CN114912723A - 一种基于hht-bmvo-bp的短期风速预测方法 - Google Patents

一种基于hht-bmvo-bp的短期风速预测方法 Download PDF

Info

Publication number
CN114912723A
CN114912723A CN202210840119.4A CN202210840119A CN114912723A CN 114912723 A CN114912723 A CN 114912723A CN 202210840119 A CN202210840119 A CN 202210840119A CN 114912723 A CN114912723 A CN 114912723A
Authority
CN
China
Prior art keywords
universe
wind speed
population
preset
component
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
CN202210840119.4A
Other languages
English (en)
Other versions
CN114912723B (zh
Inventor
秦华旺
叶培森
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210840119.4A priority Critical patent/CN114912723B/zh
Publication of CN114912723A publication Critical patent/CN114912723A/zh
Application granted granted Critical
Publication of CN114912723B publication Critical patent/CN114912723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Atmospheric Sciences (AREA)
  • Educational Administration (AREA)
  • Environmental Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Ecology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于HHT‑BMVO‑BP的短期风速预测方法,包括获取风速数据,并对数据进行归一化处理后得到原始风速序列,用HHT对风速信号进行分解得到一系列分量,对于HHT分解后得到的各个分量分别建立对应的BMVO‑BP模型,将各个分量样本数据导入对应建立好的模型中进行预测。BMVO‑BP组合模型中进行BP神经网络权值与阈值寻优并进行风速序列的预测,将组合模型中预测的各风速子序列进行重构,进而得到最终的风速预测值。本发明可以大大的提高风速预测的精准性。

Description

一种基于HHT-BMVO-BP的短期风速预测方法
技术领域
本发明属于短期气象要素预测领域,具体涉及一种基于HHT-BMVO-BP的短期风速预测方法。
背景技术
风速信号具有非线性和非平稳性以及波动性的特点,这给风速预测的工作带来了许多麻烦,尤其是想要精准的预测短期风速,更是困难不少。风电作为一种新兴的绿色无污染能源,以其低成本运行的发电技术,在全世界电力生产行业中的所占比例逐年提高。然而,由于风速的波动性、不稳定性以及能量密度这些问题,会增加风电实际并网的难度,甚至会影响整个电力系统运行的安全可靠性。所以,精确稳定的风速预测对于风电并网和整个电力系统的安全可靠运行具有十分重要的意义。
现有的风速预测方法已经有很多,但是大都难以满足现实中风电场需求的预测效果,大都存在着预测不精准的问题。目前国内对于风速预测的研究方法大致分为:纯物理方法、数理统计方法或者结合二者并行探索。然而,用物理方法需要精度很高的气象预报数据,物理方法其实更适合用于风电场建设前期评估,即为一种中长期预测。对于统计方法,它无法把风速数据的全部特征获取完整,所以其预测精度可想而知难以保证。近几年来学者们希望通过组合的方法,即几个单一模型组成多模型的预测方法,以此去获得较好的预测性能。在这其中,机器学习模型因为有着优秀的拟合能力而被广泛应用于风速预测中,尤其是一些超短期风速预测,然而因为风速数据的限制,无法把原始风速序列的特征全部挖掘,导致其实际预测精度不高。
发明内容
本发明所要解决的技术问题是短期的风速预测不精准的难题。
为解决上述技术问题,本发明采用以下技术方案。
一种基于HHT-BMVO-BP的短期风速预测方法,针对目标区域,执行以下步骤,获得预设未来时间段内目标区域的预测风速:
步骤A:针对目标区域,基于预设时长采样间隔,获得该目标区域预设历史时间段内各采样时刻分别对应的风速数据,构成风速数据序列;
步骤B:针对目标区域预设历史时间段内的风速数据序列,进行归一化处理,更新风速数据序列;
步骤C:基于目标区域预设历史时间段内的风速数据序列,针对风速数据序列中各采样时刻风速数据分别进行HHT分解,获得各采样时刻风速数据分别对应的分量数据序列;
步骤D:针对各采样时刻风速数据分别对应的分量数据序列,基于分量数据序列中各分量类型分别对应的以分量数据为输入、以距离该分量数据采样时刻预设时长间隔的未来时刻分量数据为输出的预训练预测模型,各分量数据分别通过其对应的预训练预测模型获得其对应的预测分量数据,进而获得在预设未来时间段内各采样时刻分别对应的预测分量数据序列;
步骤E:基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,进行叠加重构,进而获得预设未来时间段内目标区域的预测风速。
进一步地,所述步骤B中,通过以下公式,对目标区域预设历史时间段内的风速数据序列,进行归一化处理:
Figure 100002_DEST_PATH_IMAGE001
式中,
Figure 507443DEST_PATH_IMAGE002
为目标区域预设历史时间段内的风速数据序列,
Figure 100002_DEST_PATH_IMAGE003
Figure 362266DEST_PATH_IMAGE004
分别是 目标区域预设历史时间段内的风速数据序列中的最小值和最大值,
Figure 100002_DEST_PATH_IMAGE005
是经过归一化处理 后的风速数据序列。
进一步地,所述步骤C中,针对风速数据序列中各采样时刻分别对应的风速数据,执行以下步骤,获得各采样时刻风速数据分别对应的分量数据序列:
步骤C1:针对风速数据,经过经验模态分解后得到K个本征模态函数分量、以及1个剩余分量,经验模态分解后的结果如下所示:
Figure 797796DEST_PATH_IMAGE006
式中,
Figure 100002_DEST_PATH_IMAGE007
t时刻第k次筛选得到的本征模态函数分量,K为预设筛选次数,
Figure 114376DEST_PATH_IMAGE008
为剩余分量;
步骤C2:针对风速数据经过经验模态分解后得到K个本征模态函数分量,通过希尔伯特变换计算每个本征模态函数分量对应的频率,进而获得该风速数据对应的各本征模态函数分量的频率顺序:
Figure 100002_DEST_PATH_IMAGE009
其中,
Figure 866432DEST_PATH_IMAGE010
Figure 100002_DEST_PATH_IMAGE011
Figure 875845DEST_PATH_IMAGE012
式中,
Figure 100002_DEST_PATH_IMAGE013
t时刻第k个本征模态函数分量对应的频率,
Figure 80561DEST_PATH_IMAGE014
t时刻希尔伯 特变换的脉冲响应,
Figure 100002_DEST_PATH_IMAGE015
t时刻该风速数据对应的第k个本征模态函数分量,即为
Figure 466412DEST_PATH_IMAGE016
Figure 100002_DEST_PATH_IMAGE017
为希尔伯特变换函数。
进一步地,所述步骤C1中,每个本征模态函数分量满足下列两个限制:
a.零点和极值点的数量差不超过1;
b.任意时刻,局部最大值和局部最小值的包络线之间的均值为0。
进一步地,所述步骤D中,针对各分量类型分别对应的预训练预测模型,在训练过程中均通过增强型的MVO算法对预测模型的待优化参数进行优化,具体过程如下:
步骤D1:将预测模型的待优化参数设置为宇宙个体,初始随机生成待优化参数构 成的宇宙种群UU
Figure 807395DEST_PATH_IMAGE018
的矩阵,n为宇宙个体数量,d为宇宙维度即为待优化参数数量;基 于各宇宙个体对应的适应度,获得适应度最高的宇宙个体作为当前宇宙种群中的最优宇宙u best
步骤D2:基于宇宙种群U、最优宇宙u best ,结合预设迭代次数L,迭代执行以下过程,迭代更新最优宇宙u best ,进而获得最优宇宙u best 作为优化后的待优化参数:
步骤D2.1:针对宇宙种群U,通过轮盘赌机制进行更新,并基于更新后各宇宙个体对应的适应度,更新最优宇宙u best
步骤D2.2:基于最优宇宙u best ,结合当前迭代次数和预设最大迭代次数L,更新宇宙种群U
步骤D2.3:基于宇宙种群U,通过线性递减参数的跳出规则,更新宇宙种群U;并基于更新后宇宙种群U中各宇宙个体对应的适应度,更新最优宇宙u best
步骤D2.4:判断当前迭代次数l是否达到预设最大迭代次数L,若未达到最大迭代次数,迭代次数l=l+1,返回步骤D2.1;若达到最大迭代次数,迭代结束,输出最优宇宙u best
进一步地,所述步骤D2.1中,通过以下公式,对宇宙种群U通过轮盘赌机制进行更新:
Figure 100002_DEST_PATH_IMAGE019
式中,
Figure 987709DEST_PATH_IMAGE020
表示宇宙种群U中第i个宇宙个体,
Figure 100002_DEST_PATH_IMAGE021
表示第i个宇宙个体经过归一 化后的膨胀率,即适应度;
Figure 679722DEST_PATH_IMAGE022
为[0,1]中的随机数,
Figure 100002_DEST_PATH_IMAGE023
表示宇宙种群U中第i个宇宙个体的第j维分量;
Figure 869263DEST_PATH_IMAGE024
表示轮盘赌随机选定的宇宙种群U中第a个宇宙的第j维分量。
进一步地,所述步骤D2.2中,基于最优宇宙u best ,结合当前迭代次数l和预设最大迭代次数L,通过以下公式,更新宇宙种群U
Figure 100002_DEST_PATH_IMAGE025
其中,
Figure 330332DEST_PATH_IMAGE026
Figure 100002_DEST_PATH_IMAGE027
式中,
Figure 212706DEST_PATH_IMAGE028
表示宇宙种群U中第i个宇宙个体的第j维分量,TDR为宇宙个体中的物质 在最优宇宙附近通过虫洞旅行的距离率;
Figure 100002_DEST_PATH_IMAGE029
表示最优宇宙U best 的第j维分量,
Figure 657594DEST_PATH_IMAGE030
是最 优宇宙第j维分量上界,
Figure 100002_DEST_PATH_IMAGE031
是最优宇宙第j维分量下界;
Figure 870400DEST_PATH_IMAGE032
均为[0,1]中的随机数,
Figure 100002_DEST_PATH_IMAGE033
为当前最优宇宙的最大值,
Figure 966401DEST_PATH_IMAGE034
为当前最优宇宙的最小值;WEP为宇宙中虫洞所占 比例,
Figure 100002_DEST_PATH_IMAGE035
是参数WEP的上限,
Figure 504830DEST_PATH_IMAGE036
为参数WEP的下限。
进一步地,所述步骤D2还包括步骤D2.2之后,通过以下过程,对宇宙种群U进行更新,然后执行步骤D2.3:
步骤1:针对宇宙种群U,将宇宙种群U中各宇宙个体的各维度数据均转变成初始混 沌变量
Figure 100002_DEST_PATH_IMAGE037
,迭代执行以下步骤,对宇宙种群U进行更新:
步骤1.1:针对宇宙种群U中各宇宙个体的各维度数据对应的混沌变量
Figure 686282DEST_PATH_IMAGE038
,通过以下公式,线性转化为
Figure 100002_DEST_PATH_IMAGE039
区间的映射变量
Figure 968358DEST_PATH_IMAGE040
Figure 100002_DEST_PATH_IMAGE041
式中,
Figure 669598DEST_PATH_IMAGE042
为预设参数;
步骤1.3:针对宇宙种群U中各宇宙个体的各维度数据对应的
Figure 100002_DEST_PATH_IMAGE043
,通过 以下公式,执行混沌搜索,获得新的各维度数据,进而获得新的宇宙种群:
Figure 628196DEST_PATH_IMAGE044
式中,
Figure 100002_DEST_PATH_IMAGE045
为搜索系数;
步骤1.4:针对新的宇宙种群与原宇宙种群中位置相对应的宇宙个体进行适应度的比较,保留适应度高的宇宙个体,更新宇宙种群U
步骤1.5:判断当前搜索次数m是否达到预设搜索次数M,若达到预设搜索次数M,则停止迭代,输出更新的宇宙种群U;若未达到预设搜索次数M,通过以下公式,更新宇宙种群U中各宇宙个体的各维度数据对应的混沌变量,搜索次数m=m+1,返回步骤1.1;
Figure 782096DEST_PATH_IMAGE046
式中,
Figure 100002_DEST_PATH_IMAGE047
为控制参数;
步骤2:基于步骤1获得的宇宙种群U,通过以下公式,对宇宙种群U中各宇宙个体进行更新,进而对宇宙种群U进行更新;
Figure 117132DEST_PATH_IMAGE048
式中,
Figure 100002_DEST_PATH_IMAGE049
是高斯变异后的宇宙个体,
Figure 672878DEST_PATH_IMAGE050
是原宇宙个体,G(0,1)是原宇宙个体服从 高斯分布的随机数,
Figure 100002_DEST_PATH_IMAGE051
是变异权重,
Figure 553109DEST_PATH_IMAGE052
为预设常数。
进一步地,所述步骤D2.3中,针对宇宙种群U中各宇宙个体,均迭代通过以下公式,直到各宇宙个体均搜索到适应度更优的宇宙个体,更新宇宙种群U
Figure 100002_DEST_PATH_IMAGE053
其中,
Figure 443574DEST_PATH_IMAGE054
Figure 100002_DEST_PATH_IMAGE055
Figure 67453DEST_PATH_IMAGE056
式中,
Figure 100002_DEST_PATH_IMAGE057
是第i个搜索单元位置,即为第i个宇宙个体的位置;
Figure 992553DEST_PATH_IMAGE058
变量是指搜索单 元之间的相互作用力对第i个搜索单元的影响力度;W是指宇宙集群外部影响因子;N为搜索 单元总数;c为搜索控制参数,ub为搜索空间的上界,lb为搜索空间的下界;s(r)是计算宇宙 集群之间相互影响因子的函数;f是指吸引力因子;v指吸引力长度;
Figure 100002_DEST_PATH_IMAGE059
是0到1间的 随机数,
Figure 309265DEST_PATH_IMAGE060
指新搜索到的
Figure 703337DEST_PATH_IMAGE057
Figure 100002_DEST_PATH_IMAGE061
表示第j个搜索单元产生的影响力,
Figure 380175DEST_PATH_IMAGE062
表示第i个搜索单 元产生的影响力,r表示影响因子系数。
进一步地,所述步骤E中,基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,分别针对各采样时刻分别对应的预测分量进行叠加,获得各采样时刻分别对应的预测风速;进而针对在预设未来时间段内各采样时刻分别对应的预测风速,取其平均值,作为预设未来时间段内目标区域的预测风速。
本发明的有益效果是:本发明提供了一种基于HHT-BMVO-BP的短期风速预测方法,用HHT分解法将风速序列分解为频率不同的若干个平稳分量,有效降低了风速序列的非平稳性;并且针对HHT分解后得到的各个分量类型分别建立对应的预测模型,将各个分量样本数据导入对应建立好的预测模型中进行分量的预测,该预测模型利用自身参数优化和混沌映射方法改进了算法性能,提高算法全局搜索能力,采用高斯变异准则提高局部寻优能力,借助线性递减参数的跳出规则使算法跳出局部最值陷阱,组合方法大大改善了MVO算法的性能;最终将得到的各个预测分量进行叠加重构,便可得到最终的风速预测值,有效的提高了短期风速预测的精准度。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例BMVO算法基本流程图;
图3为本发明实施例BMVO-BP预测模型基本流程图;
图4为本发明实施例BP预测风速效果图;
图5为本发明实施例MVO-BP组合模型预测效果图;
图6为本发明实施例BMVO-BP组合模型预测效果图。
具体实施方式
下面结合附图对本发明进行进一步说明。下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
如图1所示,一种基于HHT-BMVO-BP的短期风速预测方法,针对目标区域,执行以下步骤,获得预设未来时间段内目标区域的预测风速:
步骤A:针对目标区域,基于预设时长采样间隔,获得该目标区域预设历史时间段内各采样时刻分别对应的风速数据,构成风速数据序列;本实施例中针对目标区域为目标风电场,本发明的目的在于克服现有短期风速预测技术的不足,因此对于风速的采集,在实施例中可以采集目标风电场当天的实测风速数据,并采用最近的数据去预测较短时间距离的未来数据,如用当天的风速数据预测第二天的风速数据,以解决短期风速预测度不够精准的难题。
步骤B:针对目标区域预设历史时间段内的风速数据序列,进行归一化处理,更新风速数据序列;
通过以下公式,对目标区域预设历史时间段内的风速数据序列,进行归一化处理:
Figure DEST_PATH_IMAGE063
式中,
Figure 644934DEST_PATH_IMAGE064
为目标区域预设历史时间段内的风速数据序列,
Figure DEST_PATH_IMAGE065
Figure 132547DEST_PATH_IMAGE066
分别是目 标区域预设历史时间段内的风速数据序列中的最小值和最大值,
Figure DEST_PATH_IMAGE067
是经过归一化处理后 的风速数据序列,也将作为本实施例的原始风速序列。
步骤C:基于目标区域预设历史时间段内的风速数据序列,针对风速数据序列中各 采样时刻风速数据分别进行HHT分解,即希尔伯特-黄变换分解,获得各采样时刻风速数据 分别对应的分量数据序列;得到一系列的从高频到低频的H分量和
Figure 732024DEST_PATH_IMAGE068
分量。
由于风速信号是一种非线性非平稳信号,而那些传统的数据信号处理方法,比如傅立叶变换,它只能处理线性非平稳的信号,小波变换虽然在理论上能处理非线性非平稳信号,然而在实际算法实现中处理非线性非平稳信号时的效果差强人意。也曾出现过许多信号处理方法,但是它们多少都受线性束缚或是平稳性束缚,无法完全意义上摆脱这一困境。HHT则彻底摆脱了线性和平稳性束缚,其适用于分析非线性非平稳信号。本文中用来分解原始风速序列,包括经验模态分解和希尔伯特变换两部分。
所述步骤C中,针对风速数据序列中各采样时刻分别对应的风速数据,执行以下步骤,获得各采样时刻风速数据分别对应的分量数据序列:
步骤C1:针对风速数据,经过经验模态分解后得到K个本征模态函数分量、以及1个剩余分量,经验模态分解后的结果如下所示:
Figure DEST_PATH_IMAGE069
式中,
Figure 228865DEST_PATH_IMAGE070
t时刻第k次筛选得到的本征模态函数分量,K为预设筛选次数,
Figure DEST_PATH_IMAGE071
为剩余分量。
每个本征模态函数分量满足下列两个限制:a.零点和极值点的数量差不超过1;b.任意时刻,局部最大值和局部最小值的包络线之间的均值为0。
步骤C2:针对风速数据经过经验模态分解后得到K个本征模态函数分量,通过希尔伯特变换计算每个本征模态函数分量对应的频率,进而获得该风速数据对应的各本征模态函数分量的频率顺序:
Figure 597398DEST_PATH_IMAGE072
其中,
Figure DEST_PATH_IMAGE073
Figure 990333DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE075
Figure 93419DEST_PATH_IMAGE076
Figure DEST_PATH_IMAGE077
式中,
Figure 112059DEST_PATH_IMAGE078
t时刻第k个本征模态函数分量对应的频率,
Figure DEST_PATH_IMAGE079
t时刻希尔伯 特变换的脉冲响应,
Figure 616990DEST_PATH_IMAGE080
t时刻该风速数据对应的第k个本征模态函数分量,即为
Figure DEST_PATH_IMAGE081
Figure 180826DEST_PATH_IMAGE082
为希尔伯特变换函数。
此可知,通过HHT变换可以将原始风速序列分解为从高频到低频的一系列频率不 同的H分量和
Figure 286054DEST_PATH_IMAGE068
分量,且将原始的随机性和波动性很大的风速序列分解为不同特征尺度下 的较为平稳的若干序列,对后续模型预测的准确性很有帮助。
步骤D:针对各采样时刻风速数据分别对应的分量数据序列,基于分量数据序列中各分量类型分别对应的以分量数据为输入、以距离该分量数据采样时刻预设时长间隔的未来时刻分量数据为输出的预训练预测模型,各分量数据分别通过其对应的预训练预测模型获得其对应的预测分量数据,进而获得在预设未来时间段内各采样时刻分别对应的预测分量数据序列。
对于HHT分解后得到的各个分量分别建立对应的BMVO-BP模型,即以分量数据为输 入、以距离该分量数据采样时刻预设时长间隔的未来时刻分量数据为输出的预训练预测模 型。将各个分量样本数据导入对应建立好的模型中进行对应分量的预测,得到各风速预测 子序列;即对于各采样时刻分量数据序列中,基于从高频到低频的一系列频率不同的H分量 和
Figure DEST_PATH_IMAGE083
分量,分量数据序列中各分量类型导入对应建立好的模型中进行预设时长间隔的未来 时刻分量数据的预测,进而得到未来时刻分量数据序列。所述BMVO算法是对多元宇宙算法 (MVO)的增强,主要思想为对自身参数优化,采用logistic混沌映射突破局部最值障碍,提 高全局探索能力,以及采用高斯变异提升局部搜索能力,再执行线性递减参数的跳出规则 跳出局部最值陷阱,实现对算法性能的大辐提升。
MVO算法主要根据多元宇宙理论的3个主要概念即白洞、黑洞和虫洞,来建立数学模型。算法中的可行解对应为宇宙,而解的适应度则对应该宇宙的膨胀率,然后在每一次迭代中,是通过膨胀率对宇宙进行排序,通过轮盘赌这个机制随机选定宇宙作为白洞,在宇宙间则通过黑、白洞进行物质交换。
算法基本内容如下:
所述步骤D中,针对各分量类型分别对应的预训练预测模型,在训练过程中均通过增强型的MVO算法对预测模型的待优化参数进行优化,具体过程如下:
步骤D1:将预测模型的待优化参数设置为宇宙个体,初始随机生成待优化参数构 成的宇宙种群UU
Figure 859118DEST_PATH_IMAGE084
的矩阵,n为宇宙个体数量,d为宇宙维度即为待优化参数数量;基 于各宇宙个体对应的适应度,获得适应度最高的宇宙个体作为当前宇宙种群中的最优宇宙u best
Figure DEST_PATH_IMAGE085
步骤D2:基于宇宙种群U、最优宇宙u best ,结合预设迭代次数L,迭代执行以下过程,迭代更新最优宇宙u best ,进而获得最优宇宙u best 作为优化后的待优化参数:
步骤D2.1:针对宇宙种群U,通过轮盘赌机制进行更新,并基于更新后各宇宙个体对应的适应度,更新最优宇宙u best
通过以下公式,对宇宙种群U通过轮盘赌机制进行更新:
Figure 952976DEST_PATH_IMAGE086
式中,
Figure DEST_PATH_IMAGE087
表示宇宙种群U中第i个宇宙个体,
Figure 202561DEST_PATH_IMAGE088
表示第i个宇宙个体经过归一 化后的膨胀率,即适应度;
Figure DEST_PATH_IMAGE089
为[0,1]中的随机数,
Figure 14659DEST_PATH_IMAGE090
表示宇宙种群U中第i个宇宙个体的第j维分量;
Figure DEST_PATH_IMAGE091
表示轮盘赌随机选定的宇宙种群U中第a个宇宙的第j维分量。
原MVO算法中,
Figure 640681DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE093
Figure 854625DEST_PATH_IMAGE094
MVO算法的进程大致是,开始于种群的初始化,这个过程随机,其优化过程是多个宇宙的不断迭代搜索,寻找问题最终的近似最优解。MVO主要是虫洞进行寻优不断穿越的过程,围绕最优宇宙旅行,TDR是此算法性能的关键参数,但MVO中它的变化幅度相对而言单一,无法同时达到精准与效率高的标准。由MVO的定义,TDR大时全局探索能力将提高,值较小时局部深度开发能力将提升。所以为同时满足迭代前期全局探索以较快的迭代趋势进行,迭代后期局部开发以较慢趋势进行的要求,BMVO将TDR更新,改进如下:
步骤D2.2:基于最优宇宙u best ,结合当前迭代次数和预设最大迭代次数L,更新宇宙种群U
所述步骤D2.2中,基于最优宇宙u best ,结合当前迭代次数l和预设最大迭代次数L,通过以下公式,更新宇宙种群U:为了把所优化参数的最大范围有效地找出,准备改进全局变量更新机制,当l>L/2时,使用改进后的新的变量更新机制:
Figure DEST_PATH_IMAGE095
其中,
Figure 25843DEST_PATH_IMAGE096
式中,
Figure DEST_PATH_IMAGE097
表示宇宙种群U中第i个宇宙个体的第j维分量,TDR为宇宙个体中的物质 在最优宇宙附近通过虫洞旅行的距离率;
Figure 308926DEST_PATH_IMAGE098
表示最优宇宙U best 的第j维分量,
Figure DEST_PATH_IMAGE099
是最 优宇宙第j维分量上界,
Figure 223792DEST_PATH_IMAGE100
是最优宇宙第j维分量下界;
Figure DEST_PATH_IMAGE101
均为[0,1]中的随机数,
Figure 541510DEST_PATH_IMAGE102
为当前最优宇宙的最大值,
Figure DEST_PATH_IMAGE103
为当前最优宇宙的最小值;WEP为宇宙中虫洞所占 比例,
Figure 883630DEST_PATH_IMAGE104
是参数WEP的上限,
Figure DEST_PATH_IMAGE105
为参数WEP的下限;取
Figure 670320DEST_PATH_IMAGE106
所谓改进的变量更新方法后主要有两个特点:一是搜索只在当前最佳解的最大值 和最小值附近展开;二是此新机制下,将不再依赖宇宙边界
Figure DEST_PATH_IMAGE107
Figure 372566DEST_PATH_IMAGE108
进行变量更新。在大量 数据处理以及预测问题时,算法优化速度提高,对参数的搜索尤其突出。
步骤D2.2之后,通过以下过程,对宇宙种群U进行更新,然后执行步骤D2.3:
为提升算法的全局搜索能力,采用logistic混沌映射。logistic混沌映射的基本思路是:首先,将算法的变量按照一定的映射机制先转化为混沌变量;接下来利用混沌变量的随机性、遍历性,还有对初始值的依赖性来执行优化过程,最后再将得到的最优结果线性转化至原始算法空间。所示过程如下:
步骤1:针对宇宙种群U,将宇宙种群U中各宇宙个体的各维度数据均转变成初始混 沌变量
Figure DEST_PATH_IMAGE109
,迭代执行以下步骤,对宇宙种群U进行更新:
步骤1.1:针对宇宙种群U中各宇宙个体的各维度数据对应的混沌变量
Figure 561102DEST_PATH_IMAGE110
,通过以下公式,线性转化为
Figure 339702DEST_PATH_IMAGE112
区间的映射变量
Figure DEST_PATH_IMAGE113
Figure 862956DEST_PATH_IMAGE114
式中,
Figure DEST_PATH_IMAGE115
为预设参数;
步骤1.3:针对宇宙种群U中各宇宙个体的各维度数据对应的
Figure 119625DEST_PATH_IMAGE116
,通过 以下公式,执行混沌搜索,获得新的各维度数据,进而获得新的宇宙种群:
Figure DEST_PATH_IMAGE117
式中,
Figure 162667DEST_PATH_IMAGE118
为搜索系数;
步骤1.4:针对新的宇宙种群与原宇宙种群中位置相对应的宇宙个体进行适应度的比较,保留适应度高的宇宙个体,更新宇宙种群U
步骤1.5:判断当前搜索次数m是否达到预设搜索次数M,若达到预设搜索次数M,则停止迭代,输出更新的宇宙种群U;若未达到预设搜索次数M,通过以下公式,更新宇宙种群U中各宇宙个体的各维度数据对应的混沌变量,搜索次数m=m+1,返回步骤1.1;
Figure DEST_PATH_IMAGE119
式中,
Figure 853715DEST_PATH_IMAGE120
为控制参数。
对每次迭代的宇宙个体位置执行高斯变异操作,由于高斯分布曲线的峰值在均值所在的位置,所以将重点搜索原宇宙个体附近的局部区域,以提升局部搜索能力,具体操作规则如下式:
步骤2:基于步骤1获得的宇宙种群U,通过以下公式,对宇宙种群U中各宇宙个体进行更新,进而对宇宙种群U进行更新;
Figure DEST_PATH_IMAGE121
式中,
Figure 614998DEST_PATH_IMAGE122
是高斯变异后的宇宙个体,
Figure DEST_PATH_IMAGE123
是原宇宙个体,G(0,1)是原宇宙个体服从 高斯分布的随机数,
Figure 924625DEST_PATH_IMAGE124
是变异权重,
Figure DEST_PATH_IMAGE125
为预设常数。
高斯分布的概率密度函数为:
Figure 556595DEST_PATH_IMAGE126
Figure DEST_PATH_IMAGE127
Figure 411419DEST_PATH_IMAGE128
此时,随机变量服从标准高斯分布,记为G(0,1)。
步骤D2.3:基于宇宙种群U,通过线性递减参数的跳出规则,更新宇宙种群U;并基于更新后宇宙种群U中各宇宙个体对应的适应度,更新最优宇宙u best
为了确保算法后期不陷入局部最值,采取线性递减参数的跳出规则,把宇宙个体的移动行为类比为一群搜索单元进行建模。具体表达式如下:
针对宇宙种群U中各宇宙个体,均迭代通过以下公式,直到各宇宙个体均搜索到适应度更优的宇宙个体,更新宇宙种群U
Figure DEST_PATH_IMAGE129
其中,
Figure 909265DEST_PATH_IMAGE130
Figure DEST_PATH_IMAGE131
Figure 507736DEST_PATH_IMAGE132
式中,
Figure DEST_PATH_IMAGE133
是第i个搜索单元位置,即为第i个宇宙个体的位置;
Figure 509059DEST_PATH_IMAGE134
变量是指搜索单元 之间的相互作用力对第i个搜索单元的影响力度;W是指宇宙集群外部影响因子;N为搜索单 元总数;c为搜索控制参数,ub为搜索空间的上界,lb为搜索空间的下界;s(r)是计算宇宙集 群之间相互影响因子的函数;f是指吸引力因子;v指吸引力长度;
Figure DEST_PATH_IMAGE135
是0到1间的 随机数,
Figure 800363DEST_PATH_IMAGE136
指新搜索到的
Figure DEST_PATH_IMAGE137
Figure 270659DEST_PATH_IMAGE138
表示第j个搜索单元产生的影响力,
Figure DEST_PATH_IMAGE139
表示第i个搜索单元 产生的影响力,r表示影响因子系数。
步骤D2.4:判断当前迭代次数l是否达到预设最大迭代次数L,若未达到最大迭代次数,迭代次数l=l+1,返回步骤D2.1;若达到最大迭代次数,迭代结束。
步骤E:基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,进行叠加重构,进而获得预设未来时间段内目标区域的预测风速。
所述步骤E中,基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,分别针对各采样时刻分别对应的预测分量进行叠加,获得各采样时刻分别对应的预测风速;进而针对在预设未来时间段内各采样时刻分别对应的预测风速,取其平均值,作为预设未来时间段内目标区域的预测风速。
如图2所示,本实施例中,BMVO算法基本流程如下:
Step1:定义各参数及变量,包括d,n,WEP,L,TDR,
Figure 656510DEST_PATH_IMAGE140
Figure DEST_PATH_IMAGE141
等;
Step2:初始化多元宇宙种群U以及宇宙膨胀率即适应度;
Step3:计算每个解的适应度,这个可行解是对应宇宙个体,解的适应度对应该宇宙个体的膨胀率,在每一次迭代中,通过膨胀率来对宇宙进行排序,确定当前最优宇宙;
Step4:执行轮盘赌机制,各宇宙通过与最优宇宙交换物质提高膨胀率;
Step5:更新WEP、TDR以及最优宇宙,然后执行logistic混沌映射;
Step6:执行宇宙个体位置更新,执行高斯变异准则,最后执行线性递减参数的跳出规则,并更新最优宇宙;
Step7:判断是否满足最大迭代次数,是则终止循环,输出最优宇宙;反之,则迭代次数加1,跳转至4继续循环。
BP神经网络是一种多层前馈网络,一般大于3层,它按照误差逆传播进行算法训练,网络拓扑结构由输入层、隐含层和输出层组成。对于这种算法,不用知道输入输出间的映射关系,自适应性和组织能力很强。其缺点是收敛速度慢、全局搜索能力差以及容易陷入局部极值。BMVO算法是一种增强型的MVO算法,从它的优化原理上可知,该算法具有优良的全局搜索性能的特点。利用BMVO算法优化BP可有效减少陷入局部最优的陷阱,提高全局搜索能力,增强鲁棒性,在预测非线性及波动性的风速序列中优势明显,预测精度也大大提高。
结合图3所示,BMVO-BP预测模型主要流程如下:
Step1:初始化BP神经网络,设置输入层、隐含层和输出层的节点数,网络权值和阈值长度。
Step2:设定各参数及相关变量,初始化多元宇宙种群以及宇宙膨胀率等算法相关参数,设置最大迭代次数作为网络训练结束的条件。BP神经网络的权值和阈值统一编码到个体宇宙中,每个宇宙个体代表一个BP神经网络结构。
Step3:计算各宇宙个体适应度值,算法中可行解对应宇宙,解的适应度对应该宇宙个体的膨胀率,在每一次迭代中,根据膨胀率对宇宙进行排序,确定当前最优宇宙。
Step4:根据轮盘赌机制随机选定一个宇宙作为白洞,宇宙间通过黑、白洞进行物质交换。宇宙之间通过虫洞随机传送物质以保证种群多样性,同时都与最优宇宙交换物质以提高膨胀率。
Step5:更新WEP,TDR以及最优宇宙,然后执行logistic混沌映射;
Step6:执行宇宙个体位置更新,执行高斯变异准则,再执行线性递减参数的跳出规则,并更新最优宇宙;
Step7:判断是否最大迭代次数,是,终止循环,输出最优宇宙,即为最优BP神经网络权值与阈值个体元素,反之,则迭代次数加1,跳转至Step4继续循环;
Step8:将最优值的宇宙个体解码,作为BP神经网络的初始权值和初始阈值进行训练,完成BP神经网络的建模;
Step9:将HHT分解后得到的一系列高频、低频分量数据导入模型中,分别得到预测的各风速子序列。
Step10:将组合模型中预测的不同频率的各风速子序列进行叠加重构,得到最终的风速预测值。
没有经过算法模型优化预测前的BP单独预测效果如图4所示,采用MVO-BP组合模型预测效果如图5所示,对MVO算法进行大幅改进后得到了BMVO算法,BMVO-BP组合模型预测效果如图6所示;由此可得,本方案有效的提高了短期风速预测的精准度。
本发明设计了一种基于HHT-BMVO-BP的短期风速预测方法,用HHT分解法将风速序列分解为频率不同的若干个平稳分量,有效降低了风速序列的非平稳性;并且针对HHT分解后得到的各个分量类型分别建立对应的预测模型,将各个分量样本数据导入对应建立好的预测模型中进行分量的预测,该预测模型利用自身参数优化和混沌映射方法改进了算法性能,提高算法全局搜索能力,采用高斯变异准则提高局部寻优能力,借助线性递减参数的跳出规则使算法跳出局部最值陷阱,组合方法大大改善了MVO算法的性能;最终将得到的各个预测分量进行叠加重构,便可得到最终的风速预测值,有效的提高了短期风速预测的精准度。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。

Claims (10)

1.一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:针对目标区域,执行以下步骤,获得预设未来时间段内目标区域的预测风速:
步骤A:针对目标区域,基于预设时长采样间隔,获得该目标区域预设历史时间段内各采样时刻分别对应的风速数据,构成风速数据序列;
步骤B:针对目标区域预设历史时间段内的风速数据序列,进行归一化处理,更新风速数据序列;
步骤C:基于目标区域预设历史时间段内的风速数据序列,针对风速数据序列中各采样时刻风速数据分别进行HHT分解,获得各采样时刻风速数据分别对应的分量数据序列;
步骤D:针对各采样时刻风速数据分别对应的分量数据序列,基于分量数据序列中各分量类型分别对应的以分量数据为输入、以距离该分量数据采样时刻预设时长间隔的未来时刻分量数据为输出的预训练预测模型,各分量数据分别通过其对应的预训练预测模型获得其对应的预测分量数据,进而获得在预设未来时间段内各采样时刻分别对应的预测分量数据序列;
步骤E:基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,进行叠加重构,进而获得预设未来时间段内目标区域的预测风速。
2.根据权利要求1所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤B中,通过以下公式,对目标区域预设历史时间段内的风速数据序列,进行归一化处理:
Figure DEST_PATH_IMAGE001
式中,
Figure 770927DEST_PATH_IMAGE002
为目标区域预设历史时间段内的风速数据序列,
Figure DEST_PATH_IMAGE003
Figure 19506DEST_PATH_IMAGE004
分别是目标区 域预设历史时间段内的风速数据序列中的最小值和最大值,
Figure DEST_PATH_IMAGE005
是经过归一化处理后的风 速数据序列。
3.根据权利要求1所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤C中,针对风速数据序列中各采样时刻分别对应的风速数据,执行以下步骤,获得各采样时刻风速数据分别对应的分量数据序列:
步骤C1:针对风速数据,经过经验模态分解后得到K个本征模态函数分量、以及1个剩余分量,经验模态分解后的结果如下所示:
Figure 8190DEST_PATH_IMAGE006
式中,
Figure DEST_PATH_IMAGE007
t时刻第k次筛选得到的本征模态函数分量,K为预设筛选次数,
Figure 291404DEST_PATH_IMAGE008
为剩余分量;
步骤C2:针对风速数据经过经验模态分解后得到K个本征模态函数分量,通过希尔伯特变换计算每个本征模态函数分量对应的频率,进而获得该风速数据对应的各本征模态函数分量的频率顺序:
Figure DEST_PATH_IMAGE009
其中,
Figure 910604DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure 771113DEST_PATH_IMAGE012
式中,
Figure DEST_PATH_IMAGE013
t时刻第k个本征模态函数分量对应的频率,
Figure 438855DEST_PATH_IMAGE014
t时刻希尔伯特变换 的脉冲响应,
Figure DEST_PATH_IMAGE015
t时刻该风速数据对应的第k个本征模态函数分量,即为
Figure 701209DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
为希尔伯特变换函数。
4.根据权利要求3所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤C1中,每个本征模态函数分量满足下列两个限制:
a.零点和极值点的数量差不超过1;
b.任意时刻,局部最大值和局部最小值的包络线之间的均值为0。
5.根据权利要求1所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤D中,针对各分量类型分别对应的预训练预测模型,在训练过程中均通过增强型的MVO算法对预测模型的待优化参数进行优化,具体过程如下:
步骤D1:将预测模型的待优化参数设置为宇宙个体,初始随机生成待优化参数构成的 宇宙种群UU
Figure 428993DEST_PATH_IMAGE018
的矩阵,n为宇宙个体数量,d为宇宙维度即为待优化参数数量;基于各 宇宙个体对应的适应度,获得适应度最高的宇宙个体作为当前宇宙种群中的最优宇宙u best
步骤D2:基于宇宙种群U、最优宇宙u best ,结合预设迭代次数L,迭代执行以下过程,迭代更新最优宇宙u best ,进而获得最优宇宙u best 作为优化后的待优化参数:
步骤D2.1:针对宇宙种群U,通过轮盘赌机制进行更新,并基于更新后各宇宙个体对应的适应度,更新最优宇宙u best
步骤D2.2:基于最优宇宙u best ,结合当前迭代次数和预设最大迭代次数L,更新宇宙种群U
步骤D2.3:基于宇宙种群U,通过线性递减参数的跳出规则,更新宇宙种群U;并基于更新后宇宙种群U中各宇宙个体对应的适应度,更新最优宇宙u best
步骤D2.4:判断当前迭代次数l是否达到预设最大迭代次数L,若未达到最大迭代次数,迭代次数l=l+1,返回步骤D2.1;若达到最大迭代次数,迭代结束,输出最优宇宙u best
6.根据权利要求5所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤D2.1中,通过以下公式,对宇宙种群U通过轮盘赌机制进行更新:
Figure DEST_PATH_IMAGE019
式中,
Figure 779728DEST_PATH_IMAGE020
表示宇宙种群U中第i个宇宙个体,
Figure DEST_PATH_IMAGE021
表示第i个宇宙个体经过归一化后 的膨胀率,即适应度;
Figure 985581DEST_PATH_IMAGE022
为[0,1]中的随机数,
Figure DEST_PATH_IMAGE023
表示宇宙种群U中第i个宇宙个体的第j维 分量;
Figure 102442DEST_PATH_IMAGE024
表示轮盘赌随机选定的宇宙种群U中第a个宇宙的第j维分量。
7.根据权利要求5所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤D2.2中,基于最优宇宙u best ,结合当前迭代次数l和预设最大迭代次数L,通过以下公式,更新宇宙种群U
Figure DEST_PATH_IMAGE025
其中,
Figure 329024DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
式中,
Figure 39491DEST_PATH_IMAGE028
表示宇宙种群U中第i个宇宙个体的第j维分量,TDR为宇宙个体中的物质在最 优宇宙附近通过虫洞旅行的距离率;
Figure DEST_PATH_IMAGE029
表示最优宇宙U best 的第j维分量,
Figure 908090DEST_PATH_IMAGE030
是最优宇 宙第j维分量上界,
Figure DEST_PATH_IMAGE031
是最优宇宙第j维分量下界;
Figure 285981DEST_PATH_IMAGE032
均为[0,1]中的随机数,
Figure DEST_PATH_IMAGE033
为当前最优宇宙的最大值,
Figure 214623DEST_PATH_IMAGE034
为当前最优宇宙的最小值;WEP为宇宙中虫洞所占 比例,
Figure DEST_PATH_IMAGE035
是参数WEP的上限,
Figure 412386DEST_PATH_IMAGE036
为参数WEP的下限。
8.根据权利要求5所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤D2还包括步骤D2.2之后,通过以下过程,对宇宙种群U进行更新,然后执行步骤D2.3:
步骤1:针对宇宙种群U,将宇宙种群U中各宇宙个体的各维度数据均转变成初始混沌变 量
Figure DEST_PATH_IMAGE037
,迭代执行以下步骤,对宇宙种群U进行更新:
步骤1.1:针对宇宙种群U中各宇宙个体的各维度数据对应的混沌变量
Figure 84676DEST_PATH_IMAGE038
, 通过以下公式,线性转化为
Figure DEST_PATH_IMAGE039
区间的映射变量
Figure 379391DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE041
式中,
Figure 619880DEST_PATH_IMAGE042
为预设参数;
步骤1.3:针对宇宙种群U中各宇宙个体的各维度数据对应的
Figure DEST_PATH_IMAGE043
,通过以下 公式,执行混沌搜索,获得新的各维度数据,进而获得新的宇宙种群:
Figure 163993DEST_PATH_IMAGE044
式中,
Figure DEST_PATH_IMAGE045
为搜索系数;
步骤1.4:针对新的宇宙种群与原宇宙种群中位置相对应的宇宙个体进行适应度的比较,保留适应度高的宇宙个体,更新宇宙种群U
步骤1.5:判断当前搜索次数m是否达到预设搜索次数M,若达到预设搜索次数M,则停止迭代,输出更新的宇宙种群U;若未达到预设搜索次数M,通过以下公式,更新宇宙种群U中各宇宙个体的各维度数据对应的混沌变量,搜索次数m=m+1,返回步骤1.1;
Figure 515340DEST_PATH_IMAGE046
式中,
Figure DEST_PATH_IMAGE047
为控制参数;
步骤2:基于步骤1获得的宇宙种群U,通过以下公式,对宇宙种群U中各宇宙个体进行更新,进而对宇宙种群U进行更新;
Figure 741527DEST_PATH_IMAGE048
式中,
Figure DEST_PATH_IMAGE049
是高斯变异后的宇宙个体,
Figure 152917DEST_PATH_IMAGE050
是原宇宙个体,G(0,1)是原宇宙个体服从高斯 分布的随机数,
Figure DEST_PATH_IMAGE051
是变异权重,
Figure 184327DEST_PATH_IMAGE052
为预设常数。
9.根据权利要求5所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤D2.3中,针对宇宙种群U中各宇宙个体,均迭代通过以下公式,直到各宇宙个体均搜索到适应度更优的宇宙个体,更新宇宙种群U
Figure DEST_PATH_IMAGE053
其中,
Figure 73786DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE055
Figure 139831DEST_PATH_IMAGE056
式中,
Figure DEST_PATH_IMAGE057
是第i个搜索单元位置,即为第i个宇宙个体的位置;
Figure 50018DEST_PATH_IMAGE058
变量是指搜索单元之 间的相互作用力对第i个搜索单元的影响力度;W是指宇宙集群外部影响因子;N为搜索单元 总数;c为搜索控制参数,ub为搜索空间的上界,lb为搜索空间的下界;s(r)是计算宇宙集群 之间相互影响因子的函数;f是指吸引力因子;v指吸引力长度;
Figure DEST_PATH_IMAGE059
是0到1间的随机 数,
Figure 444090DEST_PATH_IMAGE060
指新搜索到的
Figure 933977DEST_PATH_IMAGE057
Figure DEST_PATH_IMAGE061
表示第j个搜索单元产生的影响力,
Figure 588949DEST_PATH_IMAGE062
表示第i个搜索单元产 生的影响力,r表示影响因子系数。
10.根据权利要求1所述一种基于HHT-BMVO-BP的短期风速预测方法,其特征在于:所述步骤E中,基于在预设未来时间段内各采样时刻分别对应的预测分量数据序列,分别针对各采样时刻分别对应的预测分量进行叠加,获得各采样时刻分别对应的预测风速;进而针对在预设未来时间段内各采样时刻分别对应的预测风速,取其平均值,作为预设未来时间段内目标区域的预测风速。
CN202210840119.4A 2022-07-18 2022-07-18 一种基于hht-bmvo-bp的短期风速预测方法 Active CN114912723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210840119.4A CN114912723B (zh) 2022-07-18 2022-07-18 一种基于hht-bmvo-bp的短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210840119.4A CN114912723B (zh) 2022-07-18 2022-07-18 一种基于hht-bmvo-bp的短期风速预测方法

Publications (2)

Publication Number Publication Date
CN114912723A true CN114912723A (zh) 2022-08-16
CN114912723B CN114912723B (zh) 2022-10-04

Family

ID=82772740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210840119.4A Active CN114912723B (zh) 2022-07-18 2022-07-18 一种基于hht-bmvo-bp的短期风速预测方法

Country Status (1)

Country Link
CN (1) CN114912723B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118000A (zh) * 2018-08-07 2019-01-01 广东工业大学 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法
CN110555515A (zh) * 2019-08-22 2019-12-10 南京信大气象科学技术研究院有限公司 一种基于eemd和lstm的短期风速预测方法
CN110991721A (zh) * 2019-11-26 2020-04-10 国网山东省电力公司电力科学研究院 基于改进经验模态分解和支持向量机的短期风速预测方法
CN111506868A (zh) * 2020-04-07 2020-08-07 河海大学 一种基于hht权值优化的超短期风速预测方法
CN114626573A (zh) * 2022-01-27 2022-06-14 华南理工大学 基于改进多元宇宙算法优化极限学习机的负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118000A (zh) * 2018-08-07 2019-01-01 广东工业大学 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法
CN110555515A (zh) * 2019-08-22 2019-12-10 南京信大气象科学技术研究院有限公司 一种基于eemd和lstm的短期风速预测方法
CN110991721A (zh) * 2019-11-26 2020-04-10 国网山东省电力公司电力科学研究院 基于改进经验模态分解和支持向量机的短期风速预测方法
CN111506868A (zh) * 2020-04-07 2020-08-07 河海大学 一种基于hht权值优化的超短期风速预测方法
CN114626573A (zh) * 2022-01-27 2022-06-14 华南理工大学 基于改进多元宇宙算法优化极限学习机的负荷预测方法

Also Published As

Publication number Publication date
CN114912723B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Duan et al. Short-term wind speed forecasting using recurrent neural networks with error correction
Qu et al. Multi-step wind speed forecasting based on a hybrid decomposition technique and an improved back-propagation neural network
Luo et al. Design of a combined wind speed forecasting system based on decomposition-ensemble and multi-objective optimization approach
CN108448610B (zh) 一种基于深度学习的短期风功率预测方法
Gensler et al. Deep Learning for solar power forecasting—An approach using AutoEncoder and LSTM Neural Networks
CN108053061B (zh) 一种基于改进卷积神经网络的太阳能辐照度预测方法
Zhang et al. Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution
Duan et al. A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error
CN109214575A (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN108091135A (zh) 基于优化小波神经网络的停车泊位多步预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
Wang et al. A novel wind speed forecasting method based on ensemble empirical mode decomposition and GA-BP neural network
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
Araya et al. A Multi-Scale Model based on the Long Short-Term Memory for day ahead hourly wind speed forecasting
CN105426989A (zh) 基于eemd和组合核rvm的光伏功率短期预测方法
Zu et al. Short-term wind power prediction method based on wavelet packet decomposition and improved GRU
Eze et al. Enhanced recurrent neural network for short-term wind farm power output prediction
Wang et al. Ultra-short-term wind power forecasting based on deep belief network
Zhang et al. A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
Wang et al. A wind speed prediction method based on improved empirical mode decomposition and support vector machine
CN114912723B (zh) 一种基于hht-bmvo-bp的短期风速预测方法
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法

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