基于遺傳算法和粒子群集成的lssvm風(fēng)速預(yù)測方法
【技術(shù)領(lǐng)域】
[OOOU本發(fā)明設(shè)及一種基于智能優(yōu)化集成LSSVM(最小二乘支持向量機(jī)）風(fēng)速預(yù)測方法， 具體的說是一種基于遺傳算法（GA)和粒子群（PS0)集成的LSSVM脈動(dòng)風(fēng)速預(yù)測方法。
【背景技術(shù)】
[0002] 對(duì)于高聳結(jié)構(gòu)、大跨度空間結(jié)構(gòu)及高壓輸電塔線體系等，風(fēng)荷載是結(jié)構(gòu)設(shè)計(jì)時(shí)所 必需考慮的一類重要的隨機(jī)動(dòng)力荷載。風(fēng)荷載的設(shè)計(jì)不當(dāng)不僅僅會(huì)影響到人們使用建筑結(jié) 構(gòu)的舒適程度，而且還會(huì)使建筑結(jié)構(gòu)出現(xiàn)一定的損傷和破壞，給人們帶來巨大的生命財(cái)產(chǎn) 損失。因此，工程中考慮風(fēng)的動(dòng)力響應(yīng)是極其重要的，實(shí)現(xiàn)對(duì)風(fēng)速的準(zhǔn)確預(yù)測具有很強(qiáng)的工 程實(shí)用意義。
[0003] 支持向量機(jī)（SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種小樣本學(xué)習(xí)方法，遵循結(jié)構(gòu)風(fēng) 險(xiǎn)最小化原理。利用支持向量機(jī)很好的學(xué)習(xí)能力，可實(shí)現(xiàn)對(duì)有限樣本的風(fēng)速時(shí)程的預(yù)測模 擬。支持向量機(jī)的性能依賴于模型的參數(shù)，對(duì)于參數(shù)的選擇，至今還未提出明確的理論依 據(jù)。利用智能優(yōu)化方式對(duì)LSSVM模型參數(shù)進(jìn)行智能提取成為一大熱點(diǎn)。目前常見的對(duì)LSSVM 優(yōu)化的方式主要有粒子群算法、遺傳算法、蟻群算法和人工蜂群算法等，在一定程度上，各 類優(yōu)化算法在對(duì)LSSVM參數(shù)優(yōu)化中取得一定的效果，但是得到的預(yù)測模型預(yù)測精度和速度 還是不夠理想。
[0004] 結(jié)合粒子群算法容易陷入局部最優(yōu)，而其他幾種優(yōu)化算法具有較強(qiáng)的全局尋優(yōu)能 力的特點(diǎn)。因此，如何運(yùn)用智能優(yōu)化方法集成的方式對(duì)LSSVM模型參數(shù)進(jìn)行智能提取，W獲 得運(yùn)行速度更快、預(yù)測精度更高的LSSVM對(duì)風(fēng)速的預(yù)測模型具有很大的意義。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于遺傳算法和粒子群集成的LSSVM脈動(dòng)風(fēng)速預(yù)測 方法，其利用某風(fēng)場的有限風(fēng)速樣本，將樣本劃分為訓(xùn)練集和測試集，初始化LSSVM模型參 數(shù)，利用GA和PS0集成方式智能提取LSSVM的最有參數(shù)組合佑0 )，進(jìn)而建立優(yōu)化的LSSVM 預(yù)測模型，對(duì)測試集進(jìn)行預(yù)測，得到預(yù)測的風(fēng)速時(shí)程譜。
[0006] 本發(fā)明采用下述技術(shù)方案；本發(fā)明基于遺傳算法和粒子群集成的LSSVM脈動(dòng)風(fēng)速 預(yù)測方法包括如下步驟：
[0007] 第一步；取一風(fēng)電場的有限風(fēng)速樣本，將有限風(fēng)速樣本分為訓(xùn)練集、測試集兩部 分，并分別進(jìn)行歸一化處理；
[000引第二步：初始化遺傳算法相關(guān)參數(shù)，設(shè)置LSSVM模型核函數(shù)參數(shù)C和正則化參數(shù) 0范圍CG[Cmh，CmJ和0G[0mi。，0mJ，對(duì)染色體進(jìn)行二進(jìn)制編碼，隨機(jī)產(chǎn)生初始種 群；
[0009] 第；步；由訓(xùn)練集對(duì)LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)行測試集的預(yù)測，計(jì)算群體中的每一 個(gè)染色體的適應(yīng)度，判斷算法收斂準(zhǔn)則是否滿足，若滿足最優(yōu)參數(shù)組合則進(jìn)入第五步，否則 進(jìn)入第四步；
[0010] 第四步；設(shè)計(jì)遺傳算子和確定遺傳算法的運(yùn)行參數(shù)，進(jìn)行遺傳算法的選擇、交叉、 變異操作；檢查是否滿足迭代終止條件，若不滿足，返回第二步；否則，算法結(jié)束輸出最優(yōu) 參數(shù)組合進(jìn)入第五步；
[0011] 第五步；利用遺傳算法得到的最優(yōu)參數(shù)組合，初始化粒子群相關(guān)參數(shù)；由訓(xùn)練集 對(duì)LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算各粒子當(dāng)前的適應(yīng)度值，再將各粒子的當(dāng)前適應(yīng)度值與該粒 子自身的最優(yōu)適應(yīng)度值進(jìn)行比較，如果更優(yōu)，則將粒子當(dāng)前的位置作為該粒子的最優(yōu)位 置；
[0012] 第六步：將各粒子的自身最優(yōu)位置適應(yīng)度值與群體最優(yōu)位置的適應(yīng)度值比較，如 果更優(yōu)，則將該粒子的最優(yōu)位置作為群體的最優(yōu)位置；檢查是否滿足迭代尋優(yōu)結(jié)束條件，若 滿足則結(jié)束尋優(yōu)，求出最優(yōu)解；否則返回第二步；
[0013] 第走步：利用第六步得到的最優(yōu)參數(shù)組合，建立優(yōu)化的LSSVM預(yù)測模型；對(duì)測試集 進(jìn)行預(yù)測，得到預(yù)測的脈動(dòng)風(fēng)速時(shí)程譜；計(jì)算預(yù)測結(jié)果并分別與GA-LSSVM、PSO-LSSVM預(yù)測 樣本數(shù)據(jù)的平均絕對(duì)百分比誤差、平均絕對(duì)誤差和均方根誤差進(jìn)行比較分析。
[0014] 優(yōu)選地，上述第一步中，歸一化處理公式為式：
[0015]
[0016] 式中，Xmin是X的最小值，X max是X的最大值，利用此式把X的范圍整到[0, U。
[0017] 優(yōu)選地，第二步中，染色體編碼方式采用二進(jìn)制編碼，如下式：
[0020] 其中b為二進(jìn)制數(shù)，m為字長，Cm"、Cmi。為正則化參數(shù)C允許的最大值和最小值， 〇m。,、0 mi。為核函數(shù)參數(shù)0允許的最大值和最小值。
[0021] 優(yōu)選地，第=步中，每個(gè)染色體適應(yīng)度取計(jì)算公式如下式：
[0022]
[0023] 其中f為適應(yīng)度函數(shù)，MSE為測試集數(shù)據(jù)的均方誤差，y,和義.分別為測試集的真實(shí) 值和預(yù)測值。
[0024] 優(yōu)選地，所述第四步中，遺傳算法的選擇算子采用適應(yīng)度比例法，按個(gè)體適應(yīng)度在 整個(gè)群體適應(yīng)度中所占的比例確定該個(gè)體的被選擇概率；個(gè)體i被選取的概率Pi和該個(gè)體 的累計(jì)概率A計(jì)算公式如下式；
[0025]
[0026]
[0027] 其中N為種群規(guī)模，fi為第i個(gè)染色體的適應(yīng)度。
[002引優(yōu)選地，所述第四步中，遺傳算法的交叉算子計(jì)算公式如下式：
[0029] Ci= P ia+P2 (1-a)
[0030] 〇2=p1 (1-a) +Paa
[0031] 式中，Pi，P2為一組配對(duì)的倆個(gè)個(gè)體；c 1，C2為交叉操作后得到的新個(gè)體；a為隨機(jī) 產(chǎn)生的位于（〇，1)區(qū)間的隨機(jī)數(shù)。
[0032] 優(yōu)選地，所述第四步中，遺傳算法的變異算子，選擇第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行 變異操作，如下式：
[0033]
[0034] f(g)=r' (1-g/T)
[0035] 其中，CmwCmax為基因的上下限，r，r'為[0, 1]間的隨機(jī)數(shù)，g為當(dāng)前進(jìn)化次數(shù)，T 為最大進(jìn)化代數(shù)。
[0036] 優(yōu)選地，所述第五步和第六步中，粒子更新自己速度和位置的公式如下式：
[0037]
[003引X=X+V
[0039] 其中；V為粒子的速度；X為當(dāng)前粒子的位置；ri和T2是介于（〇，1)之間的隨機(jī)數(shù)； 。和C2是學(xué)習(xí)因子。
[0040] 本發(fā)明帶來的有益效果；與自適應(yīng)的遺傳算法、粒子群算法相比，基于遺傳算法和 粒子群算法集成的混合優(yōu)化算法具有優(yōu)化精度高，收斂精度高，迭代次數(shù)少，成功率高等特 點(diǎn)，體現(xiàn)出良好的魯椿性和較快的收斂速度。
【附圖說明】
[0041] 圖1為數(shù)值模擬的風(fēng)速預(yù)測和實(shí)際風(fēng)速譜的比較示意圖。
[0042] 圖2為數(shù)值模擬的風(fēng)速值相對(duì)誤差的比較示意圖。
[0043] 圖3為GA+PSO-LSSVM數(shù)值預(yù)測模擬風(fēng)速的流程圖示意圖。
【具體實(shí)施方式】
[0044] W下結(jié)合附圖對(duì)本發(fā)明的實(shí)施進(jìn)一步詳細(xì)說明。
[0045] 本發(fā)明采用核函數(shù)為徑向基函數(shù)的LSSVM，接下來應(yīng)用GA和PSO集成的方法快速 選取最佳的核函數(shù)參數(shù)0和正則化參數(shù)C組合。遺傳算法從串集開始捜索，覆蓋面大，全 局尋優(yōu)能力強(qiáng)，但是容易過早收斂，陷入局部最優(yōu)；粒子群算法是利用適應(yīng)值來評(píng)價(jià)系統(tǒng)， 并根據(jù)適應(yīng)值來進(jìn)行一定的隨機(jī)捜索，對(duì)種群的初始化不敏感，捜索速度快，局部捜索能力 強(qiáng)。因此，將遺傳算法和粒子群算法結(jié)合起來，采用遺傳算法進(jìn)行全局捜索，確定最優(yōu)解存 在的領(lǐng)域，然利用遺傳算法得到的最優(yōu)解初始化粒子群算法，進(jìn)而通過粒子群算法的局部 捜索，實(shí)現(xiàn)非凸空間的高效捜索，獲得在實(shí)際計(jì)算中更高的精度和更快的速度。
[0046] 本發(fā)明基于遺傳算法和粒子群集成的LSSVM風(fēng)速預(yù)測方法包括如下步驟：
[0047] 第一步，取一風(fēng)電場的有限風(fēng)速樣本，將風(fēng)速樣本分為訓(xùn)練集、測試集兩部分，并 分別進(jìn)行歸一化處理；比如，取一風(fēng)電場從2011年4月8日18:55至2011年4月12日 23:25的風(fēng)速數(shù)據(jù)，每隔lOmin中獲取一個(gè)風(fēng)速，共600個(gè)風(fēng)速點(diǎn)。取前500個(gè)風(fēng)速作為訓(xùn) 練集，后100個(gè)風(fēng)速作為測試集，進(jìn)行歸一化處理。
[0048] 上述第一步中，歸一化處理公式為式（1):
[0049]
C1)
[0050] 式中，Xmin是X的最小值，X max是X的最大值，利用此式把X的范圍整到[0, U。 [0化1] 第二步：初始化遺傳算法相關(guān)參數(shù)（群體規(guī)模N，最大進(jìn)化代數(shù)T，交叉概率 P。，變異概率Pm)，設(shè)置LSSVM模型核函數(shù)參數(shù)C和正則化參數(shù)0范圍和 曰G [0mi。，0m。,]，對(duì)染色體進(jìn)行二進(jìn)制編碼，隨機(jī)產(chǎn)生初始種群；比如初始化遺傳算法，設(shè) 置遺傳算法種群規(guī)模Ni= 50,最大進(jìn)化代數(shù)T = 100,交叉概率P。= 0. 7,變異概率P m= 0. 05 ;設(shè)置核函數(shù)參數(shù)和正則化參數(shù)范圍C G [10-1，103]和0 G [10-2, 102]，對(duì)核函數(shù)參數(shù) 和正則化參數(shù)進(jìn)行二進(jìn)制編碼，隨機(jī)產(chǎn)生初始種群。
[0化引第二步中，染色體編碼方式采用二進(jìn)制編碼，具體如式（2)和（3);
[0化5] 其中b為二進(jìn)制數(shù)，m為字長，Cm。,、Cmi。為正則化參數(shù)C允許的最大值和最小值， 〇m?、0 mi。為核函數(shù)參數(shù)0允許的最大值和最小值。
[0化6] 第S步；由訓(xùn)練集對(duì)LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)行測試集的預(yù)測，計(jì)算群體中的每 一個(gè)染色體的適應(yīng)度，判斷算法收斂準(zhǔn)則是否滿足，若滿足輸出參數(shù)組合佑0)進(jìn)入第五 步，否則進(jìn)入第四步；
[0化7] 第S步中，每個(gè)染色體適應(yīng)度取計(jì)算公式如下式（4);
[0058]
(4)
[0化9] 其中f