一种基于云遗传算法的风功率预测方法技术

本发明专利技术公开了一种基于云遗传算法的短期风功率预测方法。由于风资源的随机性和不确定性，根据风电场的历史风功率数据与历史气象数据进行风功率预测时存在一定困难，尤其在数学模型建立的过程中。该方法将云遗传算法运用于BP神经网络（back propagation neural network，前馈神经网络）建立预测模型，利用云遗传算法来优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快风功率预测处理的效率；实验证明该优化算法运用在风电场风功率预测中有助于提高预测精度，加快网络收敛速度。

【技术实现步骤摘要】
一种基于云遗传算法的风功率预测方法
本专利技术涉及风电场风功率预测领域，特别涉及一种基于云遗传算法的风功率预测方法。
技术介绍
随着生态环境的日益恶化，风电等绿色能源受到了越来越多的关注。近年来，我国风电装机容量增长迅速，与此同时风电功率的随机性、波动性带来的并网问题愈发凸显，需要对区域电网内的风电场进行高精度的风电功率预测，以便将风电纳入电网调度计划中，提高电网对风电的消纳能力。当前分布式风电发电机组安装容量的不断增大，虽然各个风电场建设前都有风资源评估。但是随着社会的不断发展和进步，人们对电力系统的稳定性要求越来越高，另外由于当前资源紧缺的情况下，尽可能最大力度的充分利用风力发电而减少常规能源发电，减少资源消耗和环境污染。由于风资源的随机性和不确定性，根据风电场历史数据进行功率预测时存在一定的困难，尤其是在数学模型建立的过程中。数学模型一般采用一定的统计方法，通过大量风电场历史数据对模型进行训练，建立输入数据与风电功率的映射关系，从而对风电功率进行预测。风功率预测的数学模型建立方法主要有：时间序列法、神经网络、模糊逻辑等方法。目前，BP神经网络(backpropagationneuralnetwork，前馈神经网络)在国内外一些风功率预测软件中已得到实际应用。然而，BP神经网络在实际应用中存在一些缺陷与不足：1)BP神经网络算法进行权值修正时，误差函数通常采用梯度下降方式，为单相搜索，全局寻优能力欠佳；2)BP神经网络参数初始化随机，导致学习中出现重复的可能性较大，导致网络收敛速度过慢，甚至训练陷入瘫痪状态。本专利将基于云理论的云遗传算法应用于BP神经网络算法中，既能够提升云遗传算法的全局寻优能力，提高风功率预测精度，又能够加快神经网络的全局寻优速度。经对现有技术文献的检索发现，一种基于方差最小的短期风功率预测方法(专利技术专利：CN201510768952.2)，该申请提出通过统计预测模型和物理预测模型构成组合预测模型，根据历史风功率数据和气象数据的对应关系，分别用统计预测模型和物理预测模型预测风功率，综合了单一模型的优点，提高了预测的精度。虽然该方法有助于提升预测精度，但是所用数据量大，涉及模型较多，容易引入偶然误差，影响预测精度。
技术实现思路
本专利技术的目的在于克服现有技术存在的上述不足，提出了一种基于云遗传算法的风功率预测方法，所提方法将云遗传算法运用于BP神经网络建立预测模型，利用云遗传算法来优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快风功率预测处理的效率。一种基于云遗传算法的短期风功率预测方法，其将云遗传算法运用于BP神经网络算法中，利用云遗传算法优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快其功率预测处理效率。进一步地，其具体步骤如下：步骤1：确定BP神经网络结构，选择所用样本数据建立BP神经网络结构。BP神经网络的输入与输出之间是一种高度非线性映射关系，如果输入节点数是N，输出节点数是M，则网络是从N维欧式空间到M维欧式空间的映射。本文选用典型的三层BP网络作为参考，分别为输入层、隐含层、输出层，令网络的输入层、隐含层和输出层的节点分别为m、p、q，输入样本总数为n，若输入层节点xni，隐含层节点snj，输出层节点ynt，输入层节点与隐含层节点的网络权值为wij，隐含层节点与输出层节点间的网络权值为vjt。；步骤2：初始化网络权值，初始化BP网络参数的权值和阈值，随机生成若干个输入层和隐含层之间的权值wij，隐含层和输出层之间的权重wjk；正向传播过程中，各层节点输出：snj＝f(net)j＝1,2,3...pynt＝f(netnt)t＝1,2,...,p在上面各式中，通常选取激励函数都为单极性函数步骤3：初始化种群，即遗传算法中的编码。随机产生N个初始串结构数据，每个串结构数据称为一个个体。N个个体构成一个群体。遗传算法以这N个初始串结构数据作为初始点开始迭代。步骤4：确定目标函数，以BP神经网络的误差函数的倒数作为最优的搜索适应度函数，式中，cnl为设定的输出节点目标值，ynl为输出节点。当神经网络误差达到最小值时，适应度函数取得最大值，此状态下即为最优的网络权值。；步骤5：以初始化的种群的个体作为输入量，代入适应度函数中计算每个种群中每个个体的适应度；步骤6：若适应度满足系统所设定的适应度值要求或者迭代次数要求，则系统跳转至步骤10，否则进行下一步；步骤7：保存种群中适应度最高的个体，用于进行遗传算法中的交叉、变异等操作；步骤8：利用云理论中的Y条件发生器生成子代种群，实现交叉操作。正态云模型是一个遵循正态分布规律、具有稳定倾向的随机数集，用期望值Ex、熵En、超熵He三个数值来表征。期望值Ex：在数域空间最能够代表这个定性概念的点，反映了云的重心位置。熵En：一方面反映了在数域空间可被语言值接受的范围；另一方面还反映了在数域空间的点能够代表这个语言值的概率，表示定性概念的云滴出现的随机性。它揭示了模糊性和随机性的关联性。超熵He：是熵的不确定度量，反映了在数域空间代表该语言值的所有点的不确定的凝聚性。交叉操作：(1)随机生成或人为制定确定度μ；(2)(3)En＝变量搜索范围/c1，c1取3*p，p为种群大小；(4)He＝En/c2，c2取5～15之间的值；(5)由Y条件发生器产生子代种群；式中：xf和xm分别为交叉操作中的父个体和母个体；Ff和Fm则分别对应他们的适应度。步骤9：利用基本正态云云发生器实现基因突变，即遗传算法中变异操作；变异操作：(1)Ex取原个体；(2)En＝变量搜索范围/c3，c3取5；(3)He＝En/c4，c4取5～15之间的值；(4)执行基本正态云云发生器，生成随机数Temp，当μ>Temp时，更新种群中个体。跳转至步骤5。步骤10：获取最优权值wij、wjk，将其代入BP神经网络正向传播计算，计算各层样本训练输出值与期望值之间的误差平方；步骤11：输出权值；进一步地，其特征在于基本正态云云发生器：给定云的三个数字特征{Ex，En，He}和n个云滴数，生成n个期望值为En，方差为He的正态随机数En'＝RANDN(En,He)xi＝RANDN(Ex,En')通过上式产成n个云滴(xi,μi)，其中，xi是期望值为Ex的正态随机数，μi是期望值为Ex的正态云的期望曲线在xi处的隶属度。Y条件云发生器：给定云的三个数字特征{Ex，En，He}和特定的确定度μ0，生成n个期望值为En，方差为He的正态随机数En'＝RANDN(En,He)通过上式产生n个云滴(xi,μ0)。与现有技术相比，本专利技术具有如下优点和技术效果：本专利技术提出了基于云遗传算法的风功率预测方法，该方法将云遗传算法运用于BP神经网络建立预测模型，利用云遗传算法来优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快风功率预测处理的效率。附图说明图1是基于云遗传算法的BP神经网络流程图。图2是正态云模型的三个数字特征示意图。图3是基于云遗传算法的BP神经网络风功率预测结果图。具体实施方式下面结合附图，对本专利技术做进一步地详细说明，但本专利技术的实施方式不限于此，需指出的是，以下若有未特别详细说明之过程或者参数，均是本领域技术本文档来自技高网...

【技术保护点】
一种基于云遗传算法的短期风功率预测方法，其特征在于：将云遗传算法运用于BP神经网络算法中，利用云遗传算法优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快功率预测处理效率。

【技术特征摘要】
1.一种基于云遗传算法的短期风功率预测方法，其特征在于：将云遗传算法运用于BP神经网络算法中，利用云遗传算法优化BP网络参数的权值和阈值，加快BP神经网络的优化学习速度，从而加快功率预测处理效率。2.根据权利要求1所述的一种基于云遗传算法的短期风功率预测方法，其特征在于，具体步骤如下：步骤1：确定BP神经网络结构，选择所用样本数据建立BP神经网络结构；所述BP神经网络的输入与输出之间有高度非线性映射关系，如果输入节点数是N，输出节点数是M，则网络是从N维欧式空间到M维欧式空间的映射；对于三层BP网络，有输入层、隐含层、输出层，令网络的输入层、隐含层和输出层的节点分别为m、p、q，输入样本总数为n，若输入层节点xni，隐含层节点snj，输出层节点ynt，输入层节点与隐含层节点的网络权值为wij，隐含层节点与输出层节点间的网络权值为vjt；步骤2：初始化网络权值，初始化BP网络参数的权值和阈值，随机生成若干个输入层和隐含层之间的权值wij，隐含层和输出层之间的权重wjk；正向传播过程中，各层节点输出：Snj＝f(net)j＝1,2,...pynt＝f(netnt)t＝1,2,...,p在上面各式中，通常选取激励函数都为单极性函数x代表上述各种中的相应量；步骤3：初始化种群，即遗传算法中的编码，随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成一个群体，遗传算法以这N个初始串结构数据作为初始点开始迭代；步骤4：确定目标函数，以BP神经网络的误差函数的倒数作为最优的搜索适应度函数，式中，cnl为设定的输出节点目标值，ynl为输出节点；当神经网络误差达到最小值时，适应度函数取得最大值，此状态下即为最优的网络权值；步骤5：以初始化的种群的个体作为输入量，代入适应度函数中计算每个种群中每个个体的适应度；步骤6：若适应度满足所设定的适应度值要求或者迭代次数要求，则跳转至步骤10，否则进行下一步；步骤7：保存种群中适应度最高的个体，用于进行遗传算法中的交叉、变异操作；步骤8：利用云理论中的Y条件发生器生成子代种群，实现交叉操作；正态云模型是一个遵循正态分布规...

【专利技术属性】
技术研发人员：张育嘉，杨苹，陈燿圣，宋嗣博，郑成立，何婷，彭嘉俊，刘泽健，许志荣，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44