基于人工蜂群优化LSSVM的脉动风速预测方法

摘要

本发明提供一种基于人工蜂群优化LSSVM的脉动风速预测方法，其包括以下步骤：首先用ARMA数值模拟法模拟生成垂直空间点的脉动风速时程样本，并将空间点的脉动风速时程样本分为训练集、测试集两部分，分别对其进行归一化处理；建立最小二乘支持向量机脉动风速预测模型，采用人工蜂群算法寻找最优的LSSVM模型参数组合使得模型预测误差最小。并采用均方根误差、相关系数以及收敛次数作为评价指标，并与最小二乘支持向量机和粒子群优化的最小二乘支持向量机（PSO-LSSVM）数据驱动技术的结果进行比较。

主权项

一种基于人工蜂群优化LSSVM的脉动风速预测方法，其特征在于，其包括以下步骤：第一步：通过ARMA法数值模拟出脉动风速时程样本，作为原始脉动风速样本数据，将某一个空间点的脉动风速时程样本分为训练集、测试集两部分，设置风速时间序列数据预测的嵌入维数m，分别对训练集、测试集进行归一化处理；第二步：建立LSSVM回归预测模型，选择RBF函数作为LSSVM的核函数，运用Matlab软件运行LSSVM模型程序，对训练集进行学习；第三步：将人工蜂群算法引入LSSVM回归预测模型中，设置LSSVM预测模型核函数参数σ和正则化参数γ的范围σ∈[σ_min,σ_max]和γ∈[γ_min,γ_max]、蜜源个数、最大循环次数、放弃阈值；第四步：随机产生初始解集x_ij，以预测风速与目标风速的均方根误差作为人工蜂群算法的适应度，并计算各个初始解x_ij的适应度；第五步：引领蜂在初始解邻域搜索产生新解v_ij，根据贪心选择原则，即若v_ij的适应度大于x_ij的适应度，则x_ij＝v_ij，否则保持x_ij不变；第六步：计算所有x_ij的适应度，并计算概率值P_i；第七步：跟随蜂根据计算概率值P_i选择蜜源，然后在所选择的蜜源进行邻域搜索产生新解v_ij，计算适应度，再次根据贪心选择原则，若v_ij的适应度大于x_ij的适应度，则x_ij＝v_ij，否则保持x_ij不变；第八步：经过Limit次循环后，判断是否有要丢掉的解，若存在，则由侦察蜂产生一个新解x_ij代替它；并存储到目前为止找到的最好的解；第九步：若当前迭代次数大于最大次数MCN，则停止迭代；否则转到第四步，Cycle＝Cycle+1；第十步：输出最优参数组合，并建立LSSVM预测模型，预测出其它时间序列的风速数据。