基于人工蜂群優(yōu)化lssvm的脈動風(fēng)速預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于數(shù)據(jù)驅(qū)動的脈動風(fēng)速預(yù)測方法，具體的說是一種基于人工蜂 群優(yōu)化LSSVMiXeast Squares Su卵ort Vector Machine,最小二乘支持向量機(jī)）的脈動風(fēng) 速預(yù)測方法。
【背景技術(shù)】
[0002] 對支持向量機(jī)（Suppo;rt Vector Machine,SVM)是基于VC維和結(jié)構(gòu)風(fēng)險最小化原 理基礎(chǔ)上發(fā)展而來的基于數(shù)據(jù)的機(jī)器學(xué)習(xí)算法，具有小樣本、非線性、高維度，預(yù)測精度高 的特點。SVM在處理函數(shù)逼近或者預(yù)測問題時，把問題用一個凸優(yōu)化問題來描述，基于 Mercer定理，通過非線性映射遂批怒'(紙詩：)，將輸入樣本點從輸入空間非線性地映 射到高維特征空間，然后選擇損失函數(shù)，在高維特征空間中求解該損失函數(shù)的最小化值，在 特征空間中可W應(yīng)用線性學(xué)習(xí)機(jī)的方法解決樣本空間中的高度非線性回歸問題。
[0003] 隨著對支持向量機(jī)研究的深入，支持向量機(jī)存在著訓(xùn)練算法速度慢、算法復(fù)雜而 難W實現(xiàn)等問題，尤其是在非線性支持向量機(jī)中，隨著拉格朗日算子、核函數(shù)等因素的引 入，使得其計算過程更加復(fù)雜，造成運些的主要原因是二次型優(yōu)化技術(shù)解決對偶問題時可 能存在訓(xùn)練速度慢的問題。因為在尋優(yōu)過程中，存在著大量的矩陣計算，占用了算法的大部 分時間。
[0004] 最小二乘支持向量機(jī)化east Squares S叩port Vector Machine，LSSVM)是 Su巧ensj. A. k提出的一種新型SVM，引入了最小二乘的思想，LSSVM在目標(biāo)函數(shù)中采用平方 和誤差損失函數(shù)代替?zhèn)鹘y(tǒng)SVM中的不敏感損失函數(shù)，用等式約束代替SVM中的不等式約束， 使標(biāo)準(zhǔn)SVM求解二次規(guī)劃問題轉(zhuǎn)化為求解一組線性關(guān)系式，LSSVM的優(yōu)化函數(shù)只需解線性等 式方程組，計算量小，最重要的是避免了 SVM中懲罰因子C的選擇問題，從而極大的簡化了問 題，提高了學(xué)習(xí)速率。
[000引 LSSVM性能的好壞在很大程度上取決于所選的核函數(shù)參數(shù)。RBF核函數(shù)有著極高的 性能，因此本項發(fā)明選擇的是RBF核函數(shù)，而基于R邸核函數(shù)的LSSVM的參數(shù)主要設(shè)及到核參 數(shù)σ和正則化參數(shù)丫，運兩個參數(shù)選擇直接影響到LSSVM的性能。傳統(tǒng)的粒子群(Particle Swarm Optimization，PS0)算法、遺傳算法（Genetic Algorithm，GA) W及人工神經(jīng)網(wǎng)絡(luò) (Artifical化ural化twork，ANN)算法等智能提取LSSVM參數(shù)組合（丫，日）的優(yōu)化算法都存 在容易陷入局部最優(yōu)、收斂速度慢、耗時等缺點，而人工蜂群算法(Artificial Colony Bee, ABC)是基于蜜蜂群體的覓食行為而提出的一種新的優(yōu)化算法，具有收斂速度快、精度 高、實用、可靠、等優(yōu)點。為了提高LSSVM的性能，引入人工蜂群算法，運用基于人工蜂群智能 優(yōu)化算法對LSSVM的核函數(shù)進(jìn)行參數(shù)優(yōu)化選擇，W提高LSSVM模型的性能。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種基于人工蜂群優(yōu)化LSSVM的脈動風(fēng)速預(yù)測方法，解決 LSSVM的預(yù)測精度不高，收斂速度慢等問題。通過ARMA法數(shù)值模擬獲得脈動風(fēng)速時程樣本， 作為原始脈動風(fēng)速樣本數(shù)據(jù)。將樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用LSSVM數(shù)據(jù)驅(qū)動技 術(shù)，對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，利用ABC優(yōu)化算法智能提取LSSVM的最優(yōu)參數(shù)組合（丫，0)，并建立 預(yù)測模型，預(yù)測出其它時間序列脈動風(fēng)速。
[0007] 根據(jù)上述發(fā)明構(gòu)思，本發(fā)明采用下述技術(shù)方案:一種基于人工蜂群優(yōu)化LSSVM的脈 動風(fēng)速預(yù)測方法，其特征在于，其包括W下步驟：
[0008] 第一步:通過ARMA法數(shù)值模擬出脈動風(fēng)速時程樣本，作為原始脈動風(fēng)速樣本數(shù)據(jù)， 將某一個空間點的脈動風(fēng)速時程樣本分為訓(xùn)練集、測試集兩部分，設(shè)置風(fēng)速時間序列數(shù)據(jù) 預(yù)測的嵌入維數(shù)m，分別對訓(xùn)練集、測試集進(jìn)行歸一化處理；
[0009] 第二步：建立LSSVM回歸預(yù)測模型，選擇RBF函數(shù)作為LSSVM的核函數(shù)，運用Matlab 軟件運行LSSVM模型程序，對訓(xùn)練集進(jìn)行學(xué)習(xí)；
[0010] 第Ξ步:將人工蜂群算法引入LSSVM回歸預(yù)測模型中，設(shè)置LSSVM預(yù)測模型核函數(shù) 參數(shù)日和正則化參數(shù)丫的范圍〇E[0min，0max巧日丫 E[丫 min, 丫 max]、蜜源個數(shù)SN、最大循環(huán)次 數(shù)MCN、放棄闊值Limit;
[0011] 第四步：隨機(jī)產(chǎn)生初始解集XU，W預(yù)測風(fēng)速與目標(biāo)風(fēng)速的均方根誤差作為人工蜂 群算法的適應(yīng)度，并計算各個初始解XU的適應(yīng)度；
[001引第五步：引領(lǐng)蜂在初始解鄰域捜索產(chǎn)生新解VU，根據(jù)貪屯、選擇原則，即若VU的適 應(yīng)度大于義^的適應(yīng)度，則XU = Vij，否則保持XU不變；
[0013] 第六步:計算所有XU的適應(yīng)度，并計算概率值Pi;
[0014] 第屯步:跟隨蜂根據(jù)計算概率值Pi選擇蜜源，然后在所選擇的蜜源進(jìn)行鄰域捜索 產(chǎn)生新解VU，計算適應(yīng)度，再次根據(jù)貪屯、選擇原則，若VU的適應(yīng)度大于XU的適應(yīng)度，則Xij = Vij，否則保持Xij不變；
[0015] 第八步:經(jīng)過Limit次循環(huán)后，判斷是否有要丟掉的解，若存在，則由偵察蜂產(chǎn)生一 個新解XU代替它;并存儲到目前為止找到的最好的解；
[0016] 第九步:若當(dāng)前迭代次數(shù)大于最大次數(shù)MCN，則停止迭代；否則轉(zhuǎn)到第四步，切cle = Cycle+l;
[0017] 第十步:輸出最優(yōu)參數(shù)組合（γ，〇)，并建立LSSVM預(yù)測模型，預(yù)測出其它時間序列 的風(fēng)速數(shù)據(jù)。
[0018] 優(yōu)選地，所述第一步中ARMA法的公式如下：
[0019]
[0020] 式中:U (t)為脈動風(fēng)速;Ai、Bj分別是Μ X Μ階AR和MA模型的系數(shù)矩陣;X (t)為Μ X 1階 正態(tài)分布白噪聲序列;Ρ為自回歸階數(shù)、q為滑動回歸解數(shù);相關(guān)函數(shù)由功率譜通過維納一辛 欽公式下式算出：
[0021]
[0022] 通過對ARMA模型公式的矩陣變換，分別求解自回歸系數(shù)Ai和滑動回歸系數(shù)Bi，建立 脈動風(fēng)速表達(dá)式；
[0023] 歸一化處理公式為：
[0024]
[002引式中，Xmin是X的最小值，Xmax是X的最大值，利用此式把X的范圍整到[0，1]。
[0026] 3、根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動風(fēng)速預(yù)測方法，其特征在 于，所述第二步LSSVM回歸預(yù)測模型選擇的核函數(shù)為高斯核函數(shù)，RBF核函數(shù)的表達(dá)式為：
[0027]
[0028] 式中，xi、xj為訓(xùn)練樣本第i，j個元素；γ為RBF核函數(shù)參數(shù)。
[0029] 優(yōu)選地，所述第四步隨機(jī)產(chǎn)生初始解集XU及第八步中產(chǎn)生新解的公式如下：
[0030]
[0031] 其中j e {1，2，……D}為D維可行解的某個分量。
[0032] 優(yōu)選地，所述第五步引領(lǐng)蜂在初始解鄰域捜索產(chǎn)生新解VU的公式如下：
[0033]
[0034] 其中je{l，2,……D}，ke{l，2,……SN}，k為隨機(jī)生成且k辛i，絞紋為[-1,1]之間的 隨機(jī)數(shù)。
[0035] 優(yōu)選地，所述第六步適應(yīng)度及概率值的計算公式如下：
[0038] fiti是第i個可行解的適應(yīng)度，對應(yīng)食物源的豐富程度;fi對應(yīng)目標(biāo)函數(shù)值。
[0039] 與現(xiàn)有的技術(shù)相比，本發(fā)明具有W下顯著的優(yōu)點:傳統(tǒng)的SVM較好的解決了 W往學(xué) 習(xí)方法中存在的小樣本、非線性、過學(xué)習(xí)、高維數(shù)、局部極小值等問題，運使它在解決模式識 別和函數(shù)估計問題中表現(xiàn)出了極佳的性能。但標(biāo)準(zhǔn)的SVM訓(xùn)練復(fù)雜度高，而且要求解一個帶 約束的二次規(guī)劃問題，并且樣本數(shù)據(jù)越大，求解二次規(guī)劃問題越復(fù)雜，訓(xùn)練的時間越長。 LSSVM是在標(biāo)準(zhǔn)SVM的基礎(chǔ)上發(fā)展而來的，它用二次損失函數(shù)取代SVM中的不敏感損失函數(shù)， 將不等式約束變?yōu)榈仁郊s束，避免了求解二次規(guī)劃問題，提高了訓(xùn)練速度。正則化參數(shù)γ和 RBF函數(shù)的核寬度σ直接影響LSSVM的學(xué)習(xí)和泛化能力，因此對其參數(shù)選擇很重要。傳統(tǒng)的對 LSSVM參數(shù)提取的方法有網(wǎng)格捜索法，交叉驗證法，基于PS0 (粒子群算法）的參數(shù)選擇法，基 于GA(遺傳算法)的參數(shù)選擇方法，但運些算法費時又費力，