![](https://csdnimg.cn/release/download_crawler_static/87487821/bg4.jpg)
ugp,q=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪vgp,q+F1×(vgr1,q−vgr2,q)+ F2×(vgbest,q−vgr3,q),若 randgp,q(0,1)≤CRvgp,q,否则
up,qg={vp,qg+F1×(vr1,qg−vr2,qg)+ F2×(vbest,qg−vr3,qg),若 randp,qg(0,1)≤CRvp,qg,否则
其中, vgbest,qvbest,qg 为当前种群中最好个体, r1r1、r2r2, 以及 r3r3 分别是在 NPNP
内随机选择的三个互不相同的整数, 同时也不等于目标个体的索引值.当生成的随机数
randgp,q(0,1)randp,qg(0,1)小于等于交叉系数 CR 时, 子代个体中的元素就赋值为对应的变
异个体, 否则该元素赋值为对应父代个体元素.
步骤 5. 判断交叉后的个体是否超出了边界范围, 如超出边界范围则进行修复, 使其在
可行域内随机产生, 作为新的交叉后的个体; 否则, 执行步骤 6.
步骤 6. 交叉操作后得到的子代个体要与对应的父代目标个体进行自适应函数值的比
较, 二者中较优的一个将作为新的父代目标个体进入后续的迭代搜索过程, 具体选择方式为
vvg+1p={uugp,vvgp,若 F(uugp)≤F(vvgp)否则 vvpg+1={uupg,若 F(uupg)≤F(vvpg)vvpg,否则
其中, uugp=(ugp,1,ugp,2,⋯,ugp,M)uupg=(up,1g,up,2g,⋯,up,Mg).
步骤 7. 判断终止条件是否满足.当迭代次数达到最大迭代次数 gmaxgmax 时, 满足算
法的终止条件, 算法终止运行, 输出最优解(即 HKLSSVM 的最佳参数).否则, 转至步骤 4,
执行 g+1g+1, 继续进行迭代.
1.3 稀疏选择
由于 LSSVM 式(4)中 αi=γξiαi=γξi, 导致解向量具有较弱的稀疏性.基于文献[27]提出的
稀疏剪枝策略, 本文设计一种带有稀疏选择的 IDE-HKLSSVM (Sparse IDE-HKLSSVM,
SIDE-HKLSSVM)算法, 从原始数据集中选取出合适的训练样本集.具体步骤如下:
步骤 1. 利用 NN 个样本数据训练 IDE-HKLSSVM 模型.
步骤 2. 对|αi||αi|由低到高进行排序, 设置稀疏阈值 λλ, 对训练样本进行稀疏选择, 如
果|αi|≤λ|αi|≤λ, 则删掉对应的训练样本; 否则, 保留原有的训练样本.
步骤 3. 利用 IDE-HKLSSVM 方法重新训练稀疏后的训练样本集.
步骤 4. 判断是否满足稀疏选择迭代次数 θθ, 如果满足则稀疏选择策略停止; 如不满
足, 则继续执行步骤 2.
从以上稀疏策略可知, 每一次稀疏选择的迭代过程都会删掉部分的训练数据, 使得新
的训练数据集具有稀疏性.并且在每次选择过程中, IDE 都会优化 HKLSSVM 的模型参数,
保证了稀疏后的模型具有较高的预测精度.
1.4 风场批划分和批样机的选取
传统策略对实际风功率进行预测时分为两种方式: 1)利用风场的整体信息来对风场风
功率进行预测; 2)对每台风机进行风功率预测, 再对所有机组风功率进行预测求和, 从而实