CN115374710B 基于改进海鸥优化算法和多核极限学习机的风速预测方法 （兰州理工大学）

基于改进海鸥优化算法和多核极限学习机于改进海鸥优化算法和多核极限学习机的风速风速分量数据均划分为训练集，验证集和测试用改进的海鸥优化算法对神经网络进行训练优22)采用经验小波变换将步骤1)的历史风速数据分4)将步骤3)各训练集和各验证集输入神经网络中迭代训练5)将步骤3)的各测试集输入至步骤4)优化的神经网络中，得到各个风速分量的预测6)根据经验小波逆变换将步骤5)各个风速分量的预测值进行重构，得到风速预测结4.4)更新第t次迭代时全局最优海鸥个体位置Pbest(t)和对应的全局最优适应度值Fbest4.6)攻击阶段在参数μ中引入余弦因子和10-2常数控制因子，更新第t次迭代时攻击阶据迭代训练验证神经网络得到的最优海鸥个体位置Pbest和对应的最佳适应度值Fbest，确定2.根据权利要求1所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，3.根据权利要求2所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，34.根据权利要求3所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，5.根据权利要求4所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，6.根据权利要求5所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，S47.根据权利要求6所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，8.根据权利要求7所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，9.根据权利要求8所述的基于改进海鸥优化算法和多核极限学习机的风速预测方法，min和xmax分别表示需要归一化的时间序列的最小值5[0004]标准的海鸥优化算法是由GauravDhiman于2019年提出的一种新型的群智能优化cθυ分别表6[0010]2)采用经验小波变换将步骤1)的历史风速数据分解为多个具有不同频率的风速[0020]4.4)更新第t次迭代时全局最优海鸥个体位置Pbest(t)和对应的全局最优适应度Maxiteration，根据迭代训练验证神经网络得到的最优海鸥个体位置Pbest和对应的最佳适应789所有参数编码为每个海鸥的位置，训练过程中每个海鸥个体在每次迭代时计算适应度值，[0072]图7是改进后的海鸥优化算法和传统海鸥优化算法在单峰函数SphereModel下的[0073]图8是改进后的海鸥优化算法和传统海鸥优化算法在多峰函数Generalized是利用改进的海鸥优化算法用于神经网络超参数的优化，并将采集的风速数据进行预处[0093]核极限学习机(KELM)是基于极限学习机(ELM)并结合核函数所提出的改进算法，[0106]结合公式(1)和(3)可以得到多核极限学习机(MKELM)模型，模型中需要确定的参[0108]参见图4，将多核极限学习机(MKELM)模型中的超参数顺序编码为海鸥的个体位[0111]采用Tent混沌映射算法初始化新的海鸥种群。采用具有较好分布性和均匀性的[0121]4.4)更新第t次迭代时全局最优海鸥个体位置Pbest(t)和对应的全局最优适应度鸥迁徙阶段的位置DS(t)；其中根据算法迁徙阶段的公式以及本发明提供的非线性递减的[0123]由于传统海鸥优化算法中海鸥个体靠近最优个体的步长过大，全局搜索能力较[0126]DS(t)表示第t次迭代时每只海鸥迁徙阶段的位置，即迭代次数t也解决了算法迭代后期递减收敛速度慢的问题。变量B用于控制海鸥个体向最优个体靠近参数μ中引入余弦因子和10-2常数控制因子策略控制个体位置过大，防止大量个体越界现θυ表示在笛卡尔坐标系中海鸥[0147]4.7)重复步骤4.3)～步骤4.6)中，直至迭代训练次数t达到最大迭代次数Maxiteration，根据迭代训练验证神经网络得到的最优海鸥个体位置Pbest对应的最佳适应度[0156]为了说明本发明提供的改进海鸥优化算法在风速预测上的精确度，进行下述验[0159]标准测试函数为单峰测试函数SphereModel、多峰测试函数Generalized[0160]图7为在单峰测试函数SphereModel上的运行结果，可以看出本发明提供的改进[0171]从表1中数据可以看出，基于优化算法的预测模型的预测精度相比未使用优化算误差和均方根误差都很小接近于0，平均绝对百分比误差也很小，说明模型的预测精度很平均绝对误差、均方根误差还是平均绝对百分比误差都优于使用传统海鸥优化算法的模的多种替换方法均应该包含在本发明权利要求书的保护