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
【专利摘要】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。
【专利说明】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
【技术领域】
[0001] 本发明涉及一种风速预测【技术领域】，特别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。
【背景技术】
[0002] 风力发电是一种清洁的可再生能源，开发利用相对简单，越来越受到世界各国重 视。有效的风速预测是风力发电研究的基础环节，是并网运行风电场风电功率预测预报系 统建立和运行的必要前提及保证。对风电场进行较高精度的超短期风速预测，可以有效降 低由于风电机组突然切出而造成的电网电压和频率波动，从而减少风电功率输出的大幅波 动，保障电力系统安全可靠运行，给电网调度和资源配置带来决策支持。因此，对风速进行 有效的、较高精度的预测，具有重要的现实意义。
[0003] 在利用历史风速数据进行预测建模时，现有技术通常是将已有历史风速数据进 行去噪和降维后直接作为输入进行建模和预测，训练样本空间巨大，样本数据之间存在的 相似性被忽视，导致预测结果不稳定。研究表明，同一风电场的风速数据表现出一些相 似的变化趋势。为了充分利用这一性质，有学者提出基于相似理论的聚类分析（Cluster Analysis，CA)方法对风速进行预测。CA按照相似度最大原则对原始风速数据进行筛选，选 择相似度最大的风速数据作为模型训练样本，取得了良好效果。但是，传统的K-means等聚 类算法计算复杂，容易陷入局部最优，影响了其在超短期风速预测研究领域的应用。谱聚 类（Spectral Clustering, SC)是在谱图划分理论基础上发展起来的一种新的聚类方法。 与传统的K-means等聚类算法相比，SC计算复杂度小、具有能在任意形状的样本空间上进 行聚类分析、识别非凸分布聚类的能力，且具有不受数据维度影响、收敛于全局最优解等优 点。SC最早应用于计算机视觉、VLSI设计等领域，目前在行为识别、文本图像分割等领域 得到广泛研究，是机器学习领域研究热点之一。在超短期风速预测研究领域引入SC可以有 效减少样本空间容量，提高分类样本之间的相似度，降低模型计算复杂度，提高风速预测效 率，并在一定程度上可以提高预测准确度。
[0004] 在风速预测建模方法方面，目前常见的有时间序列法、智能预测方法。时间序列预 测法利用序列自身数据即可建立较高精度的预测模型，但存在低阶模型预测精度偏低、高 阶模型参数估计难度偏大等不足。神经网络（Neural Networks, NN)是目前应用较多的一 种智能预测方法，具有良好的自学习和自适应能力，并具有较强的非线性映射能力和并行 处理能力，在风速预测领域得到了广泛和深入的研究。但传统的神经网络学习算法需要人 为设置网络训练参数，多采用梯度下降算法调整权值参数，学习速度缓慢、泛化性能差、容 易产生局部最优解，限制了其进一步应用。极端学习机作为单隐层前馈神经网络的一种新 型学习算法，仅需设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权 值，并且产生唯一的最优解，较好的克服了传统神经网络预测模型存在的训练时间长、易产 生过拟合等问题，具有参数选择容易、学习速度快且泛化性能好等优点。
【发明内容】
[0005] 为了克服现有预测方法的不足，本发明公开了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，该预测方法结构紧凑，操作简单。
[0006] 本发明公开了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，该 方法包括以下步骤：Sl :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，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。
[0007] 较佳地，本发明所述的超短期风速预测方法，其中步骤S2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。
[0008] 较佳地，本发明所述的超短期风速预测方法，其中步骤S3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。
[0009] 较佳地，本发明所述的超短期风速预测方法，其中步骤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：
【权利要求】
1. 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：Sl: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，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。
2. 根据权利要求1所述的方法，其特征在于，步骤S2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。
3. 根据权利要求2所述的方法，其特征在于，步骤S3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。
4. 根据权利要求3所述的方法，其特征在于，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：
在公式（1)中，χπ、4分别表示数据归一化前、后的值，ylmax、ylmin分别表示要归一化的 映射区间的最大值1与最小值-1，xlmax、Xlmin分别表示样本数据中的最大、最小值。
5. 根据权利要求1-4中任一项所述的方法，其特征在于，步骤S5中的相关性计算公式 如下所示：
在公式⑵中，x2i、y2i分别是x2、y2的第i个分量，毛、Λ分别是x2、y2的平均值，r为 相关系数。
6. 根据权利要求5所述的方法，其特征在于，步骤S6具体为应用主成分分析根据成分 累计贡献率阈值对原始输入变量矩阵进行主成分的提取。
7. 根据权利要求6所述的方法，其特征在于，步骤S7还包括如下步骤： S7. 1 :构建表示降维后输入数据的相似矩阵Z; S7. 2 :计算Z的前K个特征值和特征向量，构建特征向量空间； S7. 3 :应用k-means或其他聚类算法对特征向量空间中的特征向量进行聚类； S7. 4 :根据预测点类标签提取该类标签相应类，作为样本空间的输入数据； S7. 5 :根据预测点类标签提取对应的原始输出样本数据，作为样本空间的输出数据； 57. 6 :样本空间的输入、输出数据对即构成极端学习机样本空间。
8. 根据权利要求7所述的方法，其特征在于，步骤S8包括如下步骤： 58. 1 :将谱聚类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Enemse，其计算公 式如下式：
公式（4)中，k为每次预测数据长度，y4(i)为原始风速数据，y4(i)为预测风速数据，丸 为预测时间段原始风速数据的平均值； S8. 4 :根据验证集Enemse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。
9.根据权利要求8所述的方法，其特征在于，步骤S9具体为：将各分解序列的预测结 果相加即得到原始风速的最终预测值，即 y5=?:+jx ⑶ /=1 公式（5)中，j是分解序列次，< 为概貌序列预测值，<为各细节序列预测值，y5是最 终预测值。
【文档编号】G06N3/12GK104239964SQ201410407338
【公开日】2014年12月24日 申请日期:2014年8月18日 优先权日:2014年8月18日
【发明者】刘达, 王继龙, 王辉 申请人:华北电力大学