[发明专利]自适应迭代加强的短期风速高精度组合预测方法

摘要

一种自适应迭代加强的短期风速高精度组合预测方法利用风速数据构造样本集，形成风速时间序列并做归一化处理；对归一化后的风速时间序列进行预测；对归一化后的风速时间序列进行预测；对归一化后的风速时间序列进行预测；将预测结果作为用于组合预测的GRNN神经网络的输入，预测结果对应的实际风速值作为GRNN神经网络的输出，构成样本集，将样本集分为训练样本集和测试样本集；初始化训练样本集的权重分布，对训练样本集中的每一个训练样本都赋予相同的权重；采用具有权重分布的训练样本集对GRNN神经网络进行K次训练，得到K个弱预测器；将K个弱预测器组合为加强预测器。本发明能够得到短期风速高精度的预测值。

主权项

一种自适应迭代加强的短期风速高精度组合预测方法，其特征在于，包括如下步骤：1)利用风速数据构造样本集，形成风速时间序列，对风速时间序列做归一化处理；2)采用基于ARMA模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于SVR模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；采用基于BP神经网络模型的风速预测方法对归一化处理后的风速时间序列进行预测，预测结果为t＝1,2,...,n；3)将步骤2)得到的3个预测方法的预测结果和作为用于组合预测的GRNN神经网络的输入，3个预测方法的预测结果和对应的实际风速值yt作为GRNN神经网络的输出，构成样本集将样本集T分为训练样本集T1和测试样本集T2，训练样本集T1用于网络的训练，训练样本集大小为n1，测试样本集T2用于检验组合预测方法的效果，测试样本集大小为n2，n＝n1+n2；4)初始化训练样本集T1的权重分布，对训练样本集T1中的每一个训练样本都赋予相同的权重w1i＝1/n1，训练样本集T1的权重分布Dk如下：Dk={w11,w12,...,w1i,...,w1n1},w1i=1n1,i=1,2,...,n1,k=1---(2)]]>其中，Dk为GRNN神经网络第k次训练中训练样本集T1的权重分布，w1i为第i个训练样本的权重，并根据训练样本的维数确定GRNN神经网络结构；5)采用具有权重分布Dk的训练样本集T1对GRNN神经网络进行训练，每次训练都将训练样本集T1权重分布Dk更新为Dk+1，k＝1,2,...,K，并利用更新权重分布后的训练样本集T1进行下一次的训练，共训练K次，每训练一次得到一个权值为αk的弱预测器将GRNN神经网络训练K次之后，得到K个弱预测器；6)将K个弱预测器组合为如下的加强预测器，用于自适应迭代加强的短期风速高精度组合预测：f(y^1,y^2,y^3)=Σk=1KαkΣk=1KαkGk(y^1,y^2,y^3)---(9).]]>