基于改進AFSA優化ELM的短期風電功率預測方法技術

本發明專利技術公開了一種基于改進AFSA優化ELM的短期風電功率預測方法，包括以下步驟，隨機產生人工魚初始群體，將極限學習機網絡的權值和閾值作為人工魚群的位置向量，由極限學習機的均方根誤差函數確定人工魚群的食物濃度，由改進人工魚群方法求得最優位置向量，并將次位置向量作為極限學習機網絡的初始權值和閾值，在用于短期風電功率的預測。本發明專利技術在短期風電功率預測中具有收斂速度快，泛化能力強，預測精度高的特點，具有良好的應用前景。

【技術實現步驟摘要】
基于改進AFSA優化ELM的短期風電功率預測方法
本專利技術涉及短期風電功率預測
，具體涉及一種基于改進AFSA優化ELM的短期風電功率預測方法。
技術介紹
隨著全球氣候變暖和石油、天然氣等不可再生資源的枯竭，對于清潔、可再生能源的開發和利用日益受到世界各國的高度重視。國外從20世紀90年代初，就開始了短期風電功率預測方法的研究，由于風電功率預測起步較晚，在預測精度、可靠性和對不同風場的適應性方面仍然有許多不足。極限學習機ELM是單隱含層前饋神經網絡SLFN中的一種新的學習方法，訓練過程無需調整，設置隱含層的個數就可以獲得最優解，ELM以其泛化能力強、訓練速度快且將批處理和逐次迭代相結合等優點成為研究的熱點。但是，ELM算法存在學習速度緩慢，計算時間代價增大，容易陷入局部最小值；若過度訓練容易引起繁華能力下降等缺陷。因此，尋求更高效的優化算法是提高神經網絡預測精度的關鍵步驟之一。人工魚群算法(ArtificialFishSwarmAlgorithm,AFSA)，在算法后期搜索盲目性大，收斂速度較慢，通過改進步長、視野可以克服以上問題的存在。如何對AFSA算法進行改進，用來優化ELM的權值和閾值，以便提高ELM短期風功率預測的精度，是當前急需解決的問題。
技術實現思路
本專利技術的目的是克服現有技術中根據ELM進行短期風功率預測，預測精度低，計算時間代價增大，容易陷入局部最小值的問題。本專利技術的基于改進AFSA優化ELM的短期風電功率預測方法，運用改進的魚群算法優化極限學習機的權值和閾值，并用改進人工魚群優化極限學習機進行短期風電功率預測，具有收斂速度快，泛化能力強，預測精度高的特點，更適合短期風電功率預測，具有良好的應用前景。為了達到上述目的，本專利技術所采用的技術方案是：一種基于改進AFSA優化ELM的短期風電功率預測方法，其特征在于：包括以下步驟，步驟(A)，確定極限學習機網絡的輸入向量和輸出向量：采用單一風速作為限學習機網絡的輸入向量，輸入向量為I＝[I1,I2,…,IM]，輸出向量為y＝F(I)，其中，I為風速、M為輸入的風速個數；步驟(B)，定義人工魚群的食物濃度：將極限學習機網絡的均方根誤差函數的倒數作為人工魚群的食物濃度；步驟(C)，初始化人工魚群：選取N條人工魚構成人工魚群，其中每個人工魚都是D維向量，包括代表極限學習機網絡的輸入權值ωij、輸出權值ωio、輸入節點閾值bki和輸出節點閾值bko；步驟(D)，初始化人工魚群的位置向量：某一條人工魚的當前位置向量X和在某一時刻視點所在的位置向量Xv；步驟(E)，根據公式(1)調整第k+1和第k次迭代的視野和步長的關系，其中，g(k)為調整因子、m為調整因子的調整幅度、n為迭代總次數，k為第k次迭代，某一條人工魚的當前位置向量該人工魚的視野范圍為visual，某一時刻視點處所在的位置向量若視點處的食物濃度高于當前位置的食物濃度，則向視點方向移動一步，到達位置Xnext；若視點處的食物濃度不比當前位置的食物濃度高，則返回公式(1)繼續尋找視野內的其他位置，直到到達位置Xnext，完成人工魚群的改進；步驟(F)，根據步驟(B)‐步驟(E)所述的改進人工魚群算法優化步驟(A)的極限學習機網絡，得到基于改進人工魚群算法的極限學習機網絡對短期風電功率進行預測，。前述的基于改進AFSA優化ELM的短期風電功率預測方法，其特征在于：步驟(B)，將極限學習機網絡的均方根誤差函數的倒數作為人工魚群的食物濃度，所述人工魚群的食物濃度，根據公式(2)得到，其中，E為人工魚群的食物濃度，N為人工魚群的人工魚樣本總數，R為輸出節點數，為輸出節點s在樣本p作用時輸出，為在樣本p作用時輸出節點s的目標值，fc為人工魚當前位置的食物濃度。前述的基于改進AFSA優化ELM的短期風電功率預測方法，其特征在于：步驟(F)，根據步驟(B)‐步驟(E)所述的改進人工魚群算法優化步驟(A)的極限學習機網絡，得到基于改進人工魚群算法的極限學習機網絡對短期風電功率進行預測，具體過程為，(F1)將訓練數據輸入極限學習機網絡，再將極限學習機網絡的初始權值和閾值作為人工魚群算法的參數，隨機產生人工魚的初始群體；(F2)各代人工魚的狀態根據它的狀態函數隨覓食、聚群變化而變化，用改進人工魚群算法反復優化極限學習機網絡模型的權值和閾值，直至適應度函數即食物濃度函數不在增加為止；(F3)將食物濃度函數不在增加時，改進人工魚群算法優化對應的權值和閾值帶回到極限學習機網絡中，形成基于改進人工魚群算法的極限學習機網絡；(F4)，通過基于改進人工魚群算法的極限學習機網絡，對短期風電功率進行預測。本專利技術的有益效果是：本專利技術的基于改進AFSA優化ELM的短期風電功率預測方法，運用改進的魚群算法優化極限學習機的權值和閾值，并用改進人工魚群優化極限學習機進行短期風電功率預測，具有收斂速度快，泛化能力強，預測精度高的特點，更適合短期風電功率預測，并具有以下特點，(1)改進的人工魚群算法(IAFSA)改善了傳統人工魚群算法(AFSA)運行后期搜索的盲目性較大，收斂速度減慢，搜索精度變低的缺陷。(2)通過改進人工魚群優化極限學習機混合算法具有收斂速度快，泛化能力強，預測精度高的特點，更適合短期風電功率預測。(3)通過改進人工魚群優化極限學習機混合算法的誤差概率分布更加集中，說明改進人工魚群優化極限學習機混合算法的粗大誤差明顯減少，預測結果更加穩定，預測數據更有利于電力系統的調度和運營。附圖說明圖1是本專利技術的調整因子的函數圖像。圖2是AFSA與IAFSA兩種算法的收斂情況對比圖。圖3是本專利技術的改進AFSA優化ELM算法的流程圖。圖4是本專利技術的改進AFSA優化ELM預測模型的相對誤差比較圖。圖5是本專利技術的改進AFSA優化ELM預測模型的誤差概率分布比較圖。具體實施方式下面將結合說明書附圖，對本專利技術作進一步的說明。本專利技術的基于改進AFSA優化ELM的短期風電功率預測方法，運用改進的魚群算法優化極限學習機的權值和閾值，并用改進人工魚群優化極限學習機進行短期風電功率預測，具有收斂速度快，泛化能力強，預測精度高的特點，更適合短期風電功率預測，包括以下步驟，步驟(A)，確定極限學習機網絡的輸入向量和輸出向量：采用單一風速作為限學習機網絡的輸入向量，輸入向量為I＝[I1,I2,…,IM]，輸出向量為y＝F(I)，其中，I為風速、M為輸入的風速個數；步驟(B)，定義人工魚群的食物濃度：將極限學習機網絡的均方根誤差函數的倒數作為人工魚群的食物濃度，所述人工魚群的食物濃度，根據公式(2)得到，其中，E為人工魚群的食物濃度，N為人工魚群的人工魚樣本總數，R為輸出節點數，為輸出節點s在樣本p作用時輸出，為在樣本p作用時輸出節點s的目標值，fc為人工魚當前位置的食物濃度；步驟(C)，初始化人工魚群：選取N條人工魚構成人工魚群，其中每個人工魚都是D維向量，包括代表極限學習機網絡的輸入權值ωij、輸出權值ωio、輸入節點閾值bki和輸出節點閾值bko；步驟(D)，初始化人工魚群的位置向量：某一條人工魚的當前位置向量X和在某一時刻視點所在的位置向量Xv；步驟(E)，根據公式(1)調整第k+1和第k次迭代的視野和步長的關系，其中，g(k)為調整因子、m為調本文檔來自技高網...

【技術保護點】
基于改進AFSA優化ELM的短期風電功率預測方法，其特征在于：包括以下步驟，步驟(A)，確定極限學習機網絡的輸入向量和輸出向量：采用單一風速作為限學習機網絡的輸入向量，輸入向量為I＝[I

【技術特征摘要】
1.基于改進AFSA優化ELM的短期風電功率預測方法，其特征在于：包括以下步驟，步驟(A)，確定極限學習機網絡的輸入向量和輸出向量：采用單一風速作為限學習機網絡的輸入向量，輸入向量為I＝[I1,I2,…,IM]，輸出向量為y＝F(I)，其中，I為風速、M為輸入的風速個數；步驟(B)，定義人工魚群的食物濃度：將極限學習機網絡的均方根誤差函數的倒數作為人工魚群的食物濃度；步驟(C)，初始化人工魚群：選取N條人工魚構成人工魚群，其中每個人工魚都是D維向量，包括代表極限學習機網絡的輸入權值ωij、輸出權值ωio、輸入節點閾值bki和輸出節點閾值bko；步驟(D)，初始化人工魚群的位置向量：某一條人工魚的當前位置向量X和在某一時刻視點所在的位置向量Xv；步驟(E)，根據公式(1)調整第k+1和第k次迭代的視野和步長的關系，其中，g(k)為調整因子、m為調整因子的調整幅度、n為迭代總次數，k為第k次迭代，某一條人工魚的當前位置向量該人工魚的視野范圍為visual，某一時刻視點處所在的位置向量若視點處的食物濃度高于當前位置的食物濃度，則向視點方向移動一步，到達位置Xnext；若視點處的食物濃度不比當前位置的食物濃度高，則返回公式(1)繼續尋找視野內的其他位置，直到到達位置Xnext，完成人工魚群的改進；步驟(F)，根據步驟(B)‐步驟(E)所述的改進人工魚群算法優化步驟(A)的極限學習機網絡...

【專利技術屬性】
技術研發人員：張穎超，鄧華，王雅晨，熊雄，顧榮，黃飛，
申請(專利權)人：南京信息工程大學，
類型：發明
國別省市：江蘇,32