CN110070228A - 一种神经元分支进化的bp神经网络风速预测方法 - Google Patents
一种神经元分支进化的bp神经网络风速预测方法 Download PDFInfo
- Publication number
- CN110070228A CN110070228A CN201910336963.1A CN201910336963A CN110070228A CN 110070228 A CN110070228 A CN 110070228A CN 201910336963 A CN201910336963 A CN 201910336963A CN 110070228 A CN110070228 A CN 110070228A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wind speed
- value
- firefly
- poor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000254158 Lampyridae Species 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012512 characterization method Methods 0.000 claims description 31
- 238000013277 forecasting method Methods 0.000 claims description 12
- 241000131894 Lampyris noctiluca Species 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种神经元分支进化的BP神经网络风速预测方法,包括获取风电场的历史气象数据;构建风速影响特征因子;对所述的历史气象数据进行预处理,包括相关性分析,输入变量选取和归一化处理;建立BP神经网络模型,使用所述的预处理后的历史气象数据对所述的BP神经网络模型进行训练,在训练过程中采用分组进化的思想,结合利用差分操作和萤火虫算法进化神经网络模型中的参数种群;获取所述风电场的现实气象数据,将现实气象数据输入神经网络中,计算出预测的风速值。本发明通过以隐含层神经元为分支基准实现分组优化,判断分组效果后以全局优化为补充,故本发明较传统方法计算复杂度相对更低,且预测准确度更高。
Description
技术领域
本发明属于风电场风速预测领域,具体涉及一种神经元分支进化的BP神经网络风速预测方法。
背景技术
作为一种可再生能源,风能发电广受世界各地的科学家和工程师的关注。风力发电技术是可再生能源转换技术中最为成熟的一种,尤其在我国,风力资源非常丰富,且风能具有清洁、高效、循环利用的特点,各地都纷纷建立起自己的风能发电场,然而在风电实际利用的过程之中,发现对风力发电的准确预测显得非常重要,一方面,准确预测风力发电的功率,对于科学规划电网的建设有很强的指导意义,使得电网及其中继设备具有更好的稳定性和适应性,另一方面,准确预测风力发电的功率,能够合理的对电力进行规划,防止能量过剩带来的浪费,也能够防止能量不足带来的供电事故。
基于此,很多工程人员在风速的预测上进行了尝试,提出了很多方法,比如,王德明等人提出了基于遗传BP神经网络的短期风速预测模型,这类方法对神经网络预测模型进行改进,适用到风电场风力预测上,都一定程度上提高了风力预测的准确度,但是由于风力发电的间歇性、周期性和波动性,以及在风力预测中涉及的环境因素复杂,神经网络模型的输入变量较多所导致的算法模型计算时间长的问题,而且过多的输入变量未必一定带来有用的信息量,同时神经网络的训练存在容易陷入局部最优,收敛速度慢,学习过程中容易发生震荡等问题。
发明内容
鉴于此,本发明的目的在于提供一种预测准确度高,时间复杂度低的神经元分支进化的神经网络风速预测方法。
本发明的目的是这样实现的,包括以下步骤:
步骤1,获取风电场的历史气象数据;
步骤2,构建风速影响特征因子,计算所述的特征因子的数值;
步骤3,对所述的风速影响因子的数据进行预处理,包括归一化处理、相关性分析和输入变量选取;
步骤4,建立BP神经网络模型,使用所述的预处理后的特征因子的数据对所述的BP神经网络模型进行训练;
步骤5,计算所述风电场的现实气象数据的特征因子数值;
步骤6,将现实气象数据的特征因子数值输入神经网络中,将输出值进行反归一化,计算出预测的风速值;
步骤4中所述的对BP神经网络进行学习训练,包括:
步骤401,将所述的预处理后的特征因子的数据按照训练集格式整理,所述的训练集用于对BP神经网络进行训练,所述的训练集中每一个记录包括若干个输入值和1个输出值,所述的输入值分别为所述的特征因子预处理后的数据,1个输出值为历史时刻后某一时刻的风速值;
步骤402,以所述的BP神经网络中隐含层的神经元为分支基准,将每一个隐含层神经元相关的待优化参数归为一支;
步骤403,将第n个隐含层神经元对应的第n支待优化参数初始化为一组随机值,根据所述的待优化参数随机生成初始种群,其它的待优化参数均设置为固定值,n为神经元迭代变量;
步骤404,用萤火虫算法更新所述的种群;
步骤405,对所述的种群进行差分算子操作,更新第n个子种群,所述的差分算子包括差分变异、差分交叉和差分选择;
步骤406,检测是否达到预设的最大迭代次数或是否达到指定精度,如否则继续步骤404;如是则进行步骤407;
步骤407,记录第n支待优化参数学习进化完毕的数值,然后进行第(n+1)支待优化参数的学习进化;
步骤408,计算m次之后,得到隐含层中所有m个神经元相关的所有参数数值;
步骤409,在第(m+1)次计算中,得到输出层神经元的阈值。
进一步,步骤404中,所述的使用萤火虫算法更新种群包括:
步骤40401,将所述的种群映射为萤火虫群,所述的种群中每一个体对应所述萤火虫种群的一只萤火虫,初始化萤火虫算法中的相关参数;
步骤40402,计算每只萤火虫的光照强度;
步骤40403,根据每只萤火虫与邻居萤火虫光照强度的关系,更新萤火虫的位置;
步骤40404,计算更新后萤火虫的位置和光照强度;
步骤40405,获取全局最优的萤火虫和个体萤火虫最优的位置。
进一步,在步骤408中,计算m次之后,若m次分支进化一半以上的次数是达到最大迭代次数而进化停止,则需要进行全局进化,全局进化的流程是,分别选取前m个种群中最优的1/m个体组成新的种群,采用萤火虫方法和差分进化方法进行联合进化,当达到预设的最大迭代次数或达到指定精度,进化停止,种群中的最优个体为进化后的最优结果。
步骤1中所述的历史气象数据包括风速、风向、温度、湿度和气压5个因素的数据;步骤2中所述的特征因子包括风速、风向、温度、湿度、气压、风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差。
步骤3中所述的相关性分析用于分析所述的特征因子与未来风速相关密切程度,以确定最优的输入变量组合;所述的相关性分析采用协方差及协方差矩阵分析方法或者Pearson相关分析方法;步骤3中所述的输入变量选取,选取后的输入变量为风速均值、风速极差、风速标准差、风向均值、温度均值、湿度均值和湿度极差。
步骤所述的402中的每一个神经元相关的待优化参数包括,所述的该个隐含层神经元与所有输入层神经元的权值,所述的该个隐含层神经元的阈值,所述的该个隐含层神经元与所有输出层神经元的权值。
本发明以风速相关的历史气象数据为研究对象,对原始数据进行加工,利用改进的BP神经网络模型进行预测,并且在BP神经网络对历史数据进行学习的过程中,充分利用了萤火虫算法和差分进化算法中的优化思想,使得BP神经网络在参数学习的过程中,更容易寻找到全局最优值,提高了预测的准确度,同时,提出了神经元分支进化的思想,使得神经网络在学习的过程中,时间复杂度更低,学习效果更好。
附图说明
图1为本发明实施例的整体流程示意图;
图2为本发明的分支进化神经网络参数的流程示意图;
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
风电场的风速受众多因素影响。一般研究认为,风电场风速的预测,至少与历史的风速、风向、温度、湿度、气压这五种影响因素相关,为了更全面地刻画这五种因素对待预测风速的影响,本发明对上述因素进行了拓展,获得风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差十个影响因子,构建起风速影响的特征因子体系,由此,实现本发明需要采集的数据是历史时期的风速、风向、温度、湿度、气压五个因素的数值,而本发明所处理的数据是以上十五个风速影响因子的时间序列数据,每一个历史时期对应的十五个因子数值称为一组输入。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络之一。基本BP算法包括数据信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。一般而言,对权值和阈值的调整可以采用最大梯度下降法,拟牛顿法等,通过反复的可行域内搜索,可以使得相关参数不断地进行优化,当优化到一定程度,对于其训练即停止。BP神经网络被广泛应用于不同的现实场景,由于是对于分类、预测问题,具有很强的学习和拟合能力,然而其传统的训练方法也有非常突出的缺点,学习速度可能会很慢,也可能会发生震荡,而且优化过程中易陷入局部最优。
如图1所示,本发明实施例一种预测准确度高,计算复杂度低的神经元分支进化的BP神经网络风速预测方法,包括:
步骤1,获取风电场的历史气象数据;
步骤2,构建风速影响特征因子,计算所述特征因子的数值;
步骤3,对所述的风速影响因子的数据进行预处理,包括归一化处理,相关性分析和输入变量选取;
步骤4,建立BP神经网络模型,使用所述的预处理后的特征因子的数据对所述的BP神经网络模型进行训练;
步骤5,计算所述风电场的现实气象数据的特征因子数值;
步骤6,将现实气象数据的特征因子数值输入神经网络中,将输出值进行反归一化,计算出预测的风速值。
步骤1中所述的历史气象数据包括风速、风向、温度、湿度、气压;步骤2中所述的特征因子包括风速、风向、温度、湿度、气压、风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差。
步骤3中所述的归一化处理是将特征因子的数据转换为[0,1]之间,如下式所示
Xi代表第i个特征因子中的归一化之前的数据,Ximax表示第i个特征因子中数据的最大值,Ximin为第i个特征因子中数据的最小值,X'i为第i个特征因子因子归一化后的数据;所述的相关性分析用于分析所述的特征因子与未来风速相关密切程度,以确定最优的输入变量组合,所述的相关性分析采用协方差及协方差矩阵分析方法或者Pearson相关分析方法,
步骤4中所述的对BP神经网络模型进行训练,包括:
步骤401,将所述的预处理后的特征因子数据按照训练集格式整理,所述的训练集用于对BP神经网络进行训练,所述的训练集中每一个记录包括若干个输入值和1个输出值,所述的输入值分别为所述的特征因子预处理后的数据,1个输出值为历史时刻后某一时刻的风速值。
步骤402,以所述的BP神经网络中隐含层的神经元为分支基准,将每一个隐含层神经元相关的待优化参数归为一支。
本发明中的BP神经网络包括三层结构,一层输入层、一层隐含层和一层输出层,虽然隐含层理论上可以为多层,但是当总层数多于三层时,BP神经网络的训练会陷入局部极小点的可能性增大,而且容易进行过度学习。BP神经网络中层与层之间是全连接,每个层内部的神经元之间没有连接。由此,本发明以隐含层的神经元作为分支基准,将待优化参数进行分支,每一个隐含层的神经元相关的待优化参数归为一支。通过这个分支方法,将支与支之间的关联降到最低,将每一支中的待优化参数的关联降到最低,实现参数的分支进化。例如,隐含层中的第n个神经元相关的参数包括,所述的第n个神经元与输入层所有神经元连接的权值,所述的第n个神经元的阈值,所述的第n个神经元的与输出层所有神经元连接的权值。
步骤403,将第n个隐含层神经元对应的第n支待优化参数初始化为一组随机值,根据所述的待优化参数随机生成初始种群,其它的待优化参数均设置为固定值,n为神经元迭代变量。
步骤404,用萤火虫算法更新所述的种群。
步骤404中,所述的使用萤火虫算法更新种群包括,
步骤40401,将所述的种群映射为萤火虫群,所述的种群中每一个体对应所述萤火虫种群的一只萤火虫,初始化萤火虫算法中的相关参数;
步骤40402,计算每只萤火虫的光照强度;
步骤40403,根据每只萤火虫与邻居萤火虫光照强度的关系,更新萤火虫的位置;
步骤40404,计算更新后萤火虫的位置和光照强度;
步骤40405,获取全局最优的萤火虫和个体萤火虫最优的位置;
步骤405,对所述的种群进行差分算子操作,更新第n个子种群,所述的差分算子包括差分变异、差分交叉和差分选择。在步骤405中,差分算子操作仅针对第n个子种群的相关待优化参数,对之前确定的(n-1)个神经元的参数不作任何操作。
步骤406,检测是否达到预设的最大迭代次数或是否达到指定精度,如否则继续步骤404;如是则进行步骤407;
步骤407,记录第n支待优化参数学习进化完毕的数值,然后进行第(n+1)支待优化参数的学习进化。
步骤408,计算m次之后,得到隐含层中所有m个神经元相关的所有参数数值,其中m为隐含层神经元的个数;
步骤409,在第(m+1)次计算中,得到输出层神经元的阈值,至此,BP神经网络模型训练结束。分支进化流程如图2所示。
在步骤408中,计算m次之后,若m次分支进化一半以上的次数是达到最大迭代次数而进化停止,则需要进行全局进化,全局进化的流程是,分别选取前m个种群中最优的1/m个体组成新的种群,采用萤火虫方法和差分进化方法进行联合进化,当达到预设的最大迭代次数或达到指定精度,进化停止,种群中的最优个体为进化后的最优结果。这一步骤是为了防止对种群进行分支后,可能导致部分种群的进化不能收敛,而导致不能获得较优解,又由于叠加效应,由于较多的分支解不能收敛,导致全局解性能更差。
神经网络需要多少个输入层神经元和多少个输出层神经元,取决于需要解决的问题本身,问题一旦确定,其数量也就确定,但是神经网络中隐含层神经元的个数则可以有所变化,一般根据输入层和输出层神经元的个数,隐含层神经元在一定范围内可以变化,在工程中需要反复的实验及调优才能确定下来。
为了更好的展示本发明带来的有益效果,提供了一个实施例来演示整个方法流程。实施例中的数据原来于中国气象网,一共有200天的2000组数据,每隔一小时采集一组数据,每天白天采集十组数据,每组数据中包括采集时刻的风速、风向、温度、湿度和气压五个影响因素的数据。
通过每天的十组数据,计算每天的风速影响因子的数据,即风速均值、风向均值、温度均值、湿度均值、气压均值、风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差这十五个影响因子的数值,其中均值为某一影响因素十个时刻采集到的数据的平均值,极差为某一影响因素十个时刻采集到的数据中最大值与最小值的差,标准差为某一影响因素十个时刻采集到的数据与其均值离差平方的算术平均数的平方根。
所述的2000组数据变换后成为200组风速影响因子的数据,对所述的风速影响因子的数据进行预处理,采用Pearson相关分析方法对十五个影响因子与待预测风速进行相关性分析,获得7个相关性最大的影响因子,这7个影响因子分别为风速均值、风速极差、风速标准差、风向均值、温度均值、湿度均值和湿度极差,由此,选取这7个影响因子的数据为输入变量的值,并进行归一化处理。
建立BP神经网络模型,将所述的200组数据中的190组数据用于训练,用前一天影响因子的数据,即风速均值、风速极差、风速标准差、风向均值、温度均值、湿度均值,湿度极差7个参数作为神经网络的输入参数,输出为对应后一天的风速值,剩余的10组用于测试。当模型隐含层神经元数目确定为10时,该神经网络对于本实验数据训练集具有最好的预测能力。实验中,所述的固定值设置为0.5。通过实验可得结果如表1所示。实际值是指测试集中真实采集到的待预测的风速值,分支进化值使用本发明方法获得的预测值,传统进化值是未进行分支进化,而只采用萤火虫算法和差分操作对神经网络参数进行进化而获得的预测值。
表1实际值和两种方法的预测值对比
序号 | 实际值 | 传统进化值 | 分支进化值 |
1 | 4.9 | 5.37 | 4.75 |
2 | 2.5 | 2.73 | 2.27 |
3 | 2.7 | 1.29 | 1.91 |
4 | 6.5 | 5.69 | 6.17 |
5 | 2.7 | 4.16 | 3.59 |
6 | 1.6 | 1.01 | 2.34 |
7 | 7.4 | 7.48 | 6.58 |
8 | 8.3 | 8.95 | 8.66 |
9 | 1.7 | 1.32 | 1.91 |
10 | 1.5 | 1.06 | 1.88 |
从表中可以看出,分支进化的误差明显优于传统进化方法。因此可以看出,分支进化对神经网络模型进行而言,具有更高的精确度。而且本发明在数据预处理方面提出了归一化处理,相关性分析和输入变量的选取方法,从很大程度上降低了神经网络的训练时间复杂度,同时依然保持预测的准确性。
由发明内容和实施例可知,本发明一种神经元分支进化的BP神经网络风速预测方法,首先采集所有可能对风速产生影响的气候数据,在原始气候数据的基础上,构建出更多更全面的影响风速的特征因子,并计算其数值,其次,对这些特征因子的数据进行预处理,有利于数据降维的同时保证信息的有效性,然后在进行模型训练的过程中,提出一种采用萤火虫和差分算法的联合进化算法,且在具体参数调优时将一个大规模的参数训练分解成几个小规模的参数群再分别进行优化,故本发明较传统进化方法计算复杂度相对更低,且预测准确度更高。
Claims (9)
1.一种神经元分支进化的BP神经网络风速预测方法,其特征在于,包括以下步骤:
步骤1,获取风电场的历史气象数据;
步骤2,构建风速影响特征因子,计算所述的特征因子的数值;
步骤3,对所述的特征因子的数据进行预处理,包括归一化处理、相关性分析和输入变量选取;
步骤4,建立BP神经网络模型,使用所述的预处理后的特征因子的数据对所述的BP神经网络模型进行训练;
步骤5,计算所述风电场的现实气象数据的特征因子数值;
步骤6,将现实气象数据的特征因子数值输入神经网络中,将输出值进行反归一化,计算出预测的风速值。
2.根据权利要求1所述的BP神经网络风速预测方法,其特征在于,步骤4中所述的对BP神经网络进行学习训练,包括:
步骤401,将所述的预处理后的特征因子的数据按照训练集格式整理,所述的训练集用于对BP神经网络进行训练,所述的训练集中每一个记录包括若干个输入值和1个输出值,所述的输入值分别为所述的特征因子预处理后的数据,1个输出值为历史时刻后某一时刻的风速值;
步骤402,以所述的BP神经网络中隐含层的神经元为分支基准,将每一个隐含层神经元相关的待优化参数归为一支;
步骤403,将第n个隐含层神经元对应的第n支待优化参数初始化为一组随机值,根据所述的待优化参数随机生成初始种群,其它的待优化参数均设置为固定值,n为神经元迭代变量;
步骤404,用萤火虫算法更新所述的种群;
步骤405,对所述的种群进行差分算子操作,更新第n个子种群,所述的差分算子包括差分变异、差分交叉和差分选择;
步骤406,检测是否达到预设的最大迭代次数或是否达到指定精度,如否则继续步骤404;如是则进行步骤407;
步骤407,记录第n支待优化参数学习进化完毕的数值,然后进行第(n+1)支待优化参数的学习进化;
步骤408,计算m次之后,得到隐含层中所有m个神经元相关的所有参数数值,其中m为隐含层神经元的个数;
步骤409,在第(m+1)次计算中,得到输出层神经元的阈值。
3.根据权利要求2所述的BP神经网络风速预测方法,其特征在于,步骤404中,所述的使用萤火虫算法更新种群包括:
步骤40401,将所述的种群映射为萤火虫群,所述的种群中每一个体对应所述萤火虫种群的一只萤火虫,初始化萤火虫算法中的相关参数;
步骤40402,计算每只萤火虫的光照强度;
步骤40403,根据每只萤火虫与邻居萤火虫光照强度的关系,更新萤火虫的位置;
步骤40404,计算更新后萤火虫的位置和光照强度;
步骤40405,获取全局最优的萤火虫和个体萤火虫最优的位置。
4.根据权利要求3所述的BP神经网络风速预测方法,其特征在于,在步骤408中,计算m次之后,若m次分支进化一半以上的次数是达到最大迭代次数而进化停止,则需要进行全局进化,全局进化的流程是,分别选取前m个种群中最优的1/m个体组成新的种群,采用萤火虫方法和差分进化方法进行联合进化,当达到预设的最大迭代次数或达到指定精度,进化停止,种群中的最优个体为进化后的最优结果。
5.根据权利要求3或4所述的BP神经网络风速预测方法,其特征在于,步骤1中所述的历史气象数据包括风速、风向、温度、湿度和气压5个因素的数据;步骤2中所述的特征因子包括风速、风向、温度、湿度、气压、风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差。
6.根据权利要求5所述的BP神经网络风速预测方法,其特征在于,步骤3中所述的相关性分析用于分析所述的特征因子与未来风速相关密切程度,以确定最优的输入变量组合;所述的相关性分析采用协方差及协方差矩阵分析方法或者Pearson相关分析方法;步骤3中所述的输入变量选取,选取后的输入变量为风速均值、风速极差、风速标准差、风向均值、温度均值、湿度均值和湿度极差。
7.根据权利要求6所述的BP神经网络风速预测方法,其特征在于,步骤所述的402中的每一个神经元相关的待优化参数包括,所述的该个隐含层神经元与所有输入层神经元的权值,所述的该个隐含层神经元的阈值,所述的该个隐含层神经元与所有输出层神经元的权值。
8.根据权利要求7所述的BP神经网络风速预测方法,其特征在于,所述的神经网络模型中隐含层神经元数目确定为10,将所述的神经网络待优化参数归为10支。
9.根据权利要求8所述的BP神经网络风速预测方法,其特征在于,步骤403中所述的固定值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336963.1A CN110070228B (zh) | 2019-04-25 | 2019-04-25 | 一种神经元分支进化的bp神经网络风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336963.1A CN110070228B (zh) | 2019-04-25 | 2019-04-25 | 一种神经元分支进化的bp神经网络风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070228A true CN110070228A (zh) | 2019-07-30 |
CN110070228B CN110070228B (zh) | 2021-06-15 |
Family
ID=67368799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336963.1A Active CN110070228B (zh) | 2019-04-25 | 2019-04-25 | 一种神经元分支进化的bp神经网络风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070228B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348247A (zh) * | 2020-11-03 | 2021-02-09 | 深圳大学 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
CN112348700A (zh) * | 2020-11-05 | 2021-02-09 | 国家电网公司华中分部 | 一种结合som聚类与ifou方程的线路容量预测方法 |
CN113191091A (zh) * | 2021-06-03 | 2021-07-30 | 上海交通大学 | 基于混合深度学习机制的风速预测方法及***、设备 |
CN113719283A (zh) * | 2021-09-07 | 2021-11-30 | 武汉理工大学 | 一种矿山凿岩装备作业工时预测方法及装置 |
CN114897204A (zh) * | 2022-02-17 | 2022-08-12 | 上海电机学院 | 一种海上风电场短期风速预测方法和装置 |
CN117195747A (zh) * | 2023-11-02 | 2023-12-08 | 北京金鼎兴成磁性材料有限公司 | 一种磁性材料烘干用均匀热分布优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0995156A2 (de) * | 1997-07-09 | 2000-04-26 | Siemens Aktiengesellschaft | Verfahren und struktur zur neuronalen modellierung eines dynamischen systems auf einem rechner |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102663493A (zh) * | 2012-03-23 | 2012-09-12 | 天津工业大学 | 一种用于时间序列预测的迟滞神经网络 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
-
2019
- 2019-04-25 CN CN201910336963.1A patent/CN110070228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0995156A2 (de) * | 1997-07-09 | 2000-04-26 | Siemens Aktiengesellschaft | Verfahren und struktur zur neuronalen modellierung eines dynamischen systems auf einem rechner |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102663493A (zh) * | 2012-03-23 | 2012-09-12 | 天津工业大学 | 一种用于时间序列预测的迟滞神经网络 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
基于气象因子的 BP神经网络风电场风速预测: "基于气象因子的 BP神经网络风电场风速预测", 《可再生能源》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348247A (zh) * | 2020-11-03 | 2021-02-09 | 深圳大学 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
CN112348247B (zh) * | 2020-11-03 | 2022-04-15 | 深圳大学 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
CN112348700A (zh) * | 2020-11-05 | 2021-02-09 | 国家电网公司华中分部 | 一种结合som聚类与ifou方程的线路容量预测方法 |
CN113191091A (zh) * | 2021-06-03 | 2021-07-30 | 上海交通大学 | 基于混合深度学习机制的风速预测方法及***、设备 |
CN113719283A (zh) * | 2021-09-07 | 2021-11-30 | 武汉理工大学 | 一种矿山凿岩装备作业工时预测方法及装置 |
CN113719283B (zh) * | 2021-09-07 | 2023-01-17 | 武汉理工大学 | 一种矿山凿岩装备作业工时预测方法及装置 |
CN114897204A (zh) * | 2022-02-17 | 2022-08-12 | 上海电机学院 | 一种海上风电场短期风速预测方法和装置 |
CN117195747A (zh) * | 2023-11-02 | 2023-12-08 | 北京金鼎兴成磁性材料有限公司 | 一种磁性材料烘干用均匀热分布优化方法 |
CN117195747B (zh) * | 2023-11-02 | 2024-01-23 | 北京金鼎兴成磁性材料有限公司 | 一种磁性材料烘干用均匀热分布优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110070228B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及*** | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN104123595B (zh) | 一种配电网负荷预测方法及*** | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏***发电功率预测方法 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏***发电功率预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN107909221A (zh) | 基于组合神经网络的电力***短期负荷预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及*** | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |