2021.01理论算法
张启龙，王立威
(六盘水师范学院物理与电气工程学院，贵州六盘水，553000)
甲基丙烯酸正丁酯
摘要：风电功率预测为电网规划提供重要的依据，研究风电功率预测方法对电网安全稳定运行下接纳更多的风电具有重要的意义。针对神经网络在风电功率预测中结构和权值参数难以确定，预测精度低等问题，提出利用遗传算法对BP神经网络的拓扑结构和网络权值进行优化，并将其应用于风电场功率预测。最后釆用平均百分比误差、均方根误差、准确率和合格率评价指标对预测结果进行了定量分析，结果表明基于遗传算法优化BP神经网络模型的预测准确率提高了
10.935%，合格率提高了&919%，平均百分比误差降低了5.6326%，均方根误差降低了1.9769。
关键词：BP神经网络；遗传算法；风电功率；预测；优化
Wind power pirediction based on genetic algorithm to optimize BP
neural network model
Zhang Qilong,Wang Liwei
cze(School of Physics and Electrical Engineering,Liupanshui Normal University,Liupanshui Guizhou,553000)
Abstrac t：Wind power prediction provides an important basis for power grid planning.Studying wind power prediction methods is of great significance for receiving more wind power under safe and stable operation of the power grid.Aiming at the problem that the strueture and weight parameters of neural network are difficuIt to determine and the prediction accuracy is low in wind power prediction,the gene tic algor ithm is used to opti m ize the t o pology and network weigh t of BP neural net w ork,and it is applied to wind farm power prediction.Finally,the average percentage error,:r oot mean square error,accuracy and pass rate evaluation indicators are used to quantitatively analyze the prediction resuIts.The results show that the prediction accuracy based on genetic algorithm optimization BP neural net w ork model is improved by10.935%,and the pass rate is increased by8.919.%,the average percentage error was reduced by 5.6236%,and the root mean square error was reduced by 1.9769.
Keywords；BP neural network;Genetic algorithm;Wind power:prediction；optimization
0引言
大型的风力发电厂的发展进度日益增快，风能是非常重要的一种清洁能源m。但是风能这种非常不连贯持续的能源能够让风电机反复出现不稳定的表现，会严重影响到风电系统的稳定性回。所以，倘若有一个稳定的输出功率预估模型具有巨大的意义[3]«
由此可见，此篇文章运用了统计预测方法，把历史实际输出功率以及风力的速度当成BP神经网络输入的参数，同时运用遗传算法进一步优化算出神经网络的参数值(权值和阈值)，构造GA-BP神经网络风电输出功率预测模型。通过实际案例测试分析，用结论确定该模型可有效提高预测精度。
1遗传算法
遗传算法(GA)由来于达尔文的生命进化论(繁殖、交配和突变)仏現在GA中，通过种的繁殖、进化而得到最优解。
在GA中，有三类遗传算子：选择，交叉和变异。
(1)选择。在一部分有规律的数据中挑选某些数据当作下一组数据就是选择算子。常用的选择算子包括：赌法、
基金项目：校级科学研究项目(LPSSY201701)o
申耳测说锦标赛法等，本文釆用赌法固，即：
/=青(1)
式中：F，表示个体i的适应度值；Pi表示i的选择概率；k为系数；N为种个体数目。
(2)交叉。交叉算子模拟遗传重组过程，以便将当前的最佳基因转移到下一个体中并获得新的个体。交叉算子的具体步骤如下：
Stepl：随机选择对象；
Step2：据所选对象长度，随机选择交叉位置。
Step3：定义交叉概率Pc(0<PcWl)，运行交叉算子，改变基因。第k个染体％以及染体一号%在J位的相互交错如下：
$”=明(1-耐+勺6©)
[a….=a….(l-Z>)+a%.Z>
ELECTRONIC
TEST
理论算法2021.01
式中：b是在区间0-1范围内的随机数。
(3)变异。此算子模拟是生物学当中的基因突变现象，根据突变概率(变异概率)P m就可获得新个体。开展变异的个体是第i个个体的第j个基因『，变异执行步骤如下：
勺+(勺-%卜/@)06>
叫=«(4)肉鸭网
"冋+(%-a#)x/(g)(h5<
式中：基因a ij的最大值是a max；基因a ij的最小值是a min；/(g)=^(l-g/G昨『；随机数是?2；8为当前迭代次数；G”“为最大进化次数；r为［0,1］间的随机数“河。
2GA-BP神经网络预测模型［9_11］
在模式识别、信号处理等领域，BP神经网络的影响力相当大，然而设计网络的攻坚路上仍有一个难题，即结构的确定。此篇文章釆取遗传算法能够达到特定的数值的条件下，寻全局最优解，进而用来优化神经网络的连接权值和阈值，然后在釆取提升之后的BP神经网络影响风电功率的值开展预测，GA-BP神经网络算法流程如图1所示。3.1数据处理与建模仿真
对模型进行分析，并将训练样本的参数写入计算后得到超1步预测值是未来lh的数据。将此值视为真实值并与历史值进行结合，随后输入模型可以得到接下来2h的数据。通过循环进行此训练到360步，就能够得到24h的预测值。
数据经过归一化处理，再经过参数数次的调试之后，得到的模型的模拟实验数据设定如下表1所定。
表1模拟实验初始数据设定
数据名称数据值
种规模50
学习率0.1
交叉概率0.4
变异概率0.2
训练次数100
最大迭代次数10
参数维度3
BP网络结构1-5-1
3.2结果分析
本文通过传统的BP神经网络模型与上述GA-BP模型的对比，验证了所提模型的有效性，其中设置最大允许误差
图1GA-BP神经网络算法流程图£=10"。通过对3月1日到3月15日的风电功率进行预测，得到其功率预测曲线如图2所示。预测误差对比曲线如图3所示。
Actual
BP
GA-BP
g
o
d
3.5x101
3一
2.5一
050100150200250300350400
t/h
图2功率预测曲线
3实例仿真分析
为验证上文所提的GA-BP网络模型对短期风电功率的建模能力的影响，对荷兰某风电场2011年全年的风电功率的测量值进行究分析，忽略环境因素对3月1日到3月15日期间每日24h内的实际风电功率进行预测。简而言之即利用2928组参数作为训练的样本，利用360组参数作为测试的样本，设置lh作为釆样的时间节点，基于以上设置的相关数据，对此模型进行拟合以及检验。
5
克
/
」0
」
」
山
5
BP
GA-BP
苔丝论文
050100150200250300350400
t/h
图3预测误差对比曲线
结合神经网络算法的传统方法，本文利用e吩预测误差函数对其进行定量评价，具体函数如下式(5)所示。为保证预
申耳测说
2021.01
理论算法
测结果的准确性，同时对均方根误差Z 、准确率r 、合格率W
这几种评价指标进进行了具本分析，过程如下：
表2实验部分预测算结果时间/h 真实值/KW BP 预测值/KW GA-BP 预测 值/KW BP 预测误 差/KW GA-BP 预测
误差/KW
1
175. 6145174. 4076175. 6952-1. 20690. 0807252. 033953. 702352. 2093 1. 66840.17543278. 8693277. 5598278. 9640-1. 30940. 09474592. 6990593. 0462592. 86390. 34710. 16495416.2714415. 6694416. 4005-0. 60200. 12916813. 0302813. 9971813.21790. 96690. 187671082.14321083.09501082. 33360. 95180. 190481404. 91621405. 27771405. 09020.17390. 3614921. 95181625. 017422. 2293 3.065610. 277510
2743. 97702742. 93502744. 0723-1. 04200. 0953
1 O (&)_T (&)
N O(k)
(5)
(6)
(7)
xlOO%e MAPE
W =
耳"00%
式中：k 代表时间点，共计360个时间点，耳为第k 个
时间点的预测值，°”为第k 个时间点的实测值，:Q 为360
个实测值的平均值。各预测方法的评价指标表3所展示。
表3各预狈方法的评价指标
算法
e MAPE /%
Z
r/%W/%
BP 10. 0842 3. 329881. 35287. 521GA-BP
4. 4516 1. 3529
92. 287
96. 44
由各图表的预估算结果能够知道，利用遗传算法优化的
BP 神经网络与历史数据更为接近，预测更为准确；比较表3 中两种算法平均百分比误差、均方根误差、准确率、合格率的 数据，可见利用遗传算法优化的BP 神经网络模型的平均百分
比误差仅有4. 4516，比BP 神经网络算法降低了 5. 6326，均方
根误差也只有1. 3529，也比BP 神经网络算法降低了 1. 9769 ；
准确率达到92. 287%，提高了 10. 935个百分点；合格率达到
96. 44%，提高了 & 919个百分点，充分表明遗传优化算法的
BP 神经网络模型优于传统的BP 神经网络算法。
4结论
风能发电的实际运行过程容易受到自然因素的影响，如
质量跟踪
风速、气压、温度等。由于系统存在着高复杂性和无规律性,
导致无法得到精确的数学模型。通过剖析BP 神经网络在面对
复杂系统时预测误差较大这一局限性的基础上，从多算法融
合的思想出发，提出一种GA-BP 神经网络的预测算法，对网络
初始参数进行优化，而且把此算法写进短期风电功率的预估
算里面，能够有一个较完美的效果，得到了以下三个结论：
(1 )针对单一的神经网络模型在风电功率预测上误差较
大的不足，提出釆用遗传算法和BP 神经网络相结合，有效提
高了预测精度。
(2) 提出将遗传算法用于BP 神经网络的训练里面，通过 迭代优化BP 神经网络的波动参数，优化了此模型的寻最佳 值的能力。
(3) 通过验算出的结果可得，对比单一的BP 神经网络
算法，预测准确率提高了 10. 935个百分点，合格率提高了
& 919个百分点，平均百分比误差降低了 5. 6326%，均方根误
差降低了 1.9769。
因此，本文提出的组合模型具有更髙的预测精度。
参考文献
[1] Global Wind Energy Council. Global Wind Energy Outlook 2014 [Z] .Brussels: GWEC, 2014.
[2] Chihiro Watanabe, Kaoru Hiramatsu,Kunio Kashino.
Modular representation of layered neural networks [J] .Neural Networks, 2018(97): 62-73.
⑶踞圭，祁林，刘帅.基于改进乌鸦算法和ESN 神经
网络的短期风电功率预测[J].电力系统保护与控 制,2019,47(04):58-64.
[4]王德明，王莉，张广明.基于遗传BP 神经网络的短期风速
预测模型[J]，浙江大学学报：工学版,2012,46⑸:837- 904.
⑸刘瑞叶，黄磊.基于动态神经网络时风电场输出功率预测
[J]，电力系统自动化,2012,36(11):19-22.
⑹丁明，张立军，吴义纯.基于时间序列分析的风电场风速
预测模型[J]，电力自动化设备,2005,25⑻:32-34.
[7] 何廷一，田鑫萃，李胜男，吴水军，陈勇，束洪春，马聪.基
于蜂算法改进的BP 神经网络风电功率预测[J].电力 科学与技术学报,2018,33(04):22-28.
[8] 文超纯，罗飞，付连续.遗传算法在人工神经网络中的应
用综述[J].计算机技术与自动化，2011,6,20(2) :1-5,[9] Nima A.Farshid K.Hamidreza Z.Short-term wind power
forecasting using ridgelet neural network [J] .Electric Power Systems Research,2011:2099-2107.
[10] MA Y,YU C;XIA C Y.Applied Research on Stock
Forecasting Model based on BP Neural Network[C]// Proceedings of 2011 International Conference on Electronic and Mechanical Engineering and Information Technology.2011.
[11] 杨钎，许益民.基于改进PSO-B 神经网络的回弹预测研
究[J].现代电子技术,2019,42(01):161-165+170.
作者简介
张启龙(1992-)，男，汉族，贵州兴义人，硕士，讲师，主要研
究方向：系统优化与控制方向。
通讯作者：王立威(1987-)，男，汉族，重庆云阳人，硕士，副
教授，主要研究方向：人工智能计算。
ELECTRONICfsp
TEST
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议