精度也不能得到保證。人工蜂群 算法(ABC)作為一種基于群體智能的新興優(yōu)化算法，其收斂速度快且精度高，將其引入到 LSSVM中，提取最優(yōu)的（丫，σ)參數(shù)組合，W提高LSSVM性能，從而提高預(yù)測(cè)模型的精度。
【附圖說明】
[0040] 圖1為30米處ABC-LSSVM、PS〇-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速對(duì)比圖；
[0041 ] 圖2(a)、圖2(b)分別為30米處PS〇-LSSVM、ABC-LSSVM風(fēng)速預(yù)測(cè)的適應(yīng)度對(duì)比圖；
[0042] 圖3為30米處ABC-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速相關(guān)性對(duì)比圖；
[0043] 圖4為30米處ABC-LSSVM、PS〇-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速功率譜對(duì)比圖；
[0044] 圖5為50米處ABC-LSSVM、PS〇-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速對(duì)比圖；
[004引圖6(a)、圖6(b)分別為50米處PS0-LSSVM、ABC-LSSVM風(fēng)速預(yù)測(cè)的適應(yīng)度對(duì)比圖；
[0046] 圖7為50米處ABC-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速相關(guān)性對(duì)比圖；
[0047] 圖8為50米處ABC-LSSVM、PS〇-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速功率譜對(duì)比圖；
[004引圖9為60米處ABC-LSSVM、PS0-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速對(duì)比圖；
[0049] 圖10 (a)、圖10 (b)分別為60米處PS0-LSSVM、ABC-LSSVM風(fēng)速預(yù)測(cè)的適應(yīng)度對(duì)比圖；
[0050] 圖11為60米處ABC-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速相關(guān)性對(duì)比圖；
[0051 ] 圖12為60米處ABC-LSSVM、PS〇-LSSVM預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速功率譜對(duì)比圖；
[0052] 圖13為ABC-LSSVM風(fēng)速預(yù)測(cè)流程圖。
【具體實(shí)施方式】
[0053] 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。
[0054] 人工蜂群算法(Adificial Bee Colony,ABC)是一種元啟發(fā)式智能算法，它受啟 發(fā)于蜜蜂的覓食行為，用來求解數(shù)值優(yōu)化問題。ABC主要由W下Ξ個(gè)部分組成：引領(lǐng)蜂 化mployed Bees)、跟隨蜂(化lookers)和偵察蜂(Scouts)。在每次循環(huán)中，引領(lǐng)蜂數(shù)量=跟 隨蜂數(shù)量=群體中解的數(shù)量SN，偵察蜂的個(gè)數(shù)為1。
[0055] ABC算法在求解優(yōu)化問題時(shí)，食物源的位置表示待優(yōu)化問題的一個(gè)可行解，蜜蜂采 蜜的過程也就是捜尋最優(yōu)解的過程。算法中，首先初始化生成SN個(gè)解，且每一個(gè)解xi(i = l， 2,……SN)都是一個(gè)D維向量。算法開始時(shí)，引領(lǐng)蜂先對(duì)初始食物源進(jìn)行一次領(lǐng)域捜索，比較 捜索前后花蜜質(zhì)量，如果捜索到的食物源花蜜質(zhì)量優(yōu)于W前的，則用新的食物源位置代替 舊的食物源位置，否則保持食物源位置不變。當(dāng)所有引領(lǐng)蜂完成捜索W后，通過跳搖擺舞在 舞蹈區(qū)把食物源花蜜質(zhì)量傳達(dá)給跟隨蜂。跟隨蜂根據(jù)引領(lǐng)蜂提供的信息按照一定得概率選 擇引領(lǐng)蜂進(jìn)行跟隨，越豐富的食物源被選擇的概率越大。跟隨蜂選中引領(lǐng)蜂后，也進(jìn)行一次 鄰域捜索，并保留較好的解。Limit或者稱為放棄闊值是ABC算法中的一個(gè)重要控制參數(shù)。假 定一個(gè)食物源經(jīng)過給定的循環(huán)次數(shù)Limit之后花蜜質(zhì)量沒有提高，表明運(yùn)個(gè)解陷入局部最 優(yōu)，那么與運(yùn)個(gè)解相對(duì)應(yīng)的引領(lǐng)蜂轉(zhuǎn)變?yōu)閭刹旆洹＜僭O(shè)被放棄的解是XI，那么就由偵察蜂通 過式(1)隨機(jī)產(chǎn)生一個(gè)新的解來代替XI。ABC算法就是通過重復(fù)的捜索，最終找到最優(yōu)解。
[0056] 初始化時(shí)，隨機(jī)產(chǎn)生可行解的公式如下式(1):
[0057]
[0058] 其中j e {1，2，……D}為D維可行解的某個(gè)分量。
[0059] 蜜蜂記錄自己到目前為止的最優(yōu)位置，并在當(dāng)前蜜源附近展開鄰域捜索，產(chǎn)生一 個(gè)新位置代替前一位置的公式為如下式(2):
[0060]
[0061] 其中je{l，2,……D}，ke{l，2,……SN}，k為隨機(jī)生成且k辛i，錢紹為[-1，1 ]之間的 隨機(jī)數(shù)。
[0062] ABC算法中按照如下公式計(jì)算適應(yīng)值：
[0063] 根據(jù)fi是否大于零，如下式(3):
[0064]
[0065] ABC算法中跟隨蜂選擇引領(lǐng)蜂的概率公式為如下式(4):
[0066]
[0067] fiti是第i個(gè)可行解的適應(yīng)度，對(duì)應(yīng)食物源的豐富程度;fi對(duì)應(yīng)目標(biāo)函數(shù)值。
[0068] 風(fēng)速序列數(shù)據(jù)是一組隨時(shí)間變化的數(shù)據(jù)序列，對(duì)于給定的風(fēng)速時(shí)間序列數(shù)據(jù){X (t)，t = l，2,…，m}，最小二乘支持向量機(jī)在選擇輸入輸出數(shù)據(jù)前，需對(duì)數(shù)據(jù)序列進(jìn)行空間 重構(gòu)，即把時(shí)間序列組轉(zhuǎn)化為矩陣形式來尋找數(shù)據(jù)間的關(guān)系。例如，t時(shí)刻的風(fēng)速X(t)可由 …，t-m)時(shí)刻的歷史風(fēng)速數(shù)據(jù)X(t-l)，X(t-2)，…，X(t-m)進(jìn)行預(yù)測(cè)，m為嵌入維 數(shù)，預(yù)測(cè)模型可W表示為:X(t) = f[X(t-l)，X(t-2)，…，X(t-m)]，本專利中嵌入維數(shù)m=10。 根據(jù)上述風(fēng)速預(yù)測(cè)模型可W建立一個(gè)多輸入單輸出的LSSVM風(fēng)速回歸預(yù)測(cè)模型。
[0069] 本發(fā)明基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法包括W下步驟：
[0070] 第一步：通過ARMA(Aut〇-Regressive and Moving Average Mode,自回歸滑動(dòng)平 均模型)法數(shù)值模擬出脈動(dòng)風(fēng)速時(shí)程樣本，作為原始脈動(dòng)風(fēng)速樣本數(shù)據(jù)，將某一個(gè)空間點(diǎn)的 脈動(dòng)風(fēng)速時(shí)程樣本分為訓(xùn)練集、測(cè)試集兩部分，設(shè)置風(fēng)速時(shí)間序列數(shù)據(jù)預(yù)測(cè)的嵌入維數(shù)m， 分別對(duì)訓(xùn)練集、測(cè)試集進(jìn)行歸一化處理；比如，采用ARMA數(shù)值模擬某200米超高層沿高度方 向取每隔10米的20個(gè)空間點(diǎn)的10000步的時(shí)間步長t = 0.5s的脈動(dòng)風(fēng)速時(shí)程樣本，取其中某 一個(gè)空間點(diǎn)的1400個(gè)數(shù)據(jù)，前1000個(gè)數(shù)據(jù)為訓(xùn)練集，后400個(gè)數(shù)據(jù)為測(cè)試集。本實(shí)施例分別 取30米、50米、60米處空間點(diǎn)的風(fēng)速時(shí)程樣本曲線進(jìn)行訓(xùn)練、測(cè)試，最大迭代次數(shù)200次，嵌 入維數(shù)m=10。
[0071] 上述第一步中，所述第一步中ARMA法的公式如下式(5):
[0072]
[0073] 式中：U (t)為脈動(dòng)風(fēng)速;Ai、Bj分別是Μ X Μ階AR和MA模型的系數(shù)矩陣;X (t)為Μ X 1階 正態(tài)分布白噪聲序列;Ρ為自回歸階數(shù)、q為滑動(dòng)回歸解數(shù);相關(guān)函數(shù)由功率譜通過維納一辛 欽公式下式算出，如下式(6):
[0074]
[007引通過對(duì)ARMA模型公式的矩陣變換，分別求解自回歸系數(shù)Ai和滑動(dòng)回歸系數(shù)Bi，建立 脈動(dòng)風(fēng)速表達(dá)式；
[0076] 上述第一步中，進(jìn)行歸一化處理公式為，如下式(7):
[0077]
[007引其中，Xmin是輸入的最小值，Xmax輸入的最大值，X為輸入值，上式把X的范圍調(diào)整到 [0，1]。
[0079] 第二步：建立LSSVM回歸預(yù)測(cè)模型，選擇RBF函數(shù)作為LSSVM的核函數(shù)，運(yùn)用Matlab 軟件運(yùn)行LSSVM模型程序，對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)；
[0080] 其中，第二步LSSVM預(yù)測(cè)模型選擇的核函數(shù)為高斯核函數(shù)(RBF)，RBF核函數(shù)的表達(dá) 式為如下式(8):
[0081]
[00對(duì)式中，Xi、x功訓(xùn)練樣本第i，j個(gè)元素；丫為RBF核函數(shù)參數(shù)。
[0083] 第Ξ步:把人工蜂群算法(ABC)引入LSSVM回歸預(yù)測(cè)模型中，設(shè)置LSSVM預(yù)測(cè)模型核 函數(shù)參數(shù)〇和正則化參數(shù)丫的范圍OE [0min，0max]和丫 E [丫min, 丫 max]、蜜源個(gè)數(shù)SN、最大循 環(huán)次數(shù)MCN、放棄闊值Limi t;
[0084] 第四步:根據(jù)式（1)隨機(jī)產(chǎn)生初始解集XU，W預(yù)測(cè)風(fēng)速與目標(biāo)風(fēng)速的均方根誤差 (RMSE)作為ABC算法的適應(yīng)度，并根據(jù)式(3)計(jì)算各個(gè)解XU的適應(yīng)度；
[0085] 第四步隨機(jī)產(chǎn)生初始解集XU及第八步中產(chǎn)生新解的公式如下式(9):
[0086]
[0087] 其中je{i，2,……D}為D維可行解的某個(gè)分量。
[0088] 第五步：引領(lǐng)蜂根據(jù)式(2)在初始解鄰域捜索產(chǎn)生新解VU，根據(jù)貪屯、選擇原則，若 vu的適應(yīng)度大于義^的適應(yīng)度，則XU = Vij，否則保持XU不變；
[0089] 所述第五步引領(lǐng)蜂在初始解鄰域捜索產(chǎn)生新解V