基于小波分解与粒子群优化LSSVM风速组合预测.doc

基于小波分解与粒子群优化LSSVM风速组合预测 　　【摘 要】为了提高风电场风速预测的准确性，本文提出了一种组合预测的方法，它结合了小波分析和粒子群（PSO）优化的偏最小二乘支持向量机（LSSVM）。首先对原始的风速数据进行小波变换，然后将得到的数据输入LSSVM模型预测风速，并且采用PSO算法对LSSVM模型的参数进行优化。通过案例研究和分析，可以看到提出的模型具有较高的预测精度，具有一定的实用价值。 【关键词】小波分解；粒子群优化算法；偏最小二乘支持向量机；风速预测 引言 本文尝试用运小波变换的多分辩分析法对风速序列进行分解，结合LSSVM的小样本学习能力强和计算简单等特点，将小波分解后的低频序列采用LSSVM进行训练和预测，同时运用粒子群算法（Particle Swarm Optimization， PSO）对LSSVM所选择的核函数进行参数优化。运用WT-PSO-LSSVM模型对实际风速数据进行了预测，并与其它模型进行比较，从比较结果可以看到本文提出的方法具有良好的预测能力。 1.WT-PSO-LSSVM优化模型 1.1小波变换 小波变换（WT）是由一基本母小波[1]通过伸缩因子和平移因子产生一个函数族，然后通过函数族对信号进行分析： （1） 对能量有限函数，其连续小波变换定义为： （2） 其中为的共轭函数。 对于离散的数据序列，一般采用离散小波变换对时间序列进行分解与重构。 1.2 LSSVM原理 建立LSSVM[2]预测模型，设训练样本集为： ， 样本集对于的决策函数为。模型的训练转换为最小化结构风险函数： （3） 满足的约束条件有： （4） 相应的拉格朗日函数为： （5） 式中：为拉格朗日乘子；、为模型参数；为正规化参数；为训练集预测误差向量。根据优化条件可得： （6） 消去上式中的和可得到： （7） 式中：；；。是一个方阵，第行列元素为。 因此本文选用径向基函数（Radial Basis Function， RBF）作为LSSVM的核函数： （8） 最终确定的决策函数为： （9） 1.3粒子群算法（PSO） 粒子群优化算法（PSO）是计算智能领域的一种群体智能的优化算法，该算法最早是由Kennedy和Eberhart在1995年提出的并源于对鸟群捕食的行为研究。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化函数决定的适应值。每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。具体的介绍见参考文献[3]。 2.基于PSO―LSSVM的风速预测 2.1 风速预测步骤 风速的预测步骤如下 ①数据预处理，采用小波变换（WT）处理，确定训练样本集合特使样本集；②确定LSSVM和PSO算法的初始参数，建立LSSVM的初始模型；③运用PSO算法优化LSSVM模型的参数；④运用最优的LSSVM的参数建立LSSVM模型进行风速预测。 2.2 案例研究和分析 本文以西部某风电场6年的每月平均风速序列作为实验的样本，总共72个原始风速数据。其中前60个作为训练样本，后12个做为预测样本检验预测结果的真实性。 首先对原始数据进行小波变换，得出的低频数据来进行训练预测风速。训练样本的输入和训练的目标值应该选取无量纲的向量，而且为了进一步反应任意输入变量变化引起输出向量变化的大小，把输入输出变量归一化到[0，1]区间。归一化的公式为 （10） 其中：为风速的原始数据，为归一化后的数据，和分别为原始风速数据中的最小值和最大值。 在粒子群算法当中，粒子群规模为30，解空间为二维空间，分别对应γ和σ2，γ的取值范围为[0.1，1000]，σ2 的取值范围为[0.01，100]，最大的迭代次数为300，加速因子=1.5，=1.7。优化后得到的最优γ和σ2并将其带入到LSSVM模型中用于风速时间序列的预测。 为了更好地将预测所得结果与实际风速作比较，本文采用均方根误差（RMSE）以及平均绝对百分比误差（MAPE）来对预测点进行评价。 （11） （12） 表1 PSO―LSSVM预测模型预测结果 时间/月份 实际风速/ ms-1 预测风速/ms-1 相对误差/% 1 1.4806 1.9656 32.76 2 1.6643 2.0374 22.42 3 2.0194 2.0653 2.27 4 2.3233 2.3049 0.79 5 2.3581 2.1547 8.6