向量v_i＝(v_i1,v_i2,Kv_idim)，v_id∈[-v_max,v_max]；令初始迭代次数t＝0，初代惯性因子w₀＝1；

Step 2：计算每个粒子的适应度值Fit[i]＝f(x_i),i＝1,2,K,N_s；

Step 3：依据适应度值在种群选出全局最优解，记为Gbest＝(P_g1,P_g2,K P_gdim)；

Step 4:保留每个粒子i所经历过的最好位置，记为Pbest_i＝(P_i1,P_i2,KP_idim)；

Step 5:下一代粒子速度及位置更新如下：

v_id(t+1)＝v_id(t)+c₁r₁(P_id-x_id)+c₂r₂(P_gd-x_id) (19)

x_id(t+1)＝x_id(t)+w·v_id(t+1) (20)

i＝1,2K,N_s d＝1,2K,dim

其中r₁,r₂为(0,1)随机数，w是一个随迭代次数由1线性递减至0的参数w＝1-t/T；

Step 6:t＝t+1，如果t＞T_iter，算法结束，输出种群全局最优解Gbest作为终解，最优解空间作为ANFIS最优参数；否则，转入Step 2。

步骤(5)：执行预测：在当前时刻t，按步骤(1)(2)准备输入特征向量，将输入向量按步骤(3.2)所述进行分类。确定输入向量所在类别后，将其输入到所对应的聚类后样本数据训练的ANFIS网络中，所得输出结果作为当前条件下的预测值。

本发明有益效果是：本发明针对超短期风电功率难以预测的特点，(1)采用混合预测模型，对数据作合理挖掘分析，寻求内在规律，设计有效的模型结构；综合利用监督学习与无监督学习的有效智能技术。(2)实施主成分分析法(PCA)对原始数据特征维度提取并约简，使样本属性更为紧凑；实施k-means聚类算法对样本数据分类，使同一类簇样本数据具有相似特征模式；浓缩后的训练样本在尽可能保留原有信息下极大地减小网络训练负担。(3)聚类后样本数据独立地对自适应神经模糊推理系统(ANFIS)进行训练；通过结合元启发式算法，对ANFIS网络的前提参数与结论参数优化求解，使网络有有效的泛化能力，获取满足精度要求的预测结果。

附图说明

图1典型两输入单输出ANFIS网络结构示意图；

图2测试月份模型预测值与实际发电功率输出值；

图3混合智能模型预测相对误差；

图4不同预测步长方均根误差RMSE柱状统计图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明涉及一种基于混合智能技术的超短期风功率预测方法，利用历史功率时间序列以及公开的数值天气预报(NWP)信息，作为模型输入数据，通过训练样本数据的挖掘训练得到预测网络，从而实现超短期风功率预测结果。本发明的目的是提出一种基于混合智能技术的超短期风功率预测方法，充分挖掘可利用数据信息，从而得到满足精度要求的预测结果。为说明本发明效果，下面以中国河南省鞍子山风力发电场(装机容量45MW)的实际数据作为本发明的实施对象对本发明方法进行详细说明：

步骤(1)：依据鞍子山风电场2015年四月到六月记录的历史功率数据以及公开获取的数值天气预报信息构造原始输入向量，所包含特征为功率以及风速统计量，对于某一时刻t为要预测t+τ时刻功率值所选输入向量为：

x(t,τ)＝[P(t-1),P(t),v(t+τ),Δv_p(t+τ),Δv_b(t+τ),V(t+τ)]

其中，P(t)与v(t+τ)分别为当前时段功率平均值以及预测时段NWP风速值，mean(g),min(g),max(g),std(g)分别表示时间序列的均值，最小值，最大值，以及标准差，Δτ为选取统计序列的范围半径。时间分辨率采用15分钟，预测未来4小时风功率序列，预测步长取值为τ＝1,2,K,16。

步骤(2)：为减少ANFIS网络输入变量个数降低计算复杂度，又不影响预测精度，通过应用主成分分析技术(PCA)对原始输入向量进行降维，实现属性约简，将上述步骤中的特征变量转化为少数几个主成分(即综合变量)。主成分之间互不相关，其既能反映原始变量的大部分信息，所包含的信息又不互补重叠。具体包括以下子步骤：

(2.1)对输入变量标准化：采用Z-score方法对样本向量作归一化处理，如公式(2)所示：

其中，N,D分别为样本数量和原始输入维度；μ_j,σ_j分别为每个特征属性下的均值与标准差；

(2.2)估算样本正交单位向量：主成分分析一般从总体方差或总体相关系数求解主成分，实际问题中，总体Z的协方差矩阵Σ往往是未知的，需要通过样本进行估计。设z₁,z₂,K,z_N为取自总体的归一化样本，每个样本有D个特征变量，故任一样本z_i可以表示为D维向量；记样本协方差矩阵S为：

将样本协方差矩阵S作为总体Z的协方差矩阵Σ的估计。设为S的D个特征值，为相对应的正交单位向量；

(2.3)确定系数矩阵COEEF：由步骤(2.2)所估算的特征向量按排列顺序依次计算前d个主成分累计贡献率，如公式(6)所示：

当累计贡献率ΣF_dD满足要求时(一般>0.95)，取前d个主成分对应的正交单位向量组成系数矩阵COEEF，如下所示：

(2.4)：获取主成分样本：通过系数矩阵COEEF将原D维样本向量转化为d维主成分样本，如下所示：

步骤(3)：对步骤(2)所得包含主成分的样本数据进行子集划分，采用K-means聚类算法，具体包括以下子步骤：

(3.1)初始化聚类簇中心：在样本数据中首先随机初始化K个类簇中心，类簇中心与样本具有相同维度，记为：Center_k＝(Center_k,1,Center_k,2,K,Center_k,d)。

(3.2)聚类：计算各个数据对象到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在类簇中。采用欧式距离来计算数据对象间距离，公式如下：

其中，d表示数据对象的属性个数。

(3.3)更新类簇中心：k-means算法聚类过程中，每次迭代，对应的类簇中心将被重新计算(更新)。更新后该类簇的类簇中心为对应类簇中所有数据对象的均值，更新方式如下：

其中，C_k表示第k个类簇，|C_k|表示第k个类簇中数据对象的个数。

(3.4)判断终止条件：在k-means算法中，需要不断地迭代来重新划分类簇，并更新类簇中心，当满足以下任一种条件时终止迭代。①当达到最大迭代次数T时，终止迭代；②采用误差平方和准则函数，函数模型如下：

当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代。当上述任一终止条件达到时，所得类簇即为最终聚类结果，每个类中的样本对象构成一个训练子集。若不满足终止条件，则转至步骤(3.2)继续迭代。

步骤(4)：将步骤(3)所得k类样本数据作为独立的训练集，每个训练集数据分别训练各自的自适应神经模糊推理系统(ANFIS)，具体包括以下子步骤：

(4.1)确定ANFIS网络结构：设置自适应神经模糊推理系统(ANFIS)的隶属度函数形状类型及模糊集数目，从而确定ANFIS网络结构。一旦确定网络结构，训练参数也随之确定，包括前提参数与结论参数；

对于经典的双输入单输出网络，所构造的ANFIS网络包含以下5层，如图1所示。设输入为x₁,x₂，输出为y，对于两模糊集为例，其推理规则表示为：

规则1：If x₁ is A₁ and x₂ is B₁,then y＝p₁x₁+q₁x₂+r₁；

规则2：If x₁ is A₁ and x₂ is B₂,then y＝p₂x₁+q₂x₂+r₂；

规则3：If x₁ is A₂ and x₂ is B₁,then y＝p₃x₁+q₃x₂+r₃；

规则4：If x₁ is A₂ and x₂ is B₂,then y＝p₄x₁+q₄x₂+r₄；

ANFIS各层结构描述如下：

第1层(模糊化)：对输入变量模糊化处理，利用隶属度函数确定在输入量在各个模糊集中的隶属度；

μ_Ai(x₁)＝MF(x₁)，μ_Bj(x₂)＝MF(x₂)，i,j＝1,2

其中，A_i,B_j为所分割的模糊集，μ为对应情况下的隶属度，MF(g)为隶属度函数，对于高斯型曲线如下所示，其参数集{c,σ}构成ANFIS的前提参数。

第2层(规则推理)：规则神经元从各自的模糊化神经元接收输入，并计算各个推理规则下的激活权重；

ω_n＝μ_Ai(x₁)μ_Bj(x₂)n＝1,2,3,4i,j＝1,2

第3层(归一化)：该层的每个神经元接收来自上一层的所有神经元输入，并对各个规则下的激活权重归一化；

第4层(解模糊)：该层利用规则解释函数对各规则下的激活权重逆模糊化，计算给定规则f_n的带权重的后项值。所用线性解释函数的参数集{p_n,q_n,r_n}构成ANFIS的结论参数；

第五层(输出)：该层对所有逆模糊化的神经元输出进行求和,得出ANFIS的最终输出y。

(4.2)优化ANFIS训练参数：确定k个ANFIS初始结构及参数后，对决定隶属度函数形状的前提参数以及规则解释函数的后项参数进行优化。采用粒子群优化算法(PSO)对网络训练参数进行启发式搜索，使样本数据的均方差根误差达到最小值，目标函数如下：

其中，P_oi为输入i样本时ANFIS网络的输出值，P_ri为对应样本的实际测量值，G_i为开机容量，N_k为k类样本数据的数量。

通过粒子群优化算法(PSO)对ANFIS解优化过程中，具体包括如下子步骤：

Step 1：PSO算法初始化：设置算法参数如下：群体规模N_s＝30，总迭代数T_iter＝100，最大速度v_max＝20学习因子c₁＝1,c₂＝2；初始化种群位置x_i＝(x_i1,x_i2,Kx_idim)，i＝1,2K,N_s，其中dim为ANFIS参数个数，每一粒子位置向量x_i代表一组ANFIS参数；初始化速度向量v_i＝(v_i1,v_i2,Kv_idim)，v_id∈[-v_max,v_max]；令初始迭代次数t＝0，初代惯性因子w₀＝1；

Step 2：计算每个粒子的适应度值Fit[i]＝f(x_i),i＝1,2,K,N_s；

Step 3：依据适应度值在种群选出全局最优解，记为Gbest＝(P_g1,P_g2,K P_gdim)；

Step 4:保留每个粒子i所经历过的最好位置，记为Pbest_i＝(P_i1,P_i2,KP_idim)；

Step 5:下一代粒子速度及位置更新如下：

v_id(t+1)＝v_id(t)+c₁r₁(P_id-x_id)+c₂r₂(P_gd-x_id)

x_id(t+1)＝x_id(t)+w·v_id(t+1)

i＝1,2K,N_s d＝1,2K,dim

其中r₁,r₂为(0,1)随机数，w是一个随迭代次数由1线性递减至0的参数w＝1-t/T；

Step 6:t＝t+1，如果t＞T_iter，算法结束，输出种群全局最优解Gbest作为终解，最优解空间作为ANFIS最优参数；否则，转入Step 2。

步骤(5)：执行预测：将鞍子山2015年七月份前30天数据作为测试数据，按步骤(1)(2)准备输入特征向量，将输入向量按步骤(3.2)所述进行分类。确定输入向量所在类别后，将其输入到所对应的聚类后样本数据训练的ANFIS网络中，所得输出结果作为当前条件下的预测值。

对于提前4小时预测情况，即预测步长τ＝16，所述混合模型预测结果与实际记录比较如图2所示，相对误差如图3所示。超短期预测执行时，每个预测窗口为未来4小时连续预测序列，包含16个预测步长。对于不同步长τ＝1,2,K,16，各个情况预测结果的均方根误差RMSE柱状统计图如图4展示。为进一步验证预测结果，将在测试月份中随机选取100个预测窗口(每个窗口包含4小时16个预测值)，计算每个窗口时间序列的方均根误差，并对100个误差值统计，如表1所示。

表1预测模型在100个预测时段的误差统计

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于混合智能技术的超短期风功率预测方法，其特征在于，所述方法包括如下步骤：

步骤(1)：依据历史功率记录数据以及公开数值天气预报信息构造原始输入向量，所包含特征为功率以及风速统计量；对于当前时刻t，预测t+τ时刻功率值所选输入向量为：

x(t,τ)＝[P(t-1),P(t),v(t+τ),Δv_p(t+τ),Δv_b(t+τ),V(t+τ)](1)

其中，P(t)与v(t+τ)分别为当前时段功率平均值以及预测时段NWP风速值，Δv_p(t+τ)，Δv_b(t+τ)分别为前向与后向差分风速，V(t+τ)为风速统计量，mean(g),min(g),max(g),std(g)分别表示时间序列的均值，最小值，最大值，以及标准差，Δτ为选取统计序列的范围半径，τ为预测步长；

步骤(2)：通过应用主成分分析技术PCA对原始输入向量进行降维，实现属性约简，将上述步骤中的特征变量转化为少数几个主成分，即综合变量；

步骤(3)：对步骤(2)所得包含主成分的样本数据进行子集划分，采用K-means聚类算法，

步骤(4)：将步骤(3)所得k类样本数据作为独立的训练集，每个训练集数据分别训练各自的自适应神经模糊推理系统ANFIS，具体包括以下子步骤：

(4.1)确定ANFIS网络结构：设置自适应神经模糊推理系统ANFIS的隶属度函数形状类型及模糊集数目，从而确定ANFIS网络结构，一旦确定网络结构，训练参数也随之确定，训练参数包括前提参数与结论参数；

(4.2)优化ANFIS训练参数：确定k个ANFIS初始结构及参数后，对决定隶属度函数形状的前提参数以及规则解释函数的后项参数进行优化，采用粒子群优化算法PSO对网络训练参数进行启发式搜索，使样本数据的均方差根误差达到最小值，目标函数如下：

其中，P_oi为输入i样本时ANFIS网络的输出值，P_ri为对应样本的实际测量值，G_i为开机容量，N_k为k类样本数据的数量；

步骤(5)：执行预测：在当前时刻t，按步骤(1)和(2)准备输入特征向量，将输入向量按步骤(3)所述进行分类，确定输入向量所在类别后，将其输入到所对应的聚类后样本数据训练的ANFIS网络中，所得输出结果作为当前条件下的预测值。

2.根据权利要求1所述的方法，其特征在于所述的步骤(2)具体包括以下子步骤：

(2.1)对输入变量标准化：采用Z-score方法对所有样本的原始输入向量作归一化处理，如公式(3)所示：

其中，N,D分别为样本数量和原始输入维度；μ_j,σ_j分别为每个特征属性下的均值与标准差；

(2.2)估算样本正交单位向量：主成分分析从总体方差求解主成分，设z₁,z₂,K,z_N为取自总体的归一化样本，每个样本有D个特征变量，故任一样本z_i可以表示为D维向量；记样本协方差矩阵S为：

将样本协方差矩阵S作为总体Z的协方差矩阵的估计；设为S的D个特征值，为相对应的正交单位向量；

(2.3)确定系数矩阵COEEF：由步骤(2.2)所估算的特征向量

按排列顺序依次计算前d个主成分累计贡献率，如公式(6)所示：

当累计贡献率ΣF_d/D>0.95时，取前d个主成分对应的正交单位向量组成系数矩阵COEEF，如下所示：

(2.4)：获取主成分样本：通过系数矩阵COEEF将原D维样本向量转化为d维主成分样本，如下所示：

3.根据权利要求1所述的方法，其特征在于所述的步骤(3)具体包括以下子步骤：

(3.1)初始化聚类簇中心：在样本数据中首先随机初始化K个类簇中心，类簇中心与样本具有相同维度，记为：Center_k＝(Center_k,1,Center_k,2,K,Center_k,d)；

(3.2)聚类：计算各个数据对象到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在类簇中，采用欧式距离来计算数据对象间距离，公式如下：

其中，d表示数据对象的属性个数；

(3.3)更新类簇中心：k-means算法聚类过程中，每次迭代，对应的类簇中心将被重新计算，更新后该类簇的类簇中心为对应类簇中所有数据对象的均值，更新方式如下：

其中，C_k表示第k个类簇，|C_k|表示第k个类簇中数据对象的个数；

(3.4)判断终止条件：在k-means算法中，需要不断地迭代来重新划分类簇，并更新类簇中心，当满足以下任一种条件时终止迭代，①当达到最大迭代次数T时，终止迭代；②采用误差平方和准则函数，函数模型如下：

当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代，当上述任一终止条件达到时，所得类簇即为最终聚类结果，每个类中的样本对象构成一个训练子集，若不满足终止条件，则转至步骤(3.2)继续迭代。

4.如权利要求1所述的方法，其特征在于，所述步骤(4)中自适应神经模糊推理系统ANFIS对于双输入单输出结构，即输入为x₁,x₂，输出为y，其推理规则表示为：

规则1：If x₁ is A₁ and x₂ is B₁,then y＝p₁x₁+q₁x₂+r₁；

规则2：If x₁ is A₁ and x₂ is B₂,then y＝p₂x₁+q₂x₂+r₂；

规则3：If x₁ is A₂ and x₂ is B₁,then y＝p₃x₁+q₃x₂+r₃；

规则4：If x₁ is A₂ and x₂ is B₂,then y＝p₄x₁+q₄x₂+r₄；

其中{p_n,q_n,r_n}，n＝1,2,K,4为ANFIS网络结论参数；

ANFIS包含如下5层结构：

第1层模糊化：对输入变量模糊化处理，利用隶属度函数确定在输入量在各个模糊集中的隶属度；

μ_Ai(x₁)＝MF(x₁)，μ_Bj(x₂)＝MF(x₂)，i,j＝1,2(13)

其中，A_i,B_j为所分割的模糊集，μ为对应情况下的隶属度，MF(g)为隶属度函数，对于高斯型曲线如公式(12)所示，其参数集{c,σ}构成ANFIS的前提参数；

第2层规则推理：规则神经元从各自的模糊化神经元接收输入，并计算各个推理规则下的激活权重；

ω_n＝μ_Ai(x₁)μ_Bj(x₂)n＝1,2,3,4i,j＝1,2(15)

第3层归一化：该层的每个神经元接收来自上一层的所有神经元输入，并对各个规则下的激活权重归一化；

第4层解模糊：该层利用规则解释函数对各规则下的激活权重逆模糊化，计算给定规则f_n的带权重的后项值，所用线性解释函数的参数集{p_n,q_n,r_n}构成ANFIS的结论参数；

第五层输出：该层对所有逆模糊化的神经元输出进行求和,得出ANFIS的最终输出y，

5.如权利要求1所述的方法，其特征在于，所述步骤(4.2)通过粒子群优化算法PSO对ANFIS解优化过程中，具体包括如下子步骤：

Step 1：PSO算法初始化：设置算法参数，包括群体规模N_s、总迭代数T_iter、最大速度v_max、学习因子c₁,c₂；初始化种群位置x_i＝(x_i1,x_i2,K x_idim)，i＝1,2K,N_s，其中dim为ANFIS参数个数，每一粒子位置向量x_i代表一组ANFIS参数；初始化速度向量v_i＝(v_i1,v_i2,Kv_idim)，v_id∈[-v_max,v_max]；令初始迭代次数t＝0，初代惯性因子w₀＝1；

Step 2：计算每个粒子的适应度值Fit[i]＝f(x_i),i＝1,2,K,N_s；

Step 3：依据适应度值在种群选出全局最优解，记为Gbest＝(P_g1,P_g2,K P_gdim)；

Step 4:保留每个粒子i所经历过的最好位置，记为Pbest_i＝(P_i1,P_i2,K P_idim)；

Step 5:下一代粒子速度及位置更新如下：

v_id(t+1)＝v_id(t)+c₁r₁(P_id-x_id)+c₂r₂(P_gd-x_id)(19)

x_id(t+1)＝x_id(t)+w·v_id(t+1)(20)

i＝1,2K,N_s d＝1,2K,dim

其中r₁,r₂为(0,1)随机数，w是一个随迭代次数由1线性递减至0的参数w＝1-t/T；

Step 6:t＝t+1，如果t＞T_iter，算法结束，输出种群全局最优解Gbest作为终解，最优解空间作为ANFIS最优参数；否则，转入Step 2。