基于DE-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DE

【技术实现步骤摘要】
基于DE
‑
BP神经网络的风电功率预测方法


[0001]本专利技术属于风电功率预测方法
，涉及一种基于DE
‑
BP神经网络的风电功率预测方法。

技术介绍

[0002]随着我国风电装机容量的不断增长,大规模风电的接入对电网的影响越来越明显。对风电功率进行准确有效的预测能够减少风电接入对电网的不良影响,优化电网调度。高精度的风电场输出功率预测可以有效减轻电力系统错峰、错频压力，也是给用户端提供一个经济、可靠、安全的供电网络的基础。
[0003]差分进化算法(Differential Evolution Algorithm,DE)采用一对一的竞争机制，只有当子代个体优于父代个体时才会置换父代个体。
[0004]BP(Back Propagation Neural Network,BP)预测模型确立的过程，就是对训练集训练的过程，此过程中决策变量很多，BP的标准学习算法使其易陷入局部最优解。由于带有自适应变异因子的DE算法能在全局寻优和局部寻优中获得一个较好的平衡，并且收敛性能较好，且易于实现，所以，基于DE优化的DE
‑
BP可以避免陷入局部点，从而使BP模型的预测结果精度提高。
[0005]现有的准确率高的风电功率预测方法大部分是基于人工神经网络，如BP神经网络，RBF神经网络进行预测，但这些方法容易陷入局部最优值，收敛速度过慢。

技术实现思路

[0006]本专利技术的目的是提供一种基于DE
‑
BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。
[0007]本专利技术所采用的技术方案是，基于DE
‑
BP神经网络的风电功率预测方法，具体按照如下步骤实施：
[0008]步骤1，获取风电功率相关数据并进行处理；
[0009]步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；
[0010]步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE
‑
BP神经网络模型；
[0011]步骤4，将DE
‑
BP神经网络模型用于风电功率的预测，进行风电功率预测。
[0012]本专利技术的特征还在于，
[0013]步骤1具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度。
[0014]步骤2具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神
经网络的误差平方和最小，构建BP神经网络模型。
[0015]步骤2具体为：
[0016]步骤2.1，定义输入层和输出层节点数
[0017]输入层节点数是影响风电功率的因素的个数m，输出层的节点数是p；
[0018]步骤2.2，确定隐含层节点数n：
[0019][0020]其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；
[0021]步骤2.3，隐含层节点的输出为：
[0022][0023]其中，O
j
表示隐含层的输出，j＝1,2,
…
,n，f(x)为Sigmoid激励函数，x
i
表示隐含层的输入，i＝1,2,
…
,m，ω
ij
表示隐含层的权值，θ
j
表示隐含层的阈值；
[0024]步骤2.4，输出层节点的输出为：
[0025][0026]其中，y
k
表示输出层的输出，O
j
表示输出层的输入，即为隐含层的输出，T
jk
表示输出层的权值，θ
j
表示输出层的阈值，i＝1,2,
…
,m，j＝1,2,
…
,n，k＝1,2,
…
,p；
[0027]步骤2.5，构建BP神经网络模型
[0028]BP神经网络的基本结构公式如下：
[0029]Y＝sigmoid[W2·
sigmoid(W1·
X
‑
O1)
‑
O2]ꢀꢀ
(4)
[0030]其中，Y＝(y1,y2,
…
,y
p
)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x1,x2,
…
,x
m
)为BP神经网络输入矩阵，Sigmoid为激励函数W1、W2分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O1、O2为BP神经网络中输入层到隐含层、隐含层到输出层的阈值矩阵；
[0031]步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
[0032]影响风电功率的因素为风向、风速、气压、湿度、气温、功率。
[0033]输出层为风电功率，节点数是1。
[0034]步骤3具体为：用DE算法对步骤2得到的BP神经网络模型的初始权值和阈值进行全局预搜索，将获得的最优解赋给BP作为其初始权值和阈值，然后利用嵌入梯度下降法深度局部搜索，以得到满足训练目标的网络权值和阈值，得到最终的DE
‑
BP预测模型。
[0035]步骤3具体为：
[0036]步骤3.1，DE算法初始化
[0037]对种群规模N、个体基因维数D、最大迭代次数G、缩放因子F和交叉概率CR进行初始化：
[0038]x
ij
＝U
min
+rand
×
(U
max
‑
U
min
)
ꢀꢀ
(5)
[0039]其中，i＝1，2，
…
,N，j＝1,2,
…
，D，rand是服从均匀分布的随机数
[0040]步骤3.2，判断DE算法是否达到迭代的终止条件，若是则停止DE过程，输出最优个体，执行步骤3.7；否则，执行步骤3.3；
[0041]步骤3.3，按照DE的自适应变异、交叉和选择操作方法，得到下一代个体
[0042]对于每个目标向量i＝1，2，
…
,N，DE算法产生一个对应的变异向量：
[0043][0044][0045]其中，为三个序号不同的个体，其中个体序号r1,r2和r3是随机选择的，且互不相同，并且也都与目标个体的序号i不相同，因此种群规模N≥4；其中，CR(g)表示g代的变异概率，CR(g+1)表示g+1代的变异概率，F
min
...

【技术保护点】

【技术特征摘要】
1.基于DE
‑
BP神经网络的风电功率预测方法，其特征在于，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE
‑
BP神经网络模型；步骤4，将DE
‑
BP神经网络模型用于风电功率的预测，进行风电功率预测。2.根据权利要求1所述的基于DE
‑
BP神经网络的风电功率预测方法，其特征在于，所述步骤1具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度。3.根据权利要求1所述的基于DE
‑
BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。4.根据权利要求3所述的基于DE
‑
BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：步骤2.1，定义输入层和输出层节点数输入层节点数是影响风电功率的因素的个数m，输出层的节点数是p；步骤2.2，确定隐含层节点数n：其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；步骤2.3，隐含层节点的输出为：其中，O
j
表示隐含层的输出，j＝1，2，...，n，f(x)为Sigmoid激励函数，x
i
表示隐含层的输入，i＝1，2，...，m，ω
ij
表示隐含层的权值，θ
j
表示隐含层的阈值；步骤2.4，输出层节点的输出为：其中，y
k
表示输出层的输出，O
j
表示输出层的输入，即为隐含层的输出，T
jk
表示输出层的权值，θ
j
表示输出层的阈值，i＝1，2，...，m，j＝1，2，...，n，k＝1，2，...，p；步骤2.5，构建BP神经网络模型BP神经网络的基本结构公式如下：Y＝sigmoid[W2·
sigmoid(W1·
X
‑
O1)
‑
O2]
ꢀꢀꢀꢀ
(4)其中，Y＝(y1，y2，...，y
p
)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x1，x2，...，x
m
)为BP神经网络输入矩阵，Sigmoid为激励函数W1、W2分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O1、O2为BP神经网络中输入层到
隐含层、隐含层到输出层的阈值矩阵；步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。5.根据权利要求4所述的基于DE
‑
BP神经网络的风电功率预测方法，其特征在于，所述影响风电功率的因素为风向、风速...

【专利技术属性】
技术研发人员：李宁，王晔琳，何复兴，彭佩佩，王倩，朱龙辉，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：