[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

权利要求书

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上采用变分模态分解、在特征选取模型上采用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；并设置引力搜索算法GSA算法的初始参数；

步骤2、将所述风速混合预测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，Gram-Schmidt正交化选择的特征的特征数量，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N_itmax，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。

2.如权利要求1所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤1中设置引力搜索算法GSA算法的初始参数具体为：

设置引力搜索算法GSA算法参数，包括群体规模L，最大迭代次数N_itmax，初始引力常数G₀，衰减系数β；确定风速混合预测模型待优化的参数，选取数据处理阶段变分模态分解VMD方法的模态数K和迭代系数τ、特征选取阶段Gram-Schmidt正交化方法的选取特征数量值N_f、基础学习阶段每个模态对应的ELM的隐含层的节点个数N_h1,…,N_hK为待优化的变量，即待优化的变量为θ＝[K,τ,N_f,N_h1,N_h2,...,N_hK]，确定优化变量的上下界[B_L,B_U]，B_L＝[K_min,τ_min,N_f，min,N_h1，min,N_h2，min,...,N_hK，min]，B_U＝[K_max,τ_max,N_f,max,N_h1,max,N_h2，max,...,N_hK，max]，K_min,K_max分别为模态数量的最小值和最大值，τ_min,τ_max分别为迭代系数的最小值和最大值，N_f,min,N_f,max分别为选取特征数量值的最小值和最大值，N_hk,min,N_hk,max,k＝1,...,K分别为对应第k模态ELM的隐含层的最小值和最大值，在此区间随机初始化群体中所有个体的位置向量，个体位置向量X_i＝[K,τ,N_f,N_h1,N_h2,...,N_hK],i＝1,...,L，代表一组控制参数；令当前迭代次数t＝0。

3.如权利要求1或2所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤2中的目标函数为：

式中，N_t为采样总数，Y(j)表示j时刻实际的观测数据，表示j时刻的预测结果值。