[发明专利]一种基于人工神经网络的风速区间预测方法与系统

权利要求书

1.一种基于人工神经网络的风速区间预测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集风场的风速序列：每隔m分钟采集一次实时风速，取实时风速的前len个数据作为风速序列，m的大小选取根据实际需求来定，len为预设值；

步骤2：对不稳定非线性的所述风速序列进行VMD分解得出K个结构简单的子时间序列u_k(t)，其中k的取值从1到K；

步骤3：对步骤2得到的K个特征u_k(t)进行数据处理，用循环结构i＝1:1:len-L，每次取第i个数到第i+L-1个数总共L个数据作为输入，取第i+L个数据作为参考输出，得到一个len-L列L行的输入数组P和len-L列1行的参考输出数组T；

步骤4：对输入数组P进行GSO相关性选择，得到所有X_l对Y的相关性排序，P的第l行表示为X_l＝[x_l1，x_l2，…，x_lM]，T表示为Y＝[y₁，y₁，…，y_M]，其中l的取值范围是从1到L，M表示数组的列数，其值等于len-L；对输入数组P进行GSO相关性选择，得到所有X_l对Y的相关性排序，具体为：

步骤4.1：将下式作为迭代过程中的目标最大化函数，算出所有选出最大的一个值，从而选出与参考输出Y最相关的一个输入X_lmax，

其中是第l个输入向量X_l与参考输出Y的夹角，表示内积，如果X_l和Y完全成比例则为0，如果X_l和Y完全不相关则为π/2；

步骤4.2：为了选出下一个最相关的输入，对剩下的输入向量和参考输出向量进行更新，更新公式：

上式r表示更新前，r+1表示更新后，X_i中的i的取值范围是1到J，表示已经排好的J个输入向量X，

按照上述两个公式更新Y和所有未排序的X；

步骤4.3：回到步骤4.1，不断迭代直到得到所有X_l对Y的相关性排序为止；

步骤5：对步骤4得到的相关性排序中选出前LL个最相关的X_l作为人工神经网络ANN的输入，ANN的输入层数为LL，隐藏层数hiddennum，输出层数为2，隐藏层与输出层的激活函数采用线性函数；

步骤6：P取前RR％的列作为训练输入数据集P_train，T取前RR％的列作为训练参考输出数据集T_train，使用MOGSA训练人工神经网络，得到人工神经网络的最优权重与偏置f_best，其中RR为预设值；具体为：

步骤6.1：算法初始化：设置算法参数，包括个体数量nPop、迭代次数t＝1，最大迭代次数max_it、非劣解集规模nRep，其中每一个个体的坐标代表一组ANN的权重与偏置；

步骤6.2：粒子位置初始化：使用matlab工具箱的train函数实现，train函数的输入数据为P_train和T_train，BP神经网络的结构与步骤5中的ANN相同，得到一组BP神经网络训练出来的权重与偏置，把这组权重与偏置放在行向量range中，将range中每个数上下扩展δ，δ取0到1之间的数，得到一个的初始解空间，在这个空间中随机选取nPop个初始个体，然后用range随机替换掉其中的一个个体；

步骤6.3：目标函数的设置与计算：为了得到更准确的预测区间设计下列两个目标函数：

区间非覆盖率：

其中n为样本总数，PICP为区间覆盖率，Ui和Li为上下界，若Li≤Ci≤Ui则Ci为1，否则Ci为0，

区间宽度：

R是参考输出的变化范围，

计算每一个初始个体对应的目标函数，计算过程如下：ANN的输入为P_train，权重与偏置采用对应的个体的坐标，ANN的两个输出代表预测出来的上界和下界，将输出反归一化后就可计算出每一个个体对应的1-PICP和PINRW两个指标；

步骤6.4：对粒子进行非支配排序和拥挤距离计算；

步骤6.5：质量，加速度，速度和位置的更新；

步骤6.6：令t＝t+1，返回到步骤6.3，若迭代次数t达到max_it，则算法停止；

步骤6.7：根据最终的最优解集画图，得到帕累托前沿，选取拐角处的点作为MOGSA训练出的人工神经网络最优权重与偏置f_best；

步骤7：令k＝k+1，返回到步骤3，若迭代次数达到K，则算法停止；

步骤8：将待预测风速序列作为ANN的输入，最终训练出的f_best作为ANN的权重与偏置，得到子区间序列，然后把k个子序列反归一化后相加，得到预测风速区间。