[发明专利]基于谱聚类和遗传优化极端学习机的超短期风速预测方法

摘要

本发明涉及一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，包括S1准备数据；S2对准备数据进行预处理；S3对预处理后的数据进行小波变换；S4对小波变换后的数据进行归一化处理；S5通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6通过主成分分析对S5生成的输入变量进行降维处理；S7通过谱聚类方法对S6中降维处理后的数据进行聚类分析，与S4中归一化处理后的数据形成极端学习机样本空间；S8通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据分层预测；S9将分层预测值相加，得到超短期风速预测值。本发明实现了对风速的超短期、多步预测，提高预测的准确性，大幅减少计算量，提高预测效率。

主权项

一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，其特征在于，该方法包括以下步骤：S1：准备数据：具体为将需要预测风电场的历史风速、温度数据用EXCEL表格导出并保存；S2对准备数据进行预处理：具体为对缺失、异常数据进行处理后得到原始风速时间序列；S3：对预处理后的数据进行小波变换：具体为应用小波变换对原始风速时间序列进行分解和重构，得到一个概貌序列和若干个细节序列；分解序列数根据风速时间序列的尺度分布情况进行确定；S4：对小波变换后的数据进行归一化处理；S5：通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6：通过主成分分析对S5生成的输入变量进行降维处理；S7：通过谱聚类方法对S6中降维处理后的数据进行聚类分析，并与S4中归一化处理后的数据共同形成极端学习机样本空间；S8：通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据进行分层预测，输出分层预测值；S9：将分层预测值相加，得到超短期风速预测值；步骤S4具体为对温度和分解后的风速数据进行归一化处理；将温度和分解后的风速数据分别映射到[‑1,1]之间，训练结束后，将仿真输出再反映射到原数据范围；其中归一化处理公式如下所示：x1i*=(y1max-y1min)×(x1i-x1min)x1max-x1min+y1min---(1)]]>在公式(1)中，x1i、分别表示数据归一化前、后的值，y1max、y1min分别表示要归一化的映射区间的最大值1与最小值‑1，x1max、x1min分别表示样本数据中的最大、最小值；步骤S8包括如下步骤：S8.1：将谱聚类分析以后的样本空间划分为训练集和验证集；S8.2：初始化建立极端学习机模型，根据训练集应用极端学习机模型进行训练，输出训练模型；S8.3：根据训练模型应用验证集进行验证，输出验证集标准均方根误差ENRMSE，其计算公式如下式：ENRMSE=1kΣi=1k(y^4(i)-y4(i))21kΣi=1k(y4(i)-y‾4)2---(4)]]>公式(4)中，k为每次预测数据长度，y4(i)为原始风速数据，为预测风速数据，为预测时间段原始风速数据的平均值；S8.4：根据验证集ENRMSE进行遗传算法优化，遗传算法优化参数为输入权值和隐含层偏置；S8.5：输出各分解序列最佳极端学习机预测模型；S8.6：应用各分解序列最佳极端学习机预测模型对预测集进行预测，输出各分解序列预测结果。