(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211136881.0 (22)申请日 2022.09.19 (71)申请人 兰州理工大 学 地址 730050 甘肃省兰州市七里河区兰工 坪路287号 (72)发明人 郭秀婷　朱昶胜　孔令杰　任娜　 (74)专利代理 机构 西安佩腾特知识产权代理事 务所(普通 合伙) 61226 专利代理师 曹宇飞 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 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 (57)摘要 本发明属于风速预测技术领域， 涉及一种基 于改进海鸥优化算法和多核极限学习机的风速 预测方法， 包括： 1)获取风电场实测的历史风速 数据； 2)采用经验小波变换将历史风速数据分解 为多个具有 不同频率的风速分量； 3)分别将各个 风速分量数据均划分为训练集， 验证集和测试 集； 4)将训练集和验证集输入神经网络中， 并利 用改进的海鸥优化算法对神经网络进行训练优 化， 得到优化的神经网络， 神经网络为多核极限 学习机； 5)将测试集输入至优化的神经网络中， 得到各个风速分量的预测值； 6)根据经验小波逆 变换预测值进行重构， 得到风速预测结果。 本发 明能实现全局搜索优化， 提高收敛速度和收敛精 度， 加快神经网络的收敛速度， 提高预测的精度。 权利要求书3页 说明书11页 附图6页 CN 115374710 A 2022.11.22 CN 115374710 A 1.一种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， 其特征在于， 包括 以下步骤： 1)获取风电场实测的历史风速数据； 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分量； 3)分别将各个风速分量均划分为训练集、 验证集和 测试集； 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神经网络， 并利用改进的海 鸥优化算法对神经网络的超参数进行优化， 得到优化的神经网络； 所述神经网络为多核极 限学习机； 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 值； 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 果。 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， 其特征在于， 所述 步骤3)中， 训练集、 验证集和 测试集的划分比例为6： 2： 2。 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， 其特征在于， 所述 步骤4)中的具体步骤是： 4.1)确定神经网络的超参数； 4.2)将神经网络中的超参数编码为海鸥种群的位置信息， 并利用Tent混沌映射方法初 始化海鸥种群位置， 并设置初始的海鸥优化算法参数， 参数包括种群数目N、 最大迭代 次数 Maxiteration、 搜索空间的维数D、 可 行解的上限向量ub和可 行解的下限向量 lb； 4.3)将风速分量的训练集输入神经网络 中， 分别利用每只海鸥位置表示的超参数开始 训练神经网络， 然后 将验证集输入训练后的神经网络中， 得到验证集对应的风速预测值， 计 算验证集预测值的平均绝对误差， 即海鸥个 体的适应度值； 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Fbest (t)； 4.5)在迁徙阶段将线性递减的附加变量A改进为非线性， 更新第t次迭代时每只海鸥迁 徙阶段的位置DS(t)； 4.6)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 段每只海鸥个 体的位置Ps(t)； 4.7)重复步骤4.3)～步骤4.6)， 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和对应的最佳适应度值Fbest， 确定 出最佳的神经网络的超参数。 4.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， 其特征在于， 所述 步骤4.1)中， 多 核极限学习机的输出f(x)如下： 其中： I是单位矩阵， C是正则化系数， L为期望输出， K( ·,·)表示核函数， ΩELM是核函 数矩阵， x1,…， xN为给定风速训练样本； T为矩阵转置；权　利　要　求　书 1/3 页 2 CN 115374710 A 2所述核函数矩阵ΩELM定义如下： 其中： H是隐含层输出矩阵； h(xi)表示输入风速为xi时的隐含层的输出； h(xj)表示输入 风速为xj时的隐含层的输出； ΩELMi,j表示核矩阵中ΩELM第i行第j列的元素， xi,xj为实验输 入向量， 即第i行的风速训练样本， 第j列的风速训练样本； T为矩阵转置； 其中： KPoly(x,xi)表示多项式核函数； KRBF(x,xi)表示径向基核函数； λ为多项式核函数的权重 系数； n和d均是多 项式核函数的核参数， σ 为径向基核函数的核参数。 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， 其特征在于， 所述步骤4.2)中， 将T ent混沌映射到D维解空间中， 得到初始 化的海鸥种群X＝ {Xi,i＝1,2,…,N}， 种群 个体表示为： Xi＝lb+(ub‑lb)*xi； 其中： ub为可行解的上限向量， lb为可行解的下限向量； Xi为第i个海鸥种群， xi为Tent 混沌映射D维空间产生混沌序列； 所述Tent混沌映射的表达式为： 其中： α ∈(0,2]为混沌参数， 与混沌性成正比。 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， 其特征在于， 所述 步骤4.3)中， 根据下述的关系验证集预测值的平均绝对误差： 其中： MAE验证集预测值的平均 绝对误差， 即为迭代第t次对应的海鸥个体的适应度值； S为预测样本的个数， i＝1,2, …,S； yi为验证集第i个实际风速值， 为验证集第i个预测风 速值。 7.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， 其特征在于， 所述 步骤4.5)中， Ds(t)＝|A×PS(t‑1)+B×(Pbest(t‑1)‑PS(t‑1))| 其中： DS(t)表示每只海鸥迁徙阶段的位置， 即迭代次数t次时海鸥个体与全局最优个体之间 的距离； B＝2×A2×rand()， rand表示随机数， 取值范围为[0,1]；权　利　要　求　书 2/3 页 3 CN 115374710 A 3