CN113326969B - 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统，所述方法包括：(1)获取预设的时间范围内历史的风电场的各项气象数据时间序列，并将数据进行预处理；(2)分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；(3)确定极限学习机的网络结构并选择激活函数；(4)将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进；(5)建立基于改进鲸鱼算法优化的极限学习机算法模型。本发明解决了风速的不确定性导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高短期风速准确预测精度的技术效果，提高风电场对于风能资源的利用。

Description

基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统

技术领域

本发明属于风电功率预测领域，具体涉及一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统。

背景技术

随着化石能源的快速消耗，人类正面临着能源枯竭和环境恶化的双重危机，因此近年来清洁可再生的能源在世界范围内也因此受到了广泛重视与发展，目前我国也在积极提高对清洁可再生能源的利用。风能便是清洁可再生能源中的主要部分，提高对于风能的利用率对于目前的社会具有十分重要的意义。

但是风能存在极大的随机性和波动性，能否准确预测风速对于风电行业的发展十分重要。传统的风速预测方法主要有物理方法和统计方法两大类。物理方法是将天气预报数据与建立的风电场风速模型进行结合来进行风速预测，一般用在某地风速的中长期预测。但是该方法建模过程复杂，需要的计算量很大，成本很高。当前大部分预测方法都是统计方法，统计方法是通过研究风电场的历史数据对各种输入与风速的映射关系进行建模，该方法建立的模型简单实用，但只适合与短期预测，预测精度较低。风速受温度、气压、地形等多种因素的影响，具有很强的随机性，按照现有风速预测方法预测的风速误差大，不能真实的反映未来的风速变化。

发明内容

发明目的：本发明提供一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统，解决了现有技术中风的不确定性会导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高短期风速准确预测精度的技术效果。

技术方案：本发明提出一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法，具体包括以下步骤：

(1)获取预设的时间范围内风电场的各项气象因素的数据时间序列，将数据进行预处理并将处理后的各项数据时间序列转换成为矩阵型数据，将处理完成的数据划分为训练集和测试集；

(2)基于灰色关联度理论，分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；

(3)确定极限学习机的网络结构并设定激励函数g(x)与隐含层节点数；

(4)将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进，提高鲸鱼优化算法的优化能力；

(5)建立基于鲸鱼算法优化极限学习机的预测模型，设定参数范围，采用改进后的鲸鱼优化算法对模型的权值和偏差进行优化，确定最优预测模型的模型参数，最后采用该预测模型对风速测试集样本进行预测。

进一步地，步骤(1)所述的将数据进行预处理是对实际风速中存在的突变点进行平滑处理；所述突变点包括实际风速值异常大与短期内变化特别大的点。

进一步地，步骤(2)所述的气象因素包括温度、降雨量、风向、空气密度和湿度。

进一步地，所述步骤(2)包括以下步骤：

(21)将风电场收集的历史风速数据设为参考数列，将其它气象因素设为比较数列；

(22)各数据的量纲不同，对每个数列进行无量纲化处理：

其中，X(k)为处理前的数据，X′(k)为无量纲化处理后的数据，

为X(k)的n个时刻的平均值；

(23)计算各气象因素的灰色关联系数：

其中，△_i(k)是比较序列与参考序列的差值的绝对值，△_min和△_max分别是△_i(k)中的最大值与最小值，ρ为分辨系数；

(24)计算灰色关联度：

其中，r_i是第i个气象因素的灰色关联度，n是取样数，ξ_i(k)是第i个气象因素的灰色关联系数；

根据求得的灰色关联系数大小，对各个比较序列进行敏感性排序。

进一步地，所述步骤(3)所述的极限学习机的网络结构确定为上限为10，下限为0；激励函数选择Sigmoid函数；隐含层节点数设为9。

进一步地，所述步骤(4)包括以下步骤：

(41)设置改进鲸鱼算法的种群规模、最大迭代次数以及位置维度；并利用混沌初始化生成种群；

(42)计算种群中所有个体的适应度值，得到并记录当前最优的鲸鱼个体位置向量；

(43)利用爬山搜索算法对当前最优的鲸鱼个体局部搜索，用搜索到的鲸鱼个体替代已获得的最优鲸鱼个体；

(44)引入参数向量A和C、自适应因子a以及惯性权重ω，计算公式分别为：

A＝2a·r₁-a

C＝2r₂

其中，t为当前迭代次数，max_iter为最大迭代次数，r₁和r₂表示[0,1]间的随机数；

(45)引入参数p，p是[0,1]中的一个随机数；判断p是否满足p≤0.5；若是，进入(46)；否则，进入(47)；

(46)判断改进鲸鱼算法的系数向量的取值是否满足|A|<1；若是，对鲸鱼个体位置向量进行收缩包围迭代更新，更新公式为：

X(t+1)＝ω·X_rand-A·D_rand

若否，对鲸鱼个体位置向量进行随机搜索捕食迭代更新更新公式为：

X(t+1)＝ωX_best-A·D_best

其中，X是个体所在的位置，t为当前的迭代次数，D_rand＝|C·X_rand-X_t|表示个体X在位置更新之前距离种群随机个体X_rand的长度，D_best＝|C·X_best-X_t|表示个体X在位置更新之前距离种群最优个体X_best的长度；参数A为区间[－2，2]上的随机数，当-1≤A≤1时，当前随机个体X_rand为食物所处位置，人工鲸鱼靠近觅食，当A<-1或A>1时，人工鲸鱼远离随机个体X_rand，包围食物，向最优个体X_best的方向收缩捕食范围；C是区间[0，2]上的随机数，控制随机个体X_rand距离当前个体X远近程度的影响；当C>1时，影响程度增强，当C<1时，影响程度削弱；

(47)对鲸鱼个体位置向量按式进行螺线捕食迭代更新，更新公式为：

X(t+1)＝D′·e^ul·cos(2πl)+(1-ω)·X_best(t)

其中，X_t+1是人工鲸鱼当前迭代更新后所处的位置，D_best＝|X_best-X_t|表示表示个体X在位置更新之前距离最优个体X_best的长度，b是塑造螺旋线轨迹的常数，l是区间[－1，1]上的随机数，当l＝-1时，人工鲸鱼距离食物最近，当l＝1时，人工鲸鱼距离食物最远；

(48)迭代次数加1，判断是否达到算法的最大迭代次数，若达到最大迭代次数则结束，否则，进入(49)；

(49)将鲸鱼算法输出的最优解送给极限学习机，作为极限学习机的权值ω和偏置b，计算隐含层输出矩阵，计算训练误差，返回(42)。

基于相同的发明构思，本发明还提供一种基于改进鲸鱼算法优化ELM的短期风速预测系统，包括数据处理模块、灰色关联分析模块和风速预测模块；

所述数据处理模块，对预先获取的原始气象数据进行预处理及归一化；

所述灰色关联分析模块，用于对处理后的数据进行灰色关联分析；所述灰色关联分析模块包括数据处理单元和关联度计算单元；所述灰色关联分析模块将历史风速数据设为参考数列，将其它气象因素设为比较数列，并对每个数列进行无量纲化处理；所述关联度计算单元，计算各气象因素的关联系数与关联度；

所述风速预测模块，利用被改进后的鲸鱼算法优化的ELM中建立的短期风速预测模型，将处理后的数据输入模型中，计算得到预测风速值；所述风速预测模块包括参数优化单元、模型建立单元和风速预测单元；所述风速预测通过改进的鲸鱼优化算法优化极限学习机的权值和阈值，获取最优初始化模型参数；所述模型建立单元，根据各气象因素的关联度，进行特征提取，建立基于改进鲸鱼算法的极限学习机风速预测模型；所述风速预测程序单元，根据建立的模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的模型来预测风电场中的特定风力发电机组的风速。

有益效果：与现有技术相比，本发明的有益效果：1、本发明通过从历史数据得到训练集和预测集，并对训练集的数据进行预处理，预处理包括实发风速平滑处理，实发功率与实发风速不匹配点处理，从而提高训练集数据的有效性和可靠性；2、本发明解决了现有技术中风速的不确定性会导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高对短期风速准确预测精度的技术效果；并用改进鲸鱼算法优化极限学习机进行短期风速预测，具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风速预测。

附图说明

图1为本发明的流程图；

图2为本发明的基于改进鲸鱼算法优化ELM的短期风速预测系统的框架图；

图3为本发明提供基于改进鲸鱼算法优化ELM的预测模型流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法，如图1所示，具体包括以下步骤：

步骤1：获取预设的时间范围内历史的风电场的各项气象数据时间序列，将数据进行预处理并将处理后的各项数据时间序列转换成为矩阵型数据，将处理完成的数据划分为训练集和测试集。

获取预设的时间范围内各风速因素的数据，包括温度、降雨量、风向、空气密度和湿度。对风电场数据进行预处理，找出训练集中实际风速中的突变点，主要包括实际风速值异常大和短时间内实际风速值急剧变化的点，要对这些突变点进行平滑处理。

步骤2：基于灰色关联度理论，分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入。

将风电场收集的历史风速数据设为参考数列，将其它气象因素设为比较数列；同时由于各数据的量纲不同，对每个数列进行无量纲化处理，处理公式为：

其中，X(t)为处理前的数据，X′(t)为无量纲化处理后的数据，

为X(t)n个时刻的平均值；

计算各气象因素的关联系数，其公式为：

其中，△_i(t)是比较序列与参考序列的差值的绝对值，△_min和△_max分别是△_i(t)中的最大值与最小值，ρ为分辨系数，一般区0.5；

计算关联度，其公式为：

其中，r_i是第i个因素的灰色关联度，n是取样数，ξ_i(t)是第i个因素的灰色关联系数；

计算出关联度后，取关联度高的气象因素作为输入。

步骤3：确定极限学习机的网络结构并设定激励函数g(x)与隐含层节点数。

极限学习机的网络结构确定为上限为10，下限为0；激励函数选择Sigmoid函数，隐含层节点数设为9。

步骤4：将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进，提高鲸鱼优化算法的优化能力。如图3所示，具体包括以下步骤：

1)设置改进鲸鱼算法的种群规模、最大迭代次数以及位置维度；并利用混沌初始化生成种群。

2)计算种群中所有个体的适应度值，得到并记录当前最优的鲸鱼个体位置向量。

3)利用爬山搜索算法对当前最优的鲸鱼个体局部搜索，用搜索到的鲸鱼个体替代已获得的最优鲸鱼个体。

4)引入参数向量A和C、自适应因子a以及惯性权重ω，计算公式分别为：

A＝2a·r₁-a (2)

C＝2r₂ (3)

其中，t为当前迭代次数，max_iter为最大迭代次数，r₁和r₂表示[0,1]间的随机数；

5)引入参数p，p是[0,1]中的一个随机数；判断p≤0.5是否满足；是，进行步骤6)；否则，进行步骤7)。

6)判断改进鲸鱼算法的系数向量的取值|A|<1是否满足；是，对鲸鱼个体位置向量进行收缩包围迭代更新，更新公式为：

X(t+1)＝ω·X_rand-A·D_rand (5)

否，对鲸鱼个体位置向量进行随机搜索捕食迭代更新更新公式为：

X(t+1)＝ωX_best-A·D_best (6)

其中，X是个体所在的位置，t为当前的迭代次数，D_rand＝|C·X_rand-X_t|表示个体X在位置更新之前距离种群随机个体X_rand的长度，D_best＝|C·X_best-X_t|表示个体X在位置更新之前距离种群最优个体X_best的长度。参数A为区间[－2，2]上的随机数，当-1≤A≤1时，当前随机个体X_rand为食物所处位置，人工鲸鱼靠近觅食，当A<-1或A>1时，人工鲸鱼远离随机个体X_rand，包围食物，向最优个体X_best的方向收缩捕食范围。而C是区间[0，2]上的随机数，控制随机个体X_rand距离当前个体X远近程度的影响。当C>1时，影响程度增强，当C<1时，影响程度削弱。

7)对鲸鱼个体位置向量按式进行螺线捕食迭代更新，更新公式为：

X(t+1)＝D′·e^ul·cos(2πl)+(1-ω)·X_best(t) (7)

其中，X_t+1是人工鲸鱼当前迭代更新后所处的位置，D_best＝|X_best-X_t|表示表示个体X在位置更新之前距离最优个体X_best的长度，b是塑造螺旋线轨迹的常数，l是区间[－1，1]上的随机数，当l＝-1时，人工鲸鱼距离食物最近，当l＝1时，人工鲸鱼距离食物最远。

8)迭代次数加1，判断是否达到算法的最大迭代次数，若达到最大迭代次数，则结束循环，否则，进入步骤9)。

9)将鲸鱼算法输出的最优解送给极限学习机，作为极限学习机的权值ω和偏置b，计算隐含层输出矩阵，计算训练误差，返回步骤2)。

步骤5：建立基于鲸鱼算法优化极限学习机的预测模型，设定参数范围，采用改进后的鲸鱼优化算法对模型的权值和偏差进行优化，确定最优预测模型的模型参数，最后采用该预测模型对风速测试集样本进行预测。

将测试样本和本发明预测模型的风速结果对比，计算预测风速与实际风速的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)，评价该基于改进鲸鱼算法优化极限学习机的风速预测方法的有效性。

均方根误差(MAE)和平均绝对误差(RMSE)的具体公式分别为：

其中，observed_t是第t个样本的实际值，predicted_t是第t个样本的预测值，N是总样本个数。

为了证明所提算法的有效性和改进性，本文以西班牙Sotavento Galicia风场2020年2月份的数据为例，采用MATLAB语言编写算法程序，分别构建了三种预测模型：粒子群算法优化极限学习机的预测模型(PSO-ELM)、鲸鱼算法优化极限学习机的预测模型(WOA-ELM)和基于本发明改进后的鲸鱼算法优化极限学习机的预测模型(HWOA-ELM)。分别对PSO-ELM、WOA-ELM、HWOA-ELM三种模型进行仿真，三种模型分别运行10次的结果如表1所示。

表1为本发明模型和对照组模型的结果误差统计表

表1中，粒子群算法优化极限学习机的预测模型(PSO-ELM)的均方根误差(MAE)和平均绝对误差(RMSE)平均值分别是0.4451、0.5554，鲸鱼算法优化极限学习机的预测模型(WOA-ELM)的均方根误差(MAE)和平均绝对误差(RMSE)平均值分别是0.4242、0.5377，基于本发明改进后的鲸鱼算法优化极限学习机的预测模型(HWOA-ELM)的均方根误差(MAE)和平均绝对误差(RMSE)平均值分别是0.3821、0.4886。显然，使用改进后的鲸鱼算法优化极限学习机进行优化预测的结果优于粒子群算法优化极限学习机与鲸鱼算法优化极限学习机预测的结果。说明基于本发明改进后的鲸鱼算法优化极限学习机的预测精度得到提高。

基于相同的本发明构思本发明还提供一种基于改进的鲸鱼优化算法及ELM的短期风速预测系统，如图2所示，包括数据处理模块、灰色关联分析模块和风速预测模块。其中：

数据处理模块，对预先获取的原始气象数据进行预处理及归一化。

灰色关联分析模块，用于对处理后的数据进行灰色关联分析；灰色关联分析模块包括数据处理单元和关联度计算单元；灰色关联分析模块将历史风速数据设为参考数列，将其它气象因素设为比较数列，并对每个数列进行无量纲化处理；关联度计算单元，计算各气象因素的关联系数与关联度。

风速预测模块，利用被改进后的鲸鱼算法优化的ELM中建立的短期风速预测模型，将处理后的数据输入模型中，计算得到预测风速值；风速预测模块包括参数优化单元、模型建立单元和风速预测单元；风速预测用于通过改进的鲸鱼优化算法优化极限学习机的权值和阈值，获取最优初始化模型参数；模型建立单元，根据各气象因素的关联度，进行特征提取，建立基于改进鲸鱼算法的极限学习机风速预测模型；风速预测程序单元，根据建立的模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的模型来预测风电场中的特定风力发电机组的风速。

本领域的技术人员可以理解，本发明的风速预测方法是可通过计算机程序指令来实现的。这些程序指令可在计算机、专用编程的处理器或硬件中实行，因此在其中执行的指令可有利于上述的功能的执行。根据本发明的还提供一种存储有计算机程序的计算机可读存储介质。根据本发明所提到的预测风速的方法可设计出相关的计算机程序，程序可通过该计算机可读存储介质去执行和实现。该计算机设备包括中处理器和存储器。处理器可用于处理相关程序，存储器用于存储计算机程序与预测结果。

Claims (5)

1.一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，包括以下步骤：

(1)获取预设的时间范围内风电场的各项气象因素的数据时间序列，将数据进行预处理并将处理后的各项数据时间序列转换成为矩阵型数据，并划分为训练集和测试集；

(2)基于灰色关联度理论，分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；

(3)确定ELM的网络结构并设定激励函数g(x)与隐含层节点数；

(4)在鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进，提高鲸鱼优化算法的优化能力；

(5)构建基于改进的鲸鱼优化算法及ELM的短期风速预测模型，设定参数范围，采用改进的鲸鱼优化算法对模型的权值和偏差进行优化，确定最优预测模型的模型参数，最后采用该预测模型对风速测试集样本进行预测；

所述步骤(2)包括以下步骤：

(21)将风电场收集的历史风速数据设为参考数列，将气象因素设为比较数列；

其中，X(k)为处理前的数据，X′(k)为无量纲化处理后的数据，

为X(k)的n个时刻的平均值；

(23)计算各气象因素的灰色关联系数：

其中，△_i(k)是比较序列与参考序列的差值的绝对值，△_min和△_max分别是△_i(k)中的最大值与最小值，ρ为分辨系数；

(24)计算灰色关联度：

其中，r_i是第i个气象因素的灰色关联度，n是取样数，ξ_i(k)是第i个气象因素的灰色关联系数；

(25)根据求得的灰色关联系数大小，对各个比较序列进行敏感性排序；

所述步骤(4)包括以下步骤：

(41)设置鲸鱼优化算法的种群规模、最大迭代次数以及位置维度；并利用混沌初始化生成种群；

(42)计算种群中所有个体的适应度值，得到并记录当前最优的鲸鱼个体位置向量；

(43)利用爬山局部搜索算法对当前最优的鲸鱼个体局部搜索，用搜索到的鲸鱼个体替代已获得的最优鲸鱼个体；

(44)引入参数向量A和C、自适应因子a以及惯性权重ω，计算公式分别为：

A＝2a·r₁-a

C＝2r₂

其中，t为当前迭代次数，max_iter为最大迭代次数，r₁和r₂表示[0,1]间的随机数；

(45)引入参数p，p是[0,1]中的一个随机数；判断p是否满足p≤0.5；若是，进入(46)；否则，进入(47)；

(46)判断鲸鱼优化算法的系数向量的取值是否满足|A|<1；若是，对鲸鱼个体位置向量进行收缩包围迭代更新，更新公式为：

X(t+1)＝ω·X_rand-A·D_rand

若否，对鲸鱼个体位置向量进行随机搜索捕食迭代更新，更新公式为：

X(t+1)＝ωX_best-A·D_best

其中，X(t+1)是人工鲸鱼当前迭代更新后所处的位置，D_rand＝|C·X_rand-X_t|表示个体X在位置更新之前距离种群随机个体X_rand的长度，D_best＝|C·X_best-X_t|表示个体X在位置更新之前距离种群最优个体X_best的长度；参数A为区间[－2，2]上的随机数，当-1≤A≤1时，当前随机个体X_rand为食物所处位置，人工鲸鱼靠近觅食，当A<-1或A>1时，人工鲸鱼远离随机个体X_rand，包围食物，向最优个体X_best的方向收缩捕食范围；C是区间[0，2]上的随机数，控制随机个体X_rand距离当前个体X远近程度的影响；当C>1时，影响程度增强，当C<1时，影响程度削弱；

(47)对鲸鱼个体位置向量按照下式进行螺线捕食迭代更新，更新公式为：

X(t+1)＝D′·e^ul·cos(2πl)+(1-ω)·X_best(t)

其中，D′＝|X_best-X_t|，表示个体X在位置更新之前距离最优个体X_best的长度，u是塑造螺旋线轨迹的常数，l是区间[－1，1]上的随机数，当l＝-1时，人工鲸鱼距离食物最近，当l＝1时，人工鲸鱼距离食物最远；

(48)迭代次数加1，判断是否达到鲸鱼优化算法的最大迭代次数，若达到最大迭代次数则结束，否则，进入(49)；

(49)将改进的鲸鱼优化算法输出的最优解送给ELM，作为ELM的权值ω和偏置b，计算隐含层输出矩阵，计算训练误差，返回(42)。

2.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，步骤(1)所述的将数据进行预处理是对实际风速中存在的突变点进行平滑处理。

3.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，步骤(2)所述的气象因素包括温度、降雨量、风向、空气密度和湿度。

4.根据权利要求1所述的基于改进的鲸鱼优化算法及ELM的短期风速预测方法，其特征在于，所述步骤(3)所述的ELM的网络结构确定为上限为10，下限为0；激励函数选择Sigmoid函数；隐含层节点数设为9。

5.一种采用如权利要求1-4任一所述方法的基于改进的鲸鱼优化算法及ELM的短期风速预测系统，其特征在于，包括数据处理模块、灰色关联分析模块和风速预测模块；

所述数据处理模块，对预先获取的原始气象数据进行预处理及归一化；

所述灰色关联分析模块，用于对处理后的数据进行灰色关联分析；所述灰色关联分析模块包括数据处理单元和灰色关联度计算单元；所述灰色关联分析模块将历史风速数据设为参考数列，将气象因素设为比较数列，并对参考数列和比较数列进行无量纲化处理；所述灰色关联度计算单元，计算各气象因素的灰色关联系数与灰色关联度；

所述风速预测模块，利用改进的鲸鱼优化算法及ELM，建立短期风速预测模型，将处理后的数据输入模型中，计算得到预测风速值；所述风速预测模块包括参数优化单元、模型建立单元和风速预测单元；所述参数优化单元通过改进的鲸鱼优化算法优化ELM的权值和阈值，获取最优初始化模型参数；所述模型建立单元，根据各气象因素的灰色关联度，进行特征提取，建立基于改进的鲸鱼优化算法及ELM的短期风速预测模型；所述风速预测单元，根据建立的模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的模型来预测风电场中的特定风力发电机组的风速。

Images