CN113449462A - 一种基于MALO-BiGRU的超短期风速预测方法及系统 - Google Patents

一种基于MALO-BiGRU的超短期风速预测方法及系统 Download PDF

Info

Publication number
CN113449462A
CN113449462A CN202110641771.9A CN202110641771A CN113449462A CN 113449462 A CN113449462 A CN 113449462A CN 202110641771 A CN202110641771 A CN 202110641771A CN 113449462 A CN113449462 A CN 113449462A
Authority
CN
China
Prior art keywords
ant lion
ant
wind speed
lion
fitness
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
Application number
CN202110641771.9A
Other languages
English (en)
Other versions
CN113449462B (zh
Inventor
花磊
彭甜
张楚
孙娜
孙伟
嵇春雷
李沂蔓
马慧心
储智彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110641771.9A priority Critical patent/CN113449462B/zh
Publication of CN113449462A publication Critical patent/CN113449462A/zh
Application granted granted Critical
Publication of CN113449462B publication Critical patent/CN113449462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • 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"
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于MALO‑BiGRU的超短期风速预测方法及系统，所述方法包括：(1)获取风速数据并对数据进行归一化处理，运用互信息法对风速数据进行特征选择；(2)运用均匀采样对蚁狮种群初始化；(3)采用改进后的模拟退火思想融合蚁狮算法改进双向循环单元；(4)将非线性参数控制引入蚁狮算法中，对蚂蚁位置进行更新，最终得到精英蚁狮位置；(5)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；(6)建立基于改进蚁狮算法(MALO)的双向门控循环单元(BiGRU)模型。本发明能够被应用于超短期风速预测的建模过程中，具有优化精度高的优点，最终确保了风速预测的准确性。

Description

一种基于MALO-BiGRU的超短期风速预测方法及系统
技术领域
本发明属于风力发电技术领域，具体涉及一种基于MALO-BiGRU的超短期风速预测方法及系统。
背景技术
随着能源问题和环保问题的日渐突出，风能作为一种可再生的清洁能源受到了全世界越来越多的重视。风电在可再生能源中有好的发展前景，正是因为风能受到了多重因素的影响包含气温，气压，海拔等影响，风能是一种随机性的能源，包含着不确定性，通过准确的风速预测能够有效地控制电能的质量，进行调度地优化运行管理，同时也可以进行风电合理利用。对风速进行预测能够有效地提升风电资源的实际利用率，从而提高电力系统运行的经济具有重要的战略意义。风能作为当前的清洁的可再生能源，在我国的应用已不断成熟并不断运用在商业开发中。
当前风速预测的常用方法，主要有持续预测法、卡尔曼滤波法、人工神经网络法、空间相关性法和模糊逻辑法等，然而对于超短期风速的预测准确度却没有那么高，误差也比较大，在进行数据训练的过程中容易陷入局部最优，使得最终的结果达不到预期的效果。蚁狮算法作为一种新型仿生智能算法，目前已经被应用在天线布局优化、无用功配电问题等，但在风力、水利预测方面应用研究较少。本发明正是利用蚁狮算法全局优化、调节参数少、收敛精度高、鲁棒好的优点，大大提高了预测精度。双向循环单元是GRU的一个改进版，具有充分获取序列数据上下文信息的能力，能够对时间序列的长时间依赖进行有效记忆和遗忘，从而保证时序数据预测精度。本发明运用改进蚁狮算法与BiGRU相结合的方式，减小了误差，运行效率高，提高了全局搜索能力，大大提高了风速预测的准确性。
发明内容
发明目的：本发明提供一种预测精度高的基于MALO-BiGRU的超短期风速预测方法及系统。
技术方案：本发明提出一种基于MALO-BiGRU的超短期风速预测方法，具体包括以下步骤：
(1)对预先获取的风速数据进行归一化处理，并采用互信息法对风速数据进行特征选择并划分训练集和测试集；
(2)运用均匀抽样对初始蚁狮种群初始化，迭代次数，进行蚁狮位置的随机初始化，开始进行迭代搜索；
(3)建立适应度函数，计算初始蚁狮的位置适应度值，并获得初始适应度值，利用改进的模拟退火算法来改变蚁狮算法的更新机制；
(4)将非线性参数控制引入蚁狮算法中，更新蚂蚁位置，计算当前蚂蚁对应蚁狮位置的适应度值相互比较，判断更新蚁狮的位置；
(5)将步骤(4)得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置，将最终得到的精英蚁狮位置作为最优解；
(6)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；用所得最优参数和训练集对模型进行训练并建立基于改进蚁狮算法的双向门控循环单元预测模型MALO-BiGRU，对超短期风速进行预测。
进一步地，步骤(1)所述的利用互信息法对风速数据进行特征选择过程如下：
用互信息法计算风速数据与各气象因素的互信息值，选择对风速数据影响较大的因素，完成特征选择，其中气象因素包括温度，湿度，降雨量，大气压力；
设置变量H和G，其中H为输入参数向量值，G为所测风速数据，变量H和G之间的互信息值可以表示为I(H；G)：
Figure BDA0003107349040000021
其中，μHG(H,G)为H和G联合概率密度函数：μH(H)为H边缘概率密度函数；μG(G)为G边缘概率密度函数。
进一步地，所述步骤(2)通过以下公式实现：
Zi＝cL+(i-1)(cU-cL)/n+rand(1,d) (2)
式中，Zi是种群的第i个体，cL为优化问题的下界，cU为优化问题的上界，n为种群规模，rand(1，d)为d维的随机数。
进一步地，步骤(3)所述的实现过程如下：
搜索空间的可行解为Xij＝(Xij1，···，Xijk)，能量函数作为进化优化计算适应值f(Xij)：
当f(Xij)＜f(Xi(j+1))时，P＝1；
当f(Xij)≥f(Xi(j+1))，
Figure BDA0003107349040000031
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，t也随之趋于0；当新的蚁狮的适应度增大时，接受新的蚁狮位置；当新的蚁狮适应度降低时，按照概率p接收。
加入基于牛顿冷却定律的温度衰减函数来提高找到全局最优解概率：
Figure BDA0003107349040000032
其中，t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t-t0为时间差。
进一步地，所述步骤(4)通过以下公式实现：
Figure BDA0003107349040000033
Figure BDA0003107349040000034
其中，
Figure BDA0003107349040000035
为第i只蚂蚁在第t次迭代时的位置；
Figure BDA0003107349040000036
为第t次迭代轮盘赌选择的蚁狮个体为基础的位移；
Figure BDA0003107349040000037
为第t次迭代的精英个体为基础的位移；
Figure BDA0003107349040000038
为加入反向调节因子在蚂蚁位置得到更新后，求取相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，用相应的蚂蚁位置代替蚁狮的位置。
进一步地，所述步骤(6)包括以下步骤：
(61)对归一化后的数据进行特征选择；
(62)对蚁狮种群数进行初始化，设置最大迭代次数，蚁狮种群规模以及蚁狮位置的上下限；
(63)计算蚁狮种群个体的适应度值，并利用改进模拟退火算法进行局部搜索，增加全局搜索能力，避免局部最优；
(64)对蚂蚁位置加入非线性反向调节因子，求取蚂蚁相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，对蚁狮位置进行更新；
(65)将所得适应度值进行逐一比较，保留较大适应度值，得到精英蚁狮位置；
(66)若当前迭代次数大于最大迭代次数，则对精英蚁狮位置进行解码，输出训练误差以及BiGRU模型的最优隐含层节点数，学习率和批处理大小，否则，返回步骤(63)。
基于相同的发明构思，本发明还提供一种基于MALO-BiGRU的超短期风速预测系统，包括数据处理模块、风速处理模块、训练模块和风速预测模块；
所述数据处理模块：对所获得的原始风速数据进行预处理，得到风速所组成的时间序列的风速数据集合；
所述风速处理模块：利用互信息法对风速数据进行特征选择，得到最后目标预测风速数据；
所述训练模块包括优化单元、适应度值计算单元和判断单元；所述优化单元运用均匀抽样对初始蚁狮种群初始化，利用模拟退火算法来改变蚁狮算法的更新机制，将非线性参数控制引入蚁狮算法中，更新蚂蚁位置；所述适应度计算单元用于计算当前的蚁狮种群中的适应度值；所述判断单元判断当前的迭代次数是否达到最大迭代次数，如果是，则从新的蚁狮种群中获得适应度值最优的蚁狮作为全局最优的蚁狮进行输出，将得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置；
所述风速预测模块：对训练好的改进蚁狮算法优化双向门循环单元模型进行预测，从而得到未来风速的预测结果。
有益效果：与现有技术相比，本发明的有益效果：1、改进的蚁狮算法改善了传统蚁狮算法运行后期搜索的收敛速度减慢，搜索精度变低，易陷入局部最优的缺陷；2、通过改进蚁狮算法与BiGRU相结合建立风速预测模型具有收敛速度快，预测精度高的特点，具有充分获取序列数据上下文信息的能力，能够对时间序列的长时间依赖进行有效记忆和遗忘，从而保证时序数据预测精度，更适合超短期风速预测。
附图说明
图1为本发明的流程图；
图2为采用本发明进行仿真得出的真实值与预测值的对比图。
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MALO-BiGRU的超短期风速预测方法，,基于双向门控循环单元(Bidirectional Gated Recurrent Unit，BiGRU)和改进蚁狮算法(Modified Ant LionOptimizer Algorithm，MALO)的优化结合,在GRU基础上能够充分的获取序列数据的上下文信息，用于对超短期风速的预测，如图1所示，具体包含以下步骤：
步骤1：对预先获取的风速数据进行归一化处理，并采用互信息法对风速数据进行特征选择并划分训练集和测试集。
获取西班牙Sotavento Galicia风场2019年3月1日到2019年3月30日每十分钟记录的风速数据并对数据进行归一化处理。
特征选择：用互信息法计算风速数据与各气象因素的互信息值，选择对风速数据影响较大的因素，完成特征选择，其中气象因素包括温度，湿度，降雨量，大气压力。
互信息法：设置变量H和G，其中H为输入参数向量值，G为所测风速数据，变量H和G之间的互信息值可以表示为I(H；G)。公式如下所示
Figure BDA0003107349040000051
其中，μHG(H,G)为H和G联合概率密度函数，μH(H)为H边缘概率密度函数，μG(G)为G边缘概率密度函数。
预测模型输入参数特征选择具体方法：
设置输入参数向量为H＝{H1，H2，…Hn},N为向量维数；通过公式(1)计算Hi与G的互信息值I(Hi；G)，i＝1,2,…,N；设置相关性阈值z(z∈[0,1]，设置为z＝1/N)；选择互信息值I(Hi；G)>z的参数Hi，对最终选取的影响因素组合为新的风速数据集作为预测的实验数据；将得到的实验数据划分为训练集和测试集。
步骤2：运用均匀抽样对初始蚁狮种群初始化，迭代次数，进行蚁狮位置的随机初始化，开始进行迭代搜索。
运用均匀抽样对初始蚁狮种群初始化，迭代次数，进行蚁狮位置的随机初始化，开始进行迭代搜索，计算相应的适应度值并排序，选出其中适应度值最大的蚁狮作为精英蚁狮个体。设置最大迭代次数Tmax、适应度函数的维度dim、蚂蚁和蚁狮的数目分别为NB、NY,选取变量的控制范围分别为ub、lb。均匀抽样步骤如下：
Zi＝cL+(i-1)(cU-cL)/n+rand(1,d) (2)
式中，Zi是种群的第i个体，cL为优化问题的下界，cU为优化问题的上界，n为种群规模，rand(1，d)为d维的随机数。
步骤3：建立适应度函数，计算初始蚁狮的位置适应度值，并获得初始适应度值，利用改进模拟退火算法来改变蚁狮算法的更新机制，增强了全局和局部搜索的能力，同时避免了局部最优。
模拟退火算法时80年代提出，主要是固体退火原理，通过将固体加温至充分高，等其慢慢变冷，固体内部粒子随温度的升变为无序状，内能增大，而慢慢冷却之后，粒子逐渐变为有序，在每个温度达到平衡态，最后在常温时达到基准态，内能减为最小。在蚁狮算法中加入模拟退火，将内能模拟为目标路径，将温度演转化成控制函数，由初始解和控制函数初始值开始，对蚁狮算法所得路径重复产生新路径，进行更新蚁狮的位置，并逐步衰减控制函数的值。
利用模拟退火算法来改变蚁狮算法的更新机制，模拟退火概率接受准则，假设搜索空间的可行解为Xij＝(Xij1，···，Xijk)，能量函数作为进化优化计算适应值f(Xij)，冷却温度是跳出局部极值的关键参数，它直接影响接受准则。
当f(Xij)＜f(Xi(j+1))时，P＝1；
f(Xij)≥f(Xi(j+1))，
Figure BDA0003107349040000061
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，这时候t也随之趋于0。这样，在全局最优解的附近温度会下降的越来越慢。当新的蚁狮的适应度增大时，系统一定接受新的蚁狮位置；当新的蚁狮适应度降低时，就按照上式的概率p接收。利用退火算法是的模型跳出了局部最优解，找到了全局最优解，同时也能够保证算法的收敛性。
为提高找到全局最优解概率，加入基于牛顿冷却定律的温度衰减函数来实现，其表达式为：
Figure BDA0003107349040000071
其中t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t-t0为时间差。加入了牛顿冷却衰减函数更加提高了全局搜索能力。
步骤4：将非线性参数控制引入蚁狮算法中，更新蚂蚁位置，计算当前蚂蚁对应蚁狮位置的适应度值相互比较，判断更新蚁狮的位置。
采用轮盘赌的方法以及利用贪婪选择的方式对蚁狮进行相关选择,更新ct i和dt i的值：
Figure BDA0003107349040000072
其中，
Figure BDA0003107349040000073
表示第i个蚂蚁第t次迭代的最大值、最小值，di、ci表示第i个蚂蚁位移的最大值、最小值；dt、ct表示所有蚂蚁第t次迭代位移的最大值、最小值，会随迭代次数的增加而减小；
Figure BDA0003107349040000074
表示归一化的位移；
Figure BDA0003107349040000075
表示第i个蚂蚁第t次迭代的随机位移。利用轮盘赌的方式和贪婪选择方式目的是为了选择蚁狮位置，并更新蚂蚁的位置。
优化蚂蚁个体的位移更新公式如下所示：
Figure BDA0003107349040000076
Figure BDA0003107349040000077
其中，
Figure BDA0003107349040000078
为第i只蚂蚁在第t次迭代时的位置；
Figure BDA0003107349040000079
为第t次迭代轮盘赌选择的蚁狮个体为基础的位移；
Figure BDA00031073490400000710
为第t次迭代的精英个体为基础的位移。
Figure BDA0003107349040000081
为加入反向调节因子在蚂蚁位置得到更新后，求取相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，用相应的蚂蚁位置代替蚁狮的位置。
步骤5：将得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置，将最终得到的精英蚁狮位置作为最优解。
步骤6：建立基于改进蚁狮算法的双向门控循环单元模型；利用改进后的蚁狮算法来优化双向门循环单元的隐含层节点个数，学习率和批处理大小三个参数；用所得最优参数和训练集对模型进行训练并建立基于改进蚁狮算法的双向门控循环单元预测模型(MALO-BiGRU)对测试样本进行预测。具体包括以下步骤：
1)利用公式(1)对归一化后的数据进行特征选择；
2)利用公式(2)对蚁狮种群数进行初始化，设置最大迭代次数，蚁狮种群规模以及蚁狮位置的上下限；
3)计算蚁狮种群个体的适应度值，并利用改进后的模拟退火算法进行局部搜索，增加全局搜索能力，避免局部最优；
4)对蚂蚁位置加入非线性反向调节因子，求取蚂蚁相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，对蚁狮位置进行更新；
5)将所得适应度值进行逐一比较，保留较大适应度值，得到精英蚁狮位置；
6)若当前迭代次数大于最大迭代次数，则对精英蚁狮位置进行解码，输出训练误差以及BiGRU模型的最优隐含层节点数，学习率和批处理大小，否则，返回步骤3)。
其中BiGRU模型为两个合并的GRU信号；其中所述BiGRU层中正向GRU模型的中间输出
Figure BDA0003107349040000082
反向GRU模型的中间输出
Figure BDA0003107349040000083
对正向GRU模型和反向GRU模型的中间输出的聚合操作，得到输出
Figure BDA0003107349040000084
表示将正向GRU模型的输出与反向GRU模型输出进行合并连接，作为所述的BiGRU层的输出；其中
Figure BDA0003107349040000091
为正向GRU模型的中间值，
Figure BDA0003107349040000092
为反向GRU模型的中间值。
MALO-BiGRU预测模型的输出值为
Figure BDA0003107349040000093
所述输出值为未来所预测的超短期风速数据，
Figure BDA0003107349040000094
和
Figure BDA0003107349040000095
为模型参数，通过训练可得。
本模型是基于双向门控循环单元和改进蚁狮算法的优化结合，结合了BiGRU的充分获取序列数据上下文信息的能力，蚁狮算法在不断迭代过程中的所体现的全局搜索能力的优点以及模拟退火算法描述简单、使用灵活、运用广泛、运行效率高和收到较少初始条件约束等优点。与传统的网络对比，BiGRU预测的结果更为准确。
对于蚁狮算法的优化过程，利用运用均匀抽样对初始蚁狮种群初始化，能够更好的覆盖实验蚁狮种群的整个分布区间得到广泛运用。运用改进模拟退火算法，增加了全局搜索的能力。对蚂蚁位置的公式进行更新，更加保证预测的准确性，利用基于改进蚁狮算法与双向门循环单元相结合，优化双向门循环单元的隐含层节点个数，学习率和批处理大小，节省实验的时间达到高效率。
根据西班牙Sotavento Galicia风场2019年3月1日到2019年3月30日每十分钟记录的风速数据，将实测风速数据量和预测值代入以下几种评价指标中，计算相应的评价指标值。RMSE(均方根误差)、MAPE(平均百分比误差)、MAE(平均绝对误差)、R2(决定系数)对结果进行：
Figure BDA0003107349040000096
Figure BDA0003107349040000097
Figure BDA0003107349040000098
Figure BDA0003107349040000099
其中，yi是第i个训练样本的真实输出，xi是第i个样本的预测值，
Figure BDA00031073490400000910
是样本的平均值，n是总样本个数。
基于相同的发明构思，本发明还提供一种基于MALO-BiGRU的超短期风速预测系统，包括数据处理模块、风速处理模块、训练模块和风速预测模块。其中：
数据处理模块：对所获得的原始风速数据进行预处理，得到风速所组成的时间序列的风速数据集合。
风速处理模块：利用互信息法对风速数据进行特征选择，得到最后目标预测风速数据。
训练模块包括优化单元、适应度值计算单元和判断单元；其中：优化单元运用均匀抽样对初始蚁狮种群初始化，利用模拟退火算法来改变蚁狮算法的更新机制，将非线性参数控制引入蚁狮算法中，更新蚂蚁位置；适应度计算单元用于计算当前的蚁狮种群中的适应度值；判断单元判断当前的迭代次数是否达到最大迭代次数，如果是，则从新的蚁狮种群中获得适应度值最优的蚁狮作为全局最优的蚁狮进行输出，将得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置。
风速预测模块：对训练好的改进蚁狮算法优化双向门循环单元模型进行预测，从而得到未来风速的预测结果。
为了验证本发明提出的混合预测模型的优越性，对比了PSO-BP(粒子群算法优化BP神经网络)，BP(BP神经网络)，ALO-BP(蚁狮算法优化BP神经网络)以及MALO-BiGRU(改进蚁狮算法优化双向门控循环单元模型)。如图表所示，而MALO-BiGRU在所有模型中预测精确度最高，在所有评估指标表现最好。
表1本发明模型与其他对照组模型的结果误差表
Figure BDA0003107349040000101
如表1所示，对比PSO-BP，BP，ALO-BP以及MALO-BiGRU可见改进后的蚁狮算法可以有效提高预测的精度，以RMSE为例PSO-BP的值为0.7467，BP的值为0.7960，ALO-BP的值为0.7407，MALO-BiGRU的值为0.7230，可以证明优化算法在混合预测模型中的有效性。对比其他的三种预测方法，MALO-BiGRU的预测效果最好。
下面对本发明提供的基于改进蚁狮算法与双向门控循环单元相结合的超短期风速预测方法及系统的真实值与预测值的对比图，由图2真实值与预测值的对比图可知，基本达到了高预测精度，可以证实本发明的优越性：
需要说明的是，本发明通过将改进蚁狮算法与双向门控循环单元相结合，提高了全局收敛能力，并进一步加强了预测精度。
以上本发明所提供的超短期风速预测方法系统及装置进行了详细的介绍。并且本文也对本发明的原理以及实施方式进行了相关阐述，以上说明为了帮助理解本发明的方法以及核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种基于MALO-BiGRU的超短期风速预测方法，其特征在于，包括以下步骤：
(1)对预先获取的风速数据进行归一化处理，并采用互信息法对风速数据进行特征选择并划分训练集和测试集；
(2)运用均匀抽样对初始蚁狮种群初始化，迭代次数，进行蚁狮位置的随机初始化，开始进行迭代搜索；
(3)建立适应度函数，计算初始蚁狮的位置适应度值，并获得初始适应度值，利用改进的模拟退火算法来改变蚁狮算法的更新机制；
(4)将非线性参数控制引入蚁狮算法中，更新蚂蚁位置，计算当前蚂蚁对应蚁狮位置的适应度值相互比较，判断更新蚁狮的位置；
(5)将步骤(4)得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置，将最终得到的精英蚁狮位置作为最优解；
(6)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；用所得最优参数和训练集对模型进行训练并建立基于改进蚁狮算法的双向门控循环单元预测模型MALO-BiGRU，对超短期风速进行预测。
2.根据权利要求1所述的基于MALO-BiGRU的超短期风速预测方法，其特征在于，步骤(1)所述的利用互信息法对风速数据进行特征选择过程如下：
用互信息法计算风速数据与各气象因素的互信息值，选择对风速数据影响较大的因素，完成特征选择，其中气象因素包括温度，湿度，降雨量，大气压力；
设置变量H和G，其中H为输入参数向量值，G为所测风速数据，变量H和G之间的互信息值可以表示为I(H；G)：
Figure FDA0003107349030000011
其中，μHG(H,G)为H和G联合概率密度函数：μH(H)为H边缘概率密度函数；μG(G)为G边缘概率密度函数。
3.根据权利要求1所述的基于MALO-BiGRU的超短期风速预测方法，其特征在于，所述步骤(2)通过以下公式实现：
Zi＝cL+(i-1)(cU-cL)/n+rand(1,d) (2)
式中，Zi是种群的第i个体，cL为优化问题的下界，cU为优化问题的上界，n为种群规模，rand(1，d)为d维的随机数。
4.根据权利要求1所述的基于MALO-BiGRU的超短期风速预测方法，其特征在于，步骤(3)所述的实现过程如下：
搜索空间的可行解为Xij＝(Xij1，···，Xijk)，能量函数作为进化优化计算适应值f(Xij)：
当f(Xij)＜f(Xi(j+1))时，P＝1；
当f(Xij)≥f(Xi(j+1))，
Figure FDA0003107349030000021
其中，P为降温概率，t为温度，exp为自然指数；局部最大适应值与个体平均最大的适应值之比逐渐减小并接近1，t也随之趋于0；当新的蚁狮的适应度增大时，接受新的蚁狮位置；当新的蚁狮适应度降低时，按照概率p接收；
加入基于牛顿冷却定律的温度衰减函数来提高找到全局最优解概率：
Figure FDA0003107349030000022
其中，t0为初始迭代次数；T(t0)为初始温度；T(t)为当前时刻的温度，Tc为周围环境的温度；K衰减系数，是常数；t-t0为时间差。
5.根据权利要求1所述的基于MALO-BiGRU的超短期风速预测方法，其特征在于，所述步骤(4)通过以下公式实现：
Figure FDA0003107349030000023
Figure FDA0003107349030000024
其中，
Figure FDA0003107349030000025
为第i只蚂蚁在第t次迭代时的位置；
Figure FDA0003107349030000026
为第t次迭代轮盘赌选择的蚁狮个体为基础的位移；
Figure FDA0003107349030000027
为第t次迭代的精英个体为基础的位移；
Figure FDA0003107349030000028
为加入反向调节因子在蚂蚁位置得到更新后，求取相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，用相应的蚂蚁位置代替蚁狮的位置。
6.根据权利要求1所述的基于MALO-BiGRU的超短期风速预测方法，其特征在于，所述步骤(6)包括以下步骤：
(61)对归一化后的数据进行特征选择；
(62)对蚁狮种群数进行初始化，设置最大迭代次数，蚁狮种群规模以及蚁狮位置的上下限；
(63)计算蚁狮种群个体的适应度值，并利用改进模拟退火算法进行局部搜索，增加全局搜索能力，避免局部最优；
(64)对蚂蚁位置加入非线性反向调节因子，求取蚂蚁相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，对蚁狮位置进行更新；
(65)将所得适应度值进行逐一比较，保留较大适应度值，得到精英蚁狮位置；
(66)若当前迭代次数大于最大迭代次数，则对精英蚁狮位置进行解码，输出训练误差以及BiGRU模型的最优隐含层节点数，学习率和批处理大小，否则，返回步骤(63)。
7.一种采用如权利要求1-6任一所述方法的基于MALO-BiGRU的超短期风速预测系统，其特征在于，包括数据处理模块、风速处理模块、训练模块和风速预测模块；
所述数据处理模块：对所获得的原始风速数据进行预处理，得到风速所组成的时间序列的风速数据集合；
所述风速处理模块：利用互信息法对风速数据进行特征选择，得到最后目标预测风速数据；
所述训练模块包括优化单元、适应度值计算单元和判断单元；所述优化单元运用均匀抽样对初始蚁狮种群初始化，利用模拟退火算法来改变蚁狮算法的更新机制，将非线性参数控制引入蚁狮算法中，更新蚂蚁位置；所述适应度计算单元用于计算当前的蚁狮种群中的适应度值；所述判断单元判断当前的迭代次数是否达到最大迭代次数，如果是，则从新的蚁狮种群中获得适应度值最优的蚁狮作为全局最优的蚁狮进行输出，将得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度比较，保留较大适应度值对应蚁狮位置，得到本次迭代的精英蚁狮的位置；
所述风速预测模块：对训练好的改进蚁狮算法优化双向门循环单元模型进行预测，从而得到未来风速的预测结果。
CN202110641771.9A 2021-06-09 2021-06-09 一种基于MALO-BiGRU的超短期风速预测方法及系统 Active CN113449462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641771.9A CN113449462B (zh) 2021-06-09 2021-06-09 一种基于MALO-BiGRU的超短期风速预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641771.9A CN113449462B (zh) 2021-06-09 2021-06-09 一种基于MALO-BiGRU的超短期风速预测方法及系统

Publications (2)

Publication Number Publication Date
CN113449462A true CN113449462A (zh) 2021-09-28
CN113449462B CN113449462B (zh) 2023-06-20

Family

ID=77810953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641771.9A Active CN113449462B (zh) 2021-06-09 2021-06-09 一种基于MALO-BiGRU的超短期风速预测方法及系统

Country Status (1)

Country Link
CN (1) CN113449462B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282440A (zh) * 2021-12-27 2022-04-05 淮阴工学院 一种抽水蓄能机组调节系统鲁棒辨识方法
CN114282614A (zh) * 2021-12-27 2022-04-05 淮阴工学院 基于随机森林和ifda优化cnn-gru的中长期径流预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274038A (zh) * 2017-07-31 2017-10-20 上海电力学院 一种基于蚁狮优化的lssvm年用电量预测方法
CN111210081A (zh) * 2020-01-09 2020-05-29 中国人民解放军国防科技大学 一种基于Bi-GRU的PM2.5数据处理与预测方法
CN111275168A (zh) * 2020-01-17 2020-06-12 南京信息工程大学 基于卷积全连接的双向门控循环单元的空气质量预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274038A (zh) * 2017-07-31 2017-10-20 上海电力学院 一种基于蚁狮优化的lssvm年用电量预测方法
CN111210081A (zh) * 2020-01-09 2020-05-29 中国人民解放军国防科技大学 一种基于Bi-GRU的PM2.5数据处理与预测方法
CN111275168A (zh) * 2020-01-17 2020-06-12 南京信息工程大学 基于卷积全连接的双向门控循环单元的空气质量预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘景森;霍宇;李煜;: "优选策略的自适应蚁狮优化算法", 模式识别与人工智能, no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282440A (zh) * 2021-12-27 2022-04-05 淮阴工学院 一种抽水蓄能机组调节系统鲁棒辨识方法
CN114282614A (zh) * 2021-12-27 2022-04-05 淮阴工学院 基于随机森林和ifda优化cnn-gru的中长期径流预测方法
CN114282440B (zh) * 2021-12-27 2023-08-25 淮阴工学院 一种抽水蓄能机组调节系统鲁棒辨识方法
CN114282614B (zh) * 2021-12-27 2023-09-26 淮阴工学院 基于随机森林和ifda优化cnn-gru的中长期径流预测方法

Also Published As

Publication number Publication date
CN113449462B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN113282122B (zh) 一种商用建筑能耗预测优化方法及系统
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN108734331A (zh) 基于lstm的短期光伏发电功率预测方法及系统
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN113449462B (zh) 一种基于MALO-BiGRU的超短期风速预测方法及系统
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
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN105701572A (zh) 一种基于改进高斯过程回归的光伏短期出力预测方法
CN108985515A (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN106600041A (zh) 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法
CN111260126A (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
Wang et al. A regional pretraining-classification-selection forecasting system for wind power point forecasting and interval forecasting
CN112330487B (zh) 一种光伏发电短期功率预测方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
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
CN115640901A (zh) 一种基于混合神经网络和生成对抗的小样本负荷预测方法
Qian et al. Short-term Load Forecasting Based on Multi-model Fusion of CNN-LSTM-LGBM

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