首页 > 学术百科

基于改进粒子优化神经网络的超短期风速预测

D01：10.19557/jki.l001-9944.2021.03.017

基于#进％子(化神经网—的/短期风速预测

段新会李文鑫1

(1.华北电力大学控制与计算机工程学院，保定071003；&.保定华仿科技股份有限公司，保定071051)

摘要：为减小风速预测的误差，该文引入混沌映射与收缩因子的方法对传统PS O粒子算法

进行改进，动态调整粒子的权重，提高粒子初期全局搜索能力、后期局部搜索能力以及

收敛速度#将改进的粒子算法对&P神经网络初始权值与偏置进行寻优，最后将改进PSO粒

子优化的&P神经网络对实际工程中的风速进行预测，采用平均相对误差和平方根误差衡

量预测结果，结果表明改进后的PSO-BP预测方法均好于&P神经网络、PSO_&P风速预测方

法和仅引入收缩因子的PSO-BP算法，验证了算法改进的正确性，使预测误差减小$

关键词：粒子算法；混沌映射；收缩因子；风速预测

中图分类号：TP183文献标志码:B文章编号:1001-9944(2021)03-0076-05

Ultra-short-term Wind Speed Prediction Based on Improved Particle Swarm Neural Network Algorithm

聚赖氨酸

DUAN Xin-hui1,2,LI Wen-xin1

旱榆(1.School of Control and Computer Engineering,North China Electric Power University,Baoding071003,China；

2.Baoding Sinosimu Technology Co.,Ltd.,Baoding071051,China)

Abstract：To reduce the error of wind speed prediction, the method of chaos map and shrinkage factor are introduced to dynamically adjust the weight of the particle swarm, to improve PS0global search ability, local search ability and convergence speed.The improved particle swarm algorithm is used to optimize the parameters of BP neural network. Finally,the optimized PSO-BP algorithm is used to predict the wind speed of the actual project.The average relative error and the square root error are used to measure the prediction result.The results show that the improved PSO-BP prediction method is better than the BP neural network,the PS0-BP wind speed prediction method an

d the PS0-BP algorithm that only introduces the shrinkage factor.The correctness of the improved algorithm is verified,and the error is reduced.

Key words: PSO algorithm；chaos map；shrinkage factor；wind speed prediction

风能是一种清洁且用之不竭的可再生能源，发展利用风能已是大势所趋。2019年我国风电累计装机容量达到21005万千瓦，并且我国海上风电装机规模位居全球第三巴风能是一种不可控能源,、机，风力发电设备规模并网时给整个电力系统的安全运行带来考验，无法发电与用电之间的风力资源，电网经济性叫提高风速预测的是安全并的提。

风速预测的方法为2大类：物理法

收稿日期：2020-12-04"修订日期：2021-02-08

基金项目：河北省创新能力提升计划项目(18040123D)

作者简介：段新会(1969—)，男，博士，高级工程师，研究方向为能源发电领域系统设备的建模、仿真与控制；李文鑫(1997-)，男，硕士研究生，研究方向为系统仿真建模、算法优化。

与统计法。近几年，人工智能迅速发展，渗透到了多个社会发展领域中，因此统计法成为了主流的预

测方法，即对历史数据进行统计分析出非线性规律实现风速的预测。其中传统的BP神经网络与传统的PSO粒子算法因结构简单、编程易实现等优点被人们广泛的应用于非线性拟合、参数寻优等问题上⑶。文献［4］采用BP神经网络算法对进行预测，其与的神经网络

的结，具有一定偶然性，容易陷入优，

后预测的结具有；文献［5］采用PSO-BP 算法对进行预测，预测结于BP算法，但传统的PSO算法能会优、速等问题，对传统的PSO算法进行进；文献⑹入适应度方差的

，应方粒子发程，

着粒子的搜索能。应方

入粒子的能；文献⑺为：后期粒子算法优近的问题入了因子粒子的行速，进的PSO 算法对的数因子进行寻优，结结果好于其算法。对以上改进的方法，文入一Logistic

与因子对传统PSO粒子算法进行优化，了粒子的能了粒子寻优的能。进的PSO粒子算法对BP神经网络的进行寻优，用改进PSO优化的BP神经网络对实程中的风速进行预测，结于进粒子优神经网络算法的风速预测结果好于BP神经网络算法、传统PSO-BP算法和仅引入收缩因子的PSO-BP 算法的风速预测结果，了算法进的性。

1BP神经网络

BP神经网络一的算，

量神经之间相互联接构成，能够很地非线性问题罔。文所采纳的神经网络结构如图1示O 工作原理分为训练和测试2部分，训练部分包括2个环节，传播反传播。通过传播得到样的输出，然用误差梯下降方法反传播调节神经网络的。测试分测试的数据输入到的神经网络！中，实现对风速的预测。

$0$1

图1BP神经网络结构

Fig.1BP)eural)etwork structure

1.1正向传播

三层BP神经网络正向传播计算方式如下:

net6=r$ij+$0(1)

Oj二sigmoid(n"#6)(2)

net2=O j W jk+$6(3)

力如弐；。/®"%)(4)式中:&为输入矩阵;$%&为输入层到隐含层的权值；%为输入层神经个数汀为隐含层个数;$：为隐含的偏置；net i为隐含层的输入。此次选择sigmoid函数作为隐含输出的激励数；'•为隐含的输出；ne#2为输出层的输入；$］(为隐含层到输出层的；(为输出层神经元的个数；$1为输出层偏置;)1为系统输出。

1.2反向传播

反向传播利用梯度下降法对、偏置进行调整。通过不断迭代得到的权值与。本文选取输出节点的平方作为神经网络的目标函数，平方和作为目标数其中一个目的对平方求导时可避免函数不可导这情况，其达公式为

*8#!"o?)1)(5)式中:)0为系统实，则输出层权值与偏置更新为

T T

-%%!*!)1$!net2$

!$jk丨\!y1!net2丿d w jk/

((()0-)1)•)((1-)1))T'J二一©OjT(6)更新的、矩阵为

Wj k=W jk+"(!O&JT(7)

'1=w1+"(37-)t(8)式中:"为学习率，隐含层权值与偏置更新为

!!-!!%"/d net2"!(*|__

!"#\\!&'(2丿\d oj/d net#!"可/

("+!"OjT•(#_OjT),)T!_(!-,)T(9)则更新的权值、偏置矩阵为

w-j二+"(!-,)"(10)

&o_"o+"(!-)T(11)

2粒子优化算法

2.1传统粒子算法

PSO算法是模仿鸟觅食的方法总结出的一种算法。其基本原理为PSO算法随机初始化一粒子，通过迭代到适应度函数的最优解。假设n个粒子X=(/i,/2,…&)在0维的函数空间进行寻优，第-个粒子由2个向量表示：'-=(/-1,/-2,…,/-0)为第-个粒子的位置向量；(-=(1-1,1-2,…,1-0)为第-个粒子的速度向量。每次迭代中每个粒子根据两个极值

以及飞行速度来更新自己的位置，一个极值是个体本身求解适应度的最优解对应的粒子位置，称其为

个体极值2-；一个是个粒子在次迭代中求解适应度的最优解对应的粒子位置，称其为极值P g%到两个极值子速度，两个极值的方向拢％第-个粒子按如下公式进行寻优：

(-+1!#V-+51n(P l-X l)+C2,2(63-8-)

'-+1=X-+4-+1(12)式中:$为粒子的权重，影粒子的全局

；C1,C2为速因子；，1,，2为[0_1]的随数；：-为个体极值；：3为极值；(-+1, '-+1为第-个粒子迭代一次更新后的速度向量位置向量％

2.2混沌理论的引入

由的粒子算法中权$为的常数，设$过粒子的影'的，$过小垄

速度，$的对粒子飞行速度产生了一定的影％为粒子

，对权$的方式％为了粒子的,

理中的一维Logistic模[7]，公式为

入n+1_；%n(1-％n)(13)式中:[0,4+为Logistic参数；%#[0,1]的随机数% a4,Logistic模的

、的，其值的是的，的如2示%

图2Logistic序列分布图

Fig.2Logistic sequenee distribution

Logistic表1，由2表1出的、随，一维Logistic模权子的

表1Logistic序列分布

Tab.1Logistic sequenee distribution

序列区间个数/(%)

0.0_0.15 1.67

0.1_0.23712.33

0.2_0.3227.33

0.3_0.4299.60

0.4-0.5279.00

0.5-0.6227.33

0.6_0.7237.67

0.7-0.8289.33

0.8-0.93612.00

0.9—1.07123.67

改进后的权重见式(14),%为一维Logistic映射的随；&为迭代的次数；'为一数。当&'，子在迭代

的寻优%

%=仏+庆(&<')(14) l=-+1“=-+C1，1(：--X-)+C2，2(C-X-)

式中:0ma:=1.3,0min=0.6，其大小由经验确定％

领航中国文艺晚会

2.3收缩因子的引入

子算法进寻优，最优值

于某个区域内，粒子将在此区域内不断地迭代，由于传统粒子权重!为恒定的常数，在寻优后期粒子的局部搜索能力较差导致寻优结果不理想，若只引入混沌策略，粒子进入后期可能会在区域内来回振荡甚至会跳出收敛的区域，因此本文引入收缩因子更新粒子的速度，提高粒子寻优后期局部搜索能力，更新后的速度公式为

+C1r2%p g-x%))

(16)

(17)

time

c-c1+c2(18)

—2(1$T)(⑼

12-c-&c2-4c

式中:"为收缩因子;time为迭代总次数。当#大于等于$时，粒子进入寻优后期,T逐渐增加使权重%减小，收缩因子也逐渐减小(在权重！与收缩因子"使粒子的速度$%+/减小，增'

粒子后期局部的寻优能力。

3改进PSO优化BP神经网络模型

BP在识别、分类、预测等问题上有着广泛的凹，权的着

的结果，因此寻优算法寻I 更好的数。本文引入混沌映射与压缩因子粒子进进，将改进后的粒子于寻优BP的数，最后速进行预测。PSO优化BP时，将BP神经网络的权为PSO中的粒子，结式出粒子度，较度的大小定局值，断更新粒子的速度、。至迭代要求为，的优粒子为BP的权(此时粒子的度为中的：数，式(5)。优：

步骤1数，BP结构初始、粒子。

步骤2将的速数为

的入，的式出粒子的度，度定局，此时为。

步骤3利用式(14)、式(16)更新粒子的速度，新的度。

步骤4将新度与对应的当前适应度比较，若新度小于的当度，将新L 度的为新；小的新度当小度进较，若小于当

度，将新度的为新局

多能干细胞

，将为局优。

步骤5断迭代结寻优

迭代次数，若迭代，重

步骤(3)〜步骤(5)o

步骤6将粒子优后的数为BP 的权、数。将后的神

速数进预测o

3。

图3改进的PSO-BP算法流程图

Fig.3Improved PSO-BP algorithm flow chart

4预测结果与分析

本文对某电场的风速进行超短期预测，预测前对该电厂的风速数据进行采集，每隔5min集一次速数据，采集了3天860组风速数。：中845组数为数据，15组作为测试数。4个时刻风速预测下一时刻的风速，因此设BP入层％为4层，输出层.为1层。对于隐含层的设定通过验公式(20)来确定'[0,10]，取/，3，则隐含层j为6层。因此共

30个权,7数需要优，设定种粒子数为37，种规为60，迭代次数300次。

利用经改进的粒子算法优化后的BP神经网络模型对风速数据进行训练与预测。训练数据见式(21)〜式(22)，将o矩阵每一列作为神经网络的输入,'1的每一列为对应的输入训练数据经神经网络结构计算得到的输岀值，通过'1与实际风速值'%之间的误差不断地去训练神经网络模型。

!1…©841

o&(21)

(&(24)

测试数据序号

图4风速预测曲线

Fig.4Wind speed forecast curve

为了预测的确，分别计算不算法对应的平对误差MAPE误差RMSE，结果如表2所示。

表2预测误差

Tab.2Prediction error

BP PSO-BP引入收缩因子改进PSO-BP MAPE/(%)9.2508.1508.060 5.96 RMSE/(%)0.2630.2340.2110.183

通过图4 2 改进后的PSO-BP算法预测结果较好于前三者，验证该算法的准确性，可减小预测误，有一的实用性。

5结语

引入混沌映射和收缩因子对传统PSO算法进行改进，了粒子的

后期的。将改进的PSO算法对BP神经网络数优，后将优化后的PSO-BP算法对风速进行预测，将结果与BP神经网络算法&PSO-BP 算法、仅引入收缩因子的PSO-BP算法预测的结果相，结果改进后的PSO-BP算法果于前三者，证改进后算法的正确性及一的实用性。

参考文献：

[1]Suhu B K.Wind energy developments and policies in China：a

short review[J].Renewable and Sustainable Energy Reviews, 2018,81:1393-1405.

[2]朱向东•目前中国风电弃风现状及对策[J].能源与节能.2012,

(10):30+67.

⑶许国根，贾瑛•模式识别与智能计算的MATLAB实现[M].北京：北

出版社，2012.

[4]喻志程•基于神经网络的风力发电功率预测算法优化研究[D]•镇

:,2016.

⑸李健•基于改进粒子算法优化BP神经网络的短期风电功率预

测研究[D]•宜昌：三峡大学，2018.

[6],,,.一改进性的粒子优化算

法[J]•大连交通大学学报.2020,41(3):102-106+113.

[7]范曼萍，周冬•基于改进粒子优化LS-SVM的短期风速预测[J].

电力学报.2020,35(2):123-128+142.

ssci

[8]韩敏•人工神经网络基础[M]•大连：大连理工大学出版社,2014.

[9]何清，李宁，罗文娟，等•大数据下的机器学习算法综述[J]•模式识

别与人工智能，2014,27(4):327-336.■

广

欢迎#$欢迎％&欢迎告

本文发布于:2024-09-22 02:01:26，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/413140.html

上一篇：基于神经网络的MR精准定位

下一篇：基于神经网络的图像像素点预测算法

标签：粒子算法预测神经网络进行

留言与评论（共有 0 条评论）