一种基于改进粒子群优化BP神经网络的风电功率预测方法技术

本发明专利技术公开了一种基于改进粒子群优化BP神经网络的风电功率预测方法，(1)：将BP神经网络中的权值和阈值编为粒子，并进行初始化；(2)：以BP神经网络训练所得结果与期望值之差作为适应度函数，计算每个粒子适应度值；(3)：将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；(4)：更新粒子速度与位置；(5)：判断所得全局最优粒子是否满足终止条件，若满足设定终止条件，则停止运算输出最优权值阈值，否则返回步骤(2)迭代运算；(6)：利用(5)获得的最优权值阈值连接BP神经网络的输入层、隐含层与输出层，根据BP神经网络结果预测得到风电功率预测结果。收敛速度更快，精度高，且不易陷入局部极值。

A method of wind power prediction based on Improved Particle Swarm Optimization BP neural network

The invention discloses a wind power prediction method of improved particle swarm optimization based on BP neural network, (1): BP neural network weights and thresholds for particles, and is initialized; (2): the results of BP neural network training and the expected value as the difference of fitness function calculation the fitness value of each particle; (3): the fitness value of each particle compared with the individual optimal particle, global optimal particle; (4): update the velocity and position; (5): to determine whether the global optimal particle termination condition, if meet set termination conditions, then stop the optimal operation output the weight threshold, otherwise return to step (2) iterative operation; (6): (5) the use of input layer, hidden layer optimal weight threshold for connection of BP neural network and BP neural network output layer, according to the results of wind power prediction is obtained Prediction result. The convergence speed is faster, the accuracy is high, and it is not easy to fall into local extremum.

【技术实现步骤摘要】
一种基于改进粒子群优化BP神经网络的风电功率预测方法
本专利技术涉及新能源预测控制，尤其涉及一种基于改进粒子群优化BP神经网络的风电功率预测方法。
技术介绍
风能作为一种可再生能源，具有无污染、不需要燃料、不占用耕地等优势，越来越受到人们的关注，储量也十分巨大，根据相关资料统计，每年来自外层空间的辐射能为1.5*1018kWh，其中的2.5％，即3.8*1016kWh的能量被大气吸收，产生大约4.3*l0l2kWh的风能。我国实际可开发利用的风能资源储量为2.53亿kW，占据10m高度层总风能资源的7.8％。世界风能协会发布的半年度报告指出，全球风电产业2015年新增装机63013MW，年度市场增长率高达22％。美国市场全年达到8.6GW，德国超过预期，新增6GW，其中包括2.3GW的海上项目。到2015年年底，全球风电累计装机容量达到432419MW，累计年增长率达到17％。与此同时，截至2015年，作为风力发电装机容量的第一大国，我国风电累计装机容量达到145.1GW，单年风电发电量达1863亿千瓦时，占全部发电量的3.3％。随着风电技术的日渐成熟，其运行成本的不断降低，风力发电呈现出了强劲的增长势头，在电力市场需求中所占比例的也不断增大，而风力发电对电网的负面影响也随之凸显。由于风能具有较强的间歇性、随机性和不可控性，风电功率也有较大的波动，这将会严重影响到电力系统的安全稳定运行。对风力发电功率进行预测，能够将未知变为已知，有效减轻此类发电系统接入电网的影响，提高可再生能源的利用率，获得更大的经济效益。因此，开展风力发电功率预测研究并逐步提高其预测精度是一项极具深远意义的工作。BP神经网络(BackPropagationNeuralNetwork，BPNN)以其良好的非线性映射能力、自适应学习能力，广泛应用于风力等发电系统的发电预测，然而由于BP算法的实质为梯度下降法，使其在运行速度与精度两方面均不够理想。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供一种基于改进粒子群优化BP神经网络的风电功率预测方法，预测结果具有更好的非线性拟合能力，更快的收敛速度和更高的预测精度，且不易陷入局部最优。为了实现上述目的，本专利技术采用如下技术方案：一种基于改进粒子群优化BP神经网络的风电功率预测方法，包括如下步骤：步骤(1)：将BP神经网络中的权值和阈值编为粒子，并对其进行初始化；步骤(2)：以BP神经网络训练对训练集训练所得的风电功率预测输出结果与风电功率期望值之差作为适应度函数，计算每个粒子适应度值；步骤(3)：将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；步骤(4)：根据预设规则更新粒子速度与位置；步骤(5)：判断所得全局最优粒子是否满足设定终止条件，若满足设定终止条件，则停止运算输出最优权值阈值，否则返回步骤(2)迭代运算；步骤(6)：利用步骤(5)获得的最优权值阈值连接BP神经网络的输入层、隐含层与输出层，根据BP神经网络结果预测得到风电功率预测结果。所述步骤(1)中初始化内容包括粒子种群规模、初始位置与初始速度。所述步骤(2)中适应度函数为：式中：Ok为第k个节点的风电功率期望输出，yk为第k个节点的风电功率预测输出。所述步骤(3)中若每个粒子的适应度值优于个体最优则将该粒子设为个体最优，再将个体最优与全局最优进行比较，若优于全局最优则将该粒子设为全局最优。所述步骤(4)中粒子速度更新依据的公式如下：vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))式中：vi(t)为第i个粒子在第t次迭代中的速度；xi(y)为第i个粒子在第t次迭代中的位置；ω为惯性权重；c1、c2分别为认知学习因子和社会学习因子；r1与r2为[0，1]之间的随机数，pg(t)为第t次迭代中的个体最优值；pg(t)为第t次迭代中的全局最优值。c1、c2的取值为c1＝c2＝2。所述步骤(4)中粒子位置更新所依据的公式如下：xi(t+1)＝xi(t)+vi(t+1)式中：xi(t+1)为第i个粒子在第t+1次迭代中的位置。其中对ω定义如下：其中n为粒子总数，α为[0,1]区间的随机数，ft(Xi)为第t次迭代时第i个粒子对应的适应度值，ft(Xbest)为第t次迭代时最优粒子对应的适应度值。所述步骤(6)中输入层节点由输入数据决定，输入层可以选择预测时刻的前一时刻，前两时刻与前三时刻的风电功率值。所述步骤(6)中隐含层节点数的选择由以下公式确定：其中m为输入层节点数，q为输出层节点数，a为试凑数，取值范围为1～10。本专利技术将改进粒子群算法与BP神经网络相结合对风电场输出功率进行预测，改进粒子群算法通过每次迭代所得适应度值的情况来判断下次粒子搜索的速度与步长，提高效率与精度，避免其陷入局部最优，用改进粒子群算法的寻优能力优化神经网络的权值和阈值，取得了优于BP神经网络的预测结果。本专利技术的有益效果：本专利技术用可自适应调节权重的改进粒子群算法替代BP神经网络中的按梯度下降的误差函数以调节权值阈值，能够迅速搜寻到最优权值阈值，改进粒子群算法则可以避免其在寻优过程中陷入局部极值，利用本专利技术的预测算法所得到预测结果具有更好的非线性拟合能力，更快的收敛速度和更高的预测精度。附图说明图1为BP神经网络结构示意图；图2为改进粒子群优化BP算法的流程图；图3为BP神经网络预测风电功率；图4为粒子群算法优化BP神经网络预测风电功率；图5为改进粒子群算法优化BP神经网络预测风电功率；图6为三种模型的绝对误差对比；图7为标准粒子群优化算法应用于BP网络时的收敛性；图8为改进粒子群优化算法应用于BP网络时的收敛性。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。针现有技术存在的问题，本专利技术提出一种基于改进粒子群优化BP神经网络的风电功率预测方法，与标准粒子群优化的BP神经网络预测算法相比，所提优化预测模型的预测结果具有更好的非线性拟合能力，更快的收敛速度和更高的预测精度，且不易陷入局部最优，MATLAB仿真验证了本专利技术所提算法与模型的有效性和实用性。人工神经网络是基于仿生学而对生物神经系统的模拟。与生物神经系统类似，人工神经网络存在大量的神经元通过复杂的连接构成完整的神经网络，每个神经元的输入都对应单一的输出，从而进行分布式并行信息处理，同时神经网络还具有学习与自适应的能力。随着工程的各种需求，学者们已提出多种神经网络模型，其中反向传播网即BP网络是已提出的各种人工网络模型中最典型、应用最广泛的一种，它具有良好的非线性映射能力、自适应学习能力，很适合风力等发电系统的发电预测。如图1所示，BP神经网络一般由三层组成，包括：输入层、隐含层、输出层，其中输入层有m个节点，隐含层有n个节点，输出层有q个节点，ωmn和ωnq分别为输入层与隐含层之间、隐含层与输出层之间的连接权值，bn和bq分别为隐含层与输出层各层节点之间的阈值。设一组输入向量为X＝(x1,x2,…xm)，输出层输出向量为Y＝(y1,y2,…yq)，期望输出向量为O＝(o1,o2,…oq)。BP神经网络工作流程如下：首先对神经网络进行训练，训练的过程分为信息正向传递和误差反向传播两个过程，对于信息正向传递有：隐含层的第n个节点输本文档来自技高网...

【技术保护点】
一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征是，包括如下步骤：步骤(1)：将BP神经网络中的权值和阈值编为粒子，并对其进行初始化；步骤(2)：以BP神经网络训练对训练集训练所得的风电功率预测输出结果与风电功率期望值之差作为适应度函数，计算每个粒子适应度值；步骤(3)：将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；步骤(4)：根据预设规则更新粒子速度与位置；步骤(5)：判断所得全局最优粒子是否满足设定终止条件，若满足设定终止条件，则停止运算输出最优权值阈值，否则返回步骤(2)迭代运算；步骤(6)：利用步骤(5)获得的最优权值阈值连接BP神经网络的输入层、隐含层与输出层，根据BP神经网络结果预测得到风电功率预测结果。

【技术特征摘要】
1.一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征是，包括如下步骤：步骤(1)：将BP神经网络中的权值和阈值编为粒子，并对其进行初始化；步骤(2)：以BP神经网络训练对训练集训练所得的风电功率预测输出结果与风电功率期望值之差作为适应度函数，计算每个粒子适应度值；步骤(3)：将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；步骤(4)：根据预设规则更新粒子速度与位置；步骤(5)：判断所得全局最优粒子是否满足设定终止条件，若满足设定终止条件，则停止运算输出最优权值阈值，否则返回步骤(2)迭代运算；步骤(6)：利用步骤(5)获得的最优权值阈值连接BP神经网络的输入层、隐含层与输出层，根据BP神经网络结果预测得到风电功率预测结果。2.如权利要求1所述一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征在于，所述步骤(1)中初始化内容包括粒子种群规模、初始位置与初始速度。3.如权利要求1所述一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征在于，所述步骤(2)中适应度函数为：式中：Ok为第k个节点的期望输出，yk为第k个节点的预测输出。4.如权利要求1所述一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征在于，所述步骤(3)中若每个粒子的适应度值优于个体最优则将该粒子设为个体最优，再将个体最优与全局最优进行比较，若优于全局最优则将该粒子设为全局最优。5.如权利要求1所述一种基于改进粒子群优化BP神经网络的风电功率预测方法，其特征在于，所述步骤(4)中粒子速度更新依据的公式如下：vi(t+1)＝ωvi(t)+c1r1(pb(t)-x...

【专利技术属性】
技术研发人员：陈阿莲，袁鲍蕾，张承慧，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37