[发明专利]一种基于分阶段整体优化的短期风速预测方法与系统

摘要

本发明提出了一种基于分阶段整体优化的短期风速预测方法，在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram‑Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型，采用引力搜索算法对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。本发明还提供了相应的基于分阶段整体优化的短期风速预测系统。

主权项

1.一种基于分阶段整体优化的短期风速预测方法，其特征在于，所述方法包括：步骤1、建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解、在特征选取模型采用Gram-Schmidt正交化、在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；步骤2、将所述混合模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；步骤3、根据所述目标函数，采用引力搜索算法对所述风速混合预测模型进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，GSO选择的特征选择的特征数量，以及极限学习机隐含层的层数，并转步骤4；步骤4、t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；步骤5、以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。