一种基于遗传算法优化BP神经网络的风电功率预测方法

摘要

本发明公开了一种基于遗传算法优化BP神经网络的风电功率预测方法，从风电功率预测系统的数据处理模块中获取预测参考数据；对参考数据建立BP神经网络的预测模型，并采用多种群编码对应BP神经网络的不同结构，每个种群分别对神经网络权值阈值编码，生成不同长度的个体，用遗传算法中选择、交叉、变异操作进化优化每个种群，最后判断收敛条件并选择最优个体；再对BP神经网络初始化，用学率可变的动量BP算法进一步训练网络直至收敛，利用该网络对风电功率进行预测；最后，还反复利用预测值，在一轮预测中进行多次预测实现了跨时间间隔的多步预测。本发明预测精度提高，计算时间减少，稳定性增强。

主权项

一种基于遗传算法优化BP神经网络的风电功率预测方法，包括如下步骤：(1)数据的获取和预处理：风电功率预测系统从数据处理模块中获取指定时间范围内的风电机输出功率、风速、风向、气温、湿度及大气压强数据，由此得到训练集和预测集并分别进行归一化处理；(2)结合经归一化后的训练集和预测集构建BP神经网络，进行一次预测：(2.1)判断风速变化是否超过设定阈值，若是，则转向(2.2)，若否，则直接转向(2.4)；(2.2)根据输入输出数据的维数，确定BP神经网络隐层神经元数的范围以及输出层神经元数，据此形成遗传算法中的多个种群，每个种群具有相同个体数和不同变量数；(2.3)对每个种群初始化并采用遗传算法进化优化：用选择、交叉、变异遗传操作在前代种群的基础上产生新一代种群，计算适应度值，判断遗传算法收敛条件是否满足并从所有种群中选择最优个体，该个体同时包含了BP神经网络的结构和权值及阈值的初值信息；(2.4)根据上述最优个体所提供的结构、权值、阈值信息创建BP神经网络并对其初始化，利用经归一化后的训练集数据作为BP神经网络输入输出数据，用学习率可变的动量BP算法进一步训练BP神经网络直至收敛；(2.5)对上述训练好的BP神经网络输入经归一化后的预测集数据，对BP神经网络输出进行反归一化处理得到输出数据；(3)判断预测宽度q值大小，并据此控制预测次数：(3.1)若预测宽度q＞1，则用最新一次预测的输出数据更新训练集和预测集，并转向步骤(2)，同时q＝q-1；(3.2)若预测宽度q＝1，则本轮预测结束，从输出数据中提取待预测的风电功率数据作为本轮预测结果，并进入步骤(4)；(4)根据设定的预测轮数判断是否结束风电功率预测系统的预测工作：(4.1)若实际预测轮数达到设定的预测轮数则结束预测工作，将风电功率预测系统的预测数据显示供电网调度部门使用；(4.2)若预测工作尚未结束，则首先将已预测的风电功率预测数据显示，然后等到下一轮预测开始时从风电功率预测系统的数据处理模块中获取实时测量数据更新训练集和预测集，转向步骤(2)进行新一轮的预测。