[发明专利]LSSVM非高斯脉动风速预测方法

摘要

本发明提供一种LSSVM非高斯脉动风速预测方法，该方法包括七个步骤，具体步骤如下：用无记忆非线性转化法模拟产生非高斯随机脉动风速样本，将非高斯脉动风速样本分为训练集、测试集两部分，对其分别进行归一化处理；由训练集对LSSVM进行训练学习，进行测试集的预测，计算群体中的每一个染色体的适应度，判断算法收敛准则是否满足，若满足最优参数组合则把组合解放入集合，进入第五步，否则进入第四步。本发明利用遗传算法和蚁群算法混合方式智能提取LSSVM的最有参数组合，进而建立优化的LSSVM预测模型，对测试集进行预测，得到预测的非高斯脉动风速时程谱。

主权项

1.一种LSSVM非高斯脉动风速预测方法，其特征在于，其包括以下步骤：第一步：根据指定的边缘概率密度函数和目标功率谱函数，用无记忆非线性转化法模拟产生非高斯随机脉动风速样本，将非高斯脉动风速样本分为训练集、测试集两部分，对其分别进行归一化处理；第二步：初始化遗传算法相关参数，设置LSSVM模型核函数参数C和正则化参数σ范围C∈[Cmin,Cmax]和σ∈[σmin,σmax]，对染色体进行二进制编码，随机产生初始种群；第三步：由训练集对LSSVM进行训练学习，进行测试集的预测，计算群体中的每一个染色体的适应度，判断算法收敛准则是否满足，若满足最优参数组合则把组合解放入集合A，进入第五步，否则进入第四步；第四步：设计遗传算子和确定遗传算法的运行参数，进行遗传算法的选择、交叉、变异操作；检查是否满足迭代终止条件，若不满足，返回第二步；否则，算法结束将满足条件的最优参数组合放入集合A进入第五步；第五步：利用遗传算法得到的参数组合集合A，得到初始化蚁群算法的最优解集合Xbest，用蚁群算法在其邻域内进行精细的局部搜索；由训练集对LSSVM进行训练学习，计算各蚂蚁当前的适应度值，再将各蚂蚁的当前适应度值与集合A中初始化的蚂蚁适应度值进行比较，如果更优，则将该蚂蚁当前的位置作为该蚂蚁的最优位置；第六步：迭代过程中对每个位置上蚂蚁信息素浓度进行更新，检查是否满足迭代终止条件，若不满足，返回第二步；否则，算法结束输出最优参数组合；第七步：利用第六步得到的最优参数组合，建立优化的LSSVM预测模型；对测试集进行预测，得到预测的非高斯脉动风速时程谱；计算预测结果并分别与GA‑LSSVM、ACO‑LSSVM预测样本数据的平均绝对百分比误差、平均绝对误差和均方根误差进行比较分析。