基于粒子群优化反向传播神经网络的脉动风速预测方法

摘要

本发明提供一种基于粒子群优化反向传播神经网络的脉动风速预测方法，其包括四个步骤。为改进传统网络的收敛速度慢、陷入局部最优的缺陷，本发明从学规则、连接权值出发，使用PSO对反向传播神经网络进行优化，将神经网络的权值和偏置映射为粒子，并选择反向传播预测模型的均方误差作为适应度函数。数值模拟结果显示，通过PSO优化的反向传播经网络预测模型的预测精度可以得到进一步提高，说明将反向传播算法应用于BP神经网络预测模型的优化是可行的，可以作为脉动风速预测的一种有效地方法。

主权项

一种基于粒子群优化反向传播神经网络的脉动风速预测方法，其特征在于，其包括以下步骤：第一步：利用自回归滑动平均模型模拟生成垂直空间点脉动风速样本，将每一个空间点的脉动风速样本分为训练集、测试集两部分，对其分别进行归一化处理；对数据归一化处理后，目的是为了取消各维数据之间的数量级差别，从而避免因为输入输出数据的数量级差别大而造成网络预测误差大的情况，取嵌入维数k＝10对进行样本数据进行相空间重构；确定单点脉动风速样本的自回归滑动平均模型各参数，自回归滑动平均模型的自回归阶数p＝4，滑动回归阶数q＝1；第二步：取采样时间1000s的20m、50m脉动风速样本，嵌入维数k＝10，对样本数据进行相空间重构；给定训练样本N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈Rⁿ,i＝1,…,N}、激励函数g(x)，设定神经网络模型输入节点m＝10、隐层节点p＝10、输出节点q＝1、网络训练次数epochs＝100、误差精度goal＝0.0001及学习率lr＝0.1；将1‑790s脉动风速作为训练集，791‑990s脉动风速作为测试集，归一化处理；第三步：设置粒子群优化算法粒子种群规模M，迭代次数K，学习因子C₁、C₂，随机产生粒子初始位置和初始速度，采用粒子群优化算法将神经网络的权值与偏置映射为粒子群优化算法中的粒子，以均方根误差作为适应度函数，通过粒子的速度与位置不断更新来优化这些参数，从而实现网络训练；第四步：将测试样本与利用粒子群优化算法神经网络模型和反向传播神经网络预测的脉动风速结果对比；同时计算预测风速与实际风速的平均绝对误差、均方根误差以及相关系数，评价本发明的有效性，同时利用未优化的神经网络对同样脉动风速进行预测，分析比较两种方法的性能。