CN113344243B - 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 - Google Patents
基于改进哈里斯鹰算法优化elm的风速预测方法及系统 Download PDFInfo
- Publication number
- CN113344243B CN113344243B CN202110472821.5A CN202110472821A CN113344243B CN 113344243 B CN113344243 B CN 113344243B CN 202110472821 A CN202110472821 A CN 202110472821A CN 113344243 B CN113344243 B CN 113344243B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- elm
- algorithm
- sample
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000739 chaotic effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002618 waking effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进哈里斯鹰算法优化ELM的风速预测方法及系统，所述方法包括：(1)获取气象站点的历史风速数据和其他气象数据，对数据进行预处理及应用特定的正交矩阵处理；(2)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；(3)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的模型作为预测模型；(4)利用平均绝对误差、均方根误差等对测试样本和实际样本进行对比和评价。本发明测试了多组风速预测案例与对照组，本发明有更优异的预测精度，能够进一步提升风电并网和电力系统运行的可靠性和稳定性。
Description
技术领域
本发明属于风速预测技术领域，具体涉及一种基于改进哈里斯鹰算法优化ELM的风速预测方法及系统。
背景技术
目前，世界各国都面临着能源危机和环境保护双重压力，这促使着国家更加看重可持续发展能源的开发和利用。风能作为一种环保，无污染的新能源受到了广泛的关注。发电量受到了风能的影响，而风能受到了风速的影响。因此，提高风速预测精度是提高风能接入电力系统的关键基础技术。
当前使用的风速预测的方法有很多，其中包括线性回归，卡尔曼滤波方法等统计方法。同时也有越来越多的智能算法被应用在风速预测上面，例如ANN,模糊逻辑等等。但是现有的这些方法都难以克服风速的不确定性，预测精度低，准确性差。
因此，提供一种能够精确预测风速的方法和装置，是本领域技术人员亟待解决的问题。
发明内容
发明目的：针对现有技术存在的问题，本发明目的在于提供一种能提高风速预测精度的基于改进哈里斯鹰算法优化ELM的风速预测方法及系统。
技术方案：本发明提出一种基于改进哈里斯鹰优化ELM的风速预测方法，具体包括以下步骤：
(1)获取气象站点的历史风速数据和其他气象数据；
(2)对采集的数据进行预处理，将处理好的数据归一化，得到预测样本X；
(3)对预测样本X应用特定的正交矩阵进行处理得到新的预测样本XP；并划分为训练集和测试集；
(4)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；
(5)对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；
(6)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的预测模型，对风速进行预测。
进一步地，步骤(1)所述的其他气象数据包括温度、气压和湿度数据。
进一步地，所述步骤(2)通过以下公式实现：
其中，Xi为历史数据，Xmin为历史数据样本中最小值，Xmax为历史数据样本中的最大值，X为处理过后的数据样本。
进一步地，步骤(3)所述的样本集和测试集的比例为7:3。
进一步地，所述步骤(3)包括以下步骤：
(31)对预测样本数据X进行中心化处理；
(32)计算协方差矩阵
(33)对矩阵Q进行特征值分解，得到m个特征值，并选取前k个特征值对应的特征向量构成矩阵Qi；
(34)将矩阵Qi投影至新的特征空间，即可得到新的样本Xp，并将样本XP作为新的输入样本；
其中，X＝{X1,X2,...,Xn}为输入样本，n为样本总数，每个样本的维度为m，Q为m*m维的对称矩阵，Qi为k*m维的矩阵，Xp为m*n的矩阵。
进一步地，所述步骤(4)包括以下步骤：
(41)确定维度空间的大小为N，并将每一个维度均等分成m分，使得每一份的概率相同；
(42)在每一个维度中的每一个区间随机提取一个点；
(43)从每一个维度中随机提取(42)中选中的点，并组成向量。
进一步地，所述步骤(5)包括以下步骤：
(51)利用哈里斯鹰算法得到全局最优值并在其附近选取i个与目前全局最优有微小差距的个体，并利用Logistic映射来产生混沌变量X，其公式为：
Xe+1＝λXe(1-Xe)
其中，Xe为混沌变量X在第e次迭代时的值，Xe∈[0,1]，λ是控制参数；
(52)将混沌变量通过公式引入到优化变量，并将混沌运动的遍历范围放大到优化变量的取值范围，再利用混沌变量进行搜索，其公式为：
Xk＝a+(b-a)Xe
其中，Xk为需要优化的变量，a和b为Xk的定义区间的上限和下限。
进一步地，所述步骤(6)包括以下步骤：
(61)确定极限学习机的阈值初值φ(0<φ<1)，搜索空间维度大小dim，隐含层神经元个数h，激活函数H令初始t＝1；
(62)在给定条件下训练极限学习机，建立回归模型，得到训练误差；
(63)确定最大迭代次数T＝50，种群大小N＝100，在给定的样本中，计算猎物的初始位置，对于适应度值最优的个体将其设置为当前猎物的位置，更新公式为：
其中，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，r1,r2,r3,r4,p都是[0,1]之间的随机数，p是用来随机选择要采用的更新方式，Xm(t)是个体平均位置，表达式为：
其中，Xk(t)为种群中的第k个个体的位置，N是种群的规模大小；
(64)计算逃逸能量，根据逃逸能量的不同来判断算法执行的操作，公式为：
其中，E0是猎物的初始能量，随机取值范围是[-1,1]，t是迭代次数，T是最大迭代次数；
(65)当0.5≤|E|<1且r≥0.5时，根据以下公式更新位置：
X(t+1)＝△X(t)-E|JXr(t)-X(t)|
当0.5<|E且r≥0.5时，根据以下公式更新位置：
X(t+1)＝Xr(t)-E|ΔX(t)|
当0.5≤|E|<1且r<0.5时，根据一下公式更新位置：
Y＝Xr(t)-E|JXr(t)-X(t)|
当|E|<0.5且r<0.5时，根据以下公式更新位置：
Y＝Xr(t)-E|JXr(t)-Xm(t)|
Z＝Y+S*LF(D)
其中，E是逃逸能量，r是[0，1]之间的随机数，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，Y和Z是更新过后的个体位置，LF是莱维飞行的数学表达式，D和S是求解问题的维数和随机向量；
(66)令t＝t+1，跳转至第(62)，直至T次迭代结束；
(67)选取最优的位置信息作为权值w和偏置b，建立基于改进哈里斯鹰算法优化极限学习机的模型。
基于相同的发明构思，本发明还提供一种基于改进哈里斯鹰算法优化ELM的风速预测系统，包括数据采集模块、参数确定模块、风速预测模块和预测性能评价模块；
所述数据采集模块，用于采集相关历史数据，并对数据进行处理；所述数据采集模块包括数据清洗单元和特征提取单元；所述数据清洗单元将采集好的数据进行清醒和归一化的处理；所述特征提取单元采用特定的正交矩阵对样本进行处理并得到新的样本；
所述参数确定模块，采用改进哈里斯鹰算法优化极限学习机的参数，获得最优参数；所述参数确定模块包括ELM参数确定单元和模型参数确定单元；所述ELM参数确定单元确定极限学习机的隐含层神经元个数，初始权值和阈值；所述模型参数确定单元确定模型的迭代次数和种群大小；
所述风速预测模块，用于在处理后的新样本上，采用改进哈里斯鹰算法提升极限学习机模型进行预测；
所述预测性能评价模块，采用均方误差MSE，平均绝对误差MAE，均方根误差RMSE，平均绝对百分比误差MAPE和R-Squared对风速预测结果进行评价。
有益效果：与现有技术相比，本发明的有益效果：本发明重构了样本特征，应用在基于改进哈里斯鹰算法优化极限学习机的预测模型上，提高了对风速预测的精度。
附图说明
图1为本发明构建的改进哈里斯鹰算法优化极限学习机的预测模型优化流程图；
图2为本发明提供的基于改进哈里斯鹰优化ELM的风速预测系统框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供了一种基于改进哈里斯鹰优化ELM的风速预测方法，具体步骤如下：
步骤1：获取气象站点的历史风速数据和其他气象数据，主要包括温度，气压，湿度的数据。
本发明使用的数据是来自于西班牙Sotavento Galicia风场2019年6月1日到6月30日的数据，共4319个。
步骤2：对采集的数据进行预处理，将处理好的数据归一化，得到预测样本X。
先对对采集到的数据进行数据清洗，并对清洗好的数据进行归一化处理，其中归一化公式为：
其中，Xi为历史数据，Xmin为历史数据样本中最小值，Xmax为历史数据样本中的最大值，X为处理过后的数据样本。
步骤3：对处理好的预测样本数据X应用特定的正交矩阵进行处理，得到新的预测样本XP；并将选XP的前70％作为训练集，后30％作为测试集。具体步骤为：
1)预测样本数据X进行中心化处理；
2)计算协方差矩阵
3)对矩阵Q进行特征值分解，得到m个特征值，并选取前k个特征值对应的特征向量构成矩阵Qi(m≥k)；
4)将矩阵Qi投影至新的特征空间，即可得到新的样本Xp，将样本XP作为新的输入样本；
其中，X＝{X1,X2,...,Xn}为输入样本，n为样本总数，每个样本的维度为m，Q为m*m维的对称矩阵，Qi为k*m维的矩阵，Xp为m*n的矩阵。
步骤4：采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化，拉丁超立方抽样的步骤为：
1)确定维度空间的大小为N，并将每一个维度均等分成m分，使得每一份的概率相同。
2)在每一个维度中的每一个区间随机提取一个点。
3)从每一个维度中随机提取(2)中选中的点，并组成向量。
步骤5：对哈里斯鹰算法的局部搜索采用混沌搜索进行处理。
混沌局部搜索是将初始化过后的种群中随机抽取100个个体利用Logistic映射进行混沌局部搜索，再将搜索过的个体种群作为新的输入种群。
混沌局部搜索的具体操作为：
先用哈里斯鹰算法得到全局最优值并在其附近选取i个与目前全局最优有微小差距的个体，并利用Logistic映射来产生混沌变量X，其公式为：
Xe+1＝λXe(1-Xe)
其中，Xe为混沌变量X在第e次迭代时的值，Xe∈[0,1]，λ是控制参数。
再将混沌变量通过公式引入到优化变量，并将混沌运动的遍历范围放大到优化变量的取值范围，再利用混沌变量进行搜索，其公式为：
Xk＝a+(b-a)Xe
其中，Xk为需要优化的变量，a和b为Xk的定义区间的上限和下限。
步骤6：确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的预测模型，如图1所示，其内容包括：
1)确定极限学习机的阈值初值φ(0<φ<1)、搜索空间维度大小dim，隐含层神经元个数h，激活函数H，令初始t＝1。
2)在给定条件下训练极限学习机，建立回归模型，得到训练误差。
3)确定最大迭代次数T＝50，种群大小N＝100，在给定的样本中，计算猎物的初始位置，对于适应度值最优的个体将其设置为当前猎物的位置，更新公式为：
其中，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，r1,r2,r3,r4,p都是[0,1]之间的随机数，p是用来随机选择要采用的更新方式，Xm(t)是个体平均位置，表达式为：
其中，Xk(t)为种群中的第k个个体的位置，N是种群的规模大小。
4)计算逃逸能量，根据逃逸能量的不同来判断算法执行的操作，公式为：
其中，E0是猎物的初始能量，随机取值范围是[-1,1]，t是迭代次数，T是最大迭代次数。
5)当0.5≤|E|<1且r≥0.5时，根据以下公式更新位置：
X(t+1)＝△X(t)-E|JXr(t)-X(t)|
当0.5<|E|且r≥0.5时，根据以下公式更新位置：
X(t+1)＝Xr(t)-E|ΔX(t)|
当0.5≤|E|<1且r<0.5时，根据一下公式更新位置：
Y＝Xr(t)-EJXr(t)-X(t)
当|E|<0.5且r<0.5时，根据以下公式更新位置：
Y＝Xr(t)-E|JXr(t)-Xm(t)|
Z＝Y+S*LF(D)
其中，E是逃逸能量，r是[0，1]之间的随机数，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，Y和Z是更新过后的个体位置，LF是莱维飞行的数学表达式，D和S是求解问题的维数和随机向量。
6)令t＝t+1，跳转至第2)步，直至T次迭代结束。
7)选取最优的位置信息作为权值w和偏置b，建立基于改进哈里斯鹰算法优化极限学习机的模型(LCHHO-ELM模型)。
选取气象预测中常用的评价指标：平均绝对误差MAE，均方根误差RMSE，平均绝对百分比误差MAPE和R-Squared对预测性能进行评价。
MAE，RMSE及MAPE和R2的计算公式为：
式中，yi为第i个训练样本的真实输出；yk为模型对第i个样本的预测输出；n为样本个数；为样本的均值。
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，HHO-ELM为哈里斯鹰算法优化极限学习机的模型；CHHO-ELM为改进哈里斯鹰算法优化极限学习机的模型，其中改进为对哈里斯鹰算法进行混沌局部搜索；LHHO-ELM为改进哈里斯鹰算法优化极限学习机的模型，其中改进为对哈里斯鹰算法采用拉丁超立方抽样进行初始化；LCHHO-ELM为本次的预测模型。由表1可知，LCHHO-ELM模型的RMSE，MAE和MAPE都比其他模型小，且LCHHO-ELM模型的R2比其他模型大，说明LCHHO-ELM模型的预测效果要优于其他模型，基于改进的哈里斯优化算法可以提高极限学习机的精度。
基于相同的发明构思，本发明还提供一种基于改进哈里斯鹰算法优化ELM的风速预测系统，如图2所示，包括数据采集模块、参数确定模块、风速预测模块和预测性能评价模块。其中：
数据采集模块，用于采集相关历史数据，并对数据进行处理；数据采集模块包括数据清洗单元和特征提取单元数据清洗单元将采集好的数据进行清醒和归一化的处理；特征提取单元采用特定的正交矩阵对样本进行处理并得到新的样本。
参数确定模块，采用改进哈里斯鹰算法优化极限学习机的参数，获得最优参数；参数确定模块包括ELM参数确定单元和模型参数确定单元；ELM参数确定单元确定极限学习机的隐含层神经元个数，初始权值和阈值；模型参数确定单元确定模型的迭代次数和种群大小；
风速预测模块，用于在处理后的新样本上，采用改进哈里斯鹰算法提升极限学习机模型进行预测。
预测性能评价模块，用于采用均方误差MSE，平均绝对误差MAE，均方根误差RMSE，平均绝对百分比误差MAPE和R-Squared对模型进行评价。
本领域技术人员应当容易理解，以上所述，仅为本发明的具体实施方式，并不用以限制本发明，任何在该发明的技术范围内做修改或替换等等，都在本发明的保护范围内。
Claims (5)
1.一种基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，包括以下步骤：
(1)获取气象站点的历史风速数据和其他气象数据；所述其他气象数据包括温度、气压和湿度数据；
(2)对采集的数据进行预处理，将处理好的数据归一化，得到预测样本X；
(3)对预测样本X应用正交矩阵进行处理得到新的预测样本XP；并划分为训练集和测试集；
(4)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；
(5)对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；
(6)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的预测模型，对风速进行预测；
所述步骤(4)包括以下步骤：
(41)确定维度空间的大小为N，并将每一个维度均等分成m分，使得每一份的概率相同；
(42)在每一个维度中的每一个区间随机提取一个点；
(43)从每一个维度中随机提取步骤(42)中选中的点，并组成向量；
所述步骤(5)包括以下步骤：
(51)利用哈里斯鹰算法得到全局最优值并在其附近选取i个与目前全局最优有微小差距的个体，并利用Logistic映射来产生混沌变量，其公式为：
Xe+1＝λXe(1-Xe)
其中，Xe为混沌变量X在第e次迭代时的值，Xe∈[0,1]，λ是控制参数；
(52)将混沌变量通过公式引入到优化变量，并将混沌运动的遍历范围放大到优化变量的取值范围，再利用混沌变量进行搜索，其公式为：
Xk＝a+(b-a)Xe
其中，Xk为需要优化的变量，a和b为Xk的定义区间的上限和下限；
所述步骤(6)包括以下步骤：
(61)确定极限学习机的阈值初值φ，0<φ<1，搜索空间维度大小dim，隐含层神经元个数h，激活函数H令初始t＝1；
(62)在给定条件下训练极限学习机，建立回归模型，得到训练误差；
(63)确定最大迭代次数T＝50，种群大小N＝100，在给定的样本中，计算猎物的初始位置，对于适应度值最优的个体将其设置为当前猎物的位置，更新公式为：
其中，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，r1,r2,r3,r4,p都是[0,1]之间的随机数，p是用来随机选择要采用的更新方式，Xm(t)是个体平均位置，表达式为：
其中，Xk(t)为种群中的第k个个体的位置，N是种群的规模大小；
(64)计算逃逸能量，根据逃逸能量的不同来判断算法执行的操作，公式为：
其中，E0是猎物的初始能量，随机取值范围是[-1,1]，t是迭代次数，T是最大迭代次数；
(65)当0.5≤|E|<1且r≥0.5时，根据以下公式更新位置：
X(t+1)＝△X(t)-E|JXr(t)-X(t)|
当0.5<|E|且r≥0.5时，根据以下公式更新位置：
X(t+1)＝Xr(t)-E|△X(t)|
当0.5≤|E|<1且r<0.5时，根据一下公式更新位置：
Y＝Xr(t)-E|JXr(t)-X(t)|
当|E|<0.5且r<0.5时，根据以下公式更新位置：
Y＝Xr(t)-E|JXr(t)-Xm(t)|
Z＝Y+S*LF(D)
其中，E是逃逸能量，r是[0，1]之间的随机数，X(t)是当前个体的位置，X(t+1)是下一次个体的位置，t是迭代的次数，Xd(t)是随机选出的个体位置，Xr(t)是猎物的位置，Y和Z是更新过后的个体位置，LF是莱维飞行的数学表达式，D和S是求解问题的维数和随机向量；
(66)令t＝t+1，跳转至步骤(62)，直至T次迭代结束；
(67)选取最优的位置信息作为权值w和偏置b，建立基于改进哈里斯鹰算法优化极限学习机的模型。
2.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，所述步骤(2)通过以下公式实现：
其中，Xi为历史数据，Xmin为历史数据样本中最小值，Xmax为历史数据样本中的最大值，X为预测样本。
3.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，步骤(3)所述的训练集和测试集的比例为7:3。
4.根据权利要求1所述的基于改进哈里斯鹰算法优化ELM的风速预测方法，其特征在于，所述步骤(3)包括以下步骤：
(31)对预测样本X进行中心化处理；
(32)计算协方差矩阵
(33)对矩阵Q进行特征值分解，得到m个特征值，并选取前k个特征值对应的特征向量构成矩阵Qi；
(34)将矩阵Qi投影至新的特征空间，即可得到新的样本Xp，并将样本XP作为新的输入样本；
其中，X＝{X1,X2,...,Xn}为输入样本，n为样本总数，每个样本的维度为m，Q为m*m维的对称矩阵，Qi为k*m维的矩阵，Xp为m*n的矩阵。
5.一种采用如权利要求1-4任一所述方法的基于改进哈里斯鹰算法优化ELM的风速预测系统，其特征在于，包括数据采集模块、参数确定模块、风速预测模块和预测性能评价模块；
所述数据采集模块，用于采集相关历史数据，并对数据进行处理；所述数据采集模块包括数据清洗单元和特征提取单元；所述数据清洗单元将采集好的数据进行清洗和归一化的处理；所述特征提取单元采用正交矩阵对样本进行处理并得到新的样本；
所述参数确定模块，采用改进哈里斯鹰算法优化极限学习机的参数，获得最优参数；所述参数确定模块包括ELM参数确定单元和模型参数确定单元；所述ELM参数确定单元确定极限学习机的隐含层神经元个数，初始权值和阈值；所述模型参数确定单元确定模型的迭代次数和种群大小；
所述风速预测模块，用于在处理后的新样本上，采用改进哈里斯鹰算法提升极限学习机模型进行预测；
所述预测性能评价模块，采用平均绝对误差MAE，均方根误差RMSE，平均绝对百分比误差MAPE和相关系数的平方R2对风速预测结果进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472821.5A CN113344243B (zh) | 2021-04-29 | 2021-04-29 | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472821.5A CN113344243B (zh) | 2021-04-29 | 2021-04-29 | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344243A CN113344243A (zh) | 2021-09-03 |
| CN113344243B true CN113344243B (zh) | 2023-09-22 |
Family
ID=77469060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110472821.5A Active CN113344243B (zh) | 2021-04-29 | 2021-04-29 | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344243B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547964B (zh) * | 2021-12-31 | 2024-09-13 | 中南大学 | 基于改进hho优化delm的脱丁烷塔软测量建模方法 |
| CN116739139A (zh) * | 2023-04-26 | 2023-09-12 | 山东工商学院 | 一种基于正余弦扰动的混沌哈里斯鹰优化方法 |
| CN117497071B (zh) * | 2023-11-02 | 2024-06-21 | 正则量子(北京)技术有限公司 | 一种通过量子计算确定药物分子的稳定构象的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN112149264A (zh) * | 2020-09-25 | 2020-12-29 | 东北电力大学 | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 |
-
2021
- 2021-04-29 CN CN202110472821.5A patent/CN113344243B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN112149264A (zh) * | 2020-09-25 | 2020-12-29 | 东北电力大学 | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| "A composite framework coupling multiple feature selection, compound prediction models and novel hybrid swarm optimizer-based synchronization optimization strategy for multi-step ahead short-term wind speed forecasting";Wenlong Fu 等;《Energy Conversion and Management》;第205卷(第C期);第112461页 * |
| "风速对毛乌素沙地潜水蒸发的影响研究";石玉红;《中国优秀硕士学位论文全文数据库基础科学辑》(第1期);第A011-1080页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344243A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344243B (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
| CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
| CN110263834B (zh) | 一种新能源电能质量异常值的检测方法 | |
| CN106778838A (zh) | 一种预测空气质量的方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| Shen et al. | Node identification in wireless network based on convolutional neural network | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
| CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
| CN115907195A (zh) | 一种光伏发电功率预测方法、系统、电子设备及介质 | |
| CN117117859A (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
| CN118013457A (zh) | 一种基于多模态数据的风速预测方法和系统 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN116307240A (zh) | 基于woa-vmd-ols的光伏发电站短期发电功率预测方法 | |
| 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 | |
| CN116881676B (zh) | 一种露天坑涌水量的预测方法 | |
| CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
| CN115496187A (zh) | 基于pca-bp-ssa算法的风电功率复合预测方法 |
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 |