本發(fā)明涉及新能源預測控制，尤其涉及一種基于改進粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風電功率預測方法。

背景技術(shù)：

風能作為一種可再生能源，具有無污染、不需要燃料、不占用耕地等優(yōu)勢，越來越受到人們的關(guān)注，儲量也十分巨大，根據(jù)相關(guān)資料統(tǒng)計，每年來自外層空間的輻射能為1.5*10¹⁸kwh，其中的2.5％，即3.8*10¹⁶kwh的能量被大氣吸收，產(chǎn)生大約4.3*l0^l2kwh的風能。我國實際可開發(fā)利用的風能資源儲量為2.53億kw，占據(jù)10m高度層總風能資源的7.8％。

世界風能協(xié)會發(fā)布的半年度報告指出，全球風電產(chǎn)業(yè)2015年新增裝機63013mw，年度市場增長率高達22％。美國市場全年達到8.6gw，德國超過預期，新增6gw，其中包括2.3gw的海上項目。到2015年年底，全球風電累計裝機容量達到432419mw，累計年增長率達到17％。與此同時，截至2015年，作為風力發(fā)電裝機容量的第一大國，我國風電累計裝機容量達到145.1gw，單年風電發(fā)電量達1863億千瓦時，占全部發(fā)電量的3.3％。

隨著風電技術(shù)的日漸成熟，其運行成本的不斷降低，風力發(fā)電呈現(xiàn)出了強勁的增長勢頭，在電力市場需求中所占比例的也不斷增大，而風力發(fā)電對電網(wǎng)的負面影響也隨之凸顯。由于風能具有較強的間歇性、隨機性和不可控性，風電功率也有較大的波動，這將會嚴重影響到電力系統(tǒng)的安全穩(wěn)定運行。對風力發(fā)電功率進行預測，能夠?qū)⑽粗優(yōu)橐阎?，有效減輕此類發(fā)電系統(tǒng)接入電網(wǎng)的影響，提高可再生能源的利用率，獲得更大的經(jīng)濟效益。因此，開展風力發(fā)電功率預測研究并逐步提高其預測精度是一項極具深遠意義的工作。

bp神經(jīng)網(wǎng)絡(luò)(backpropagationneuralnetwork，bpnn)以其良好的非線性映射能力、自適應學習能力，廣泛應用于風力等發(fā)電系統(tǒng)的發(fā)電預測，然而由于bp算法的實質(zhì)為梯度下降法，使其在運行速度與精度兩方面均不夠理想。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于改進粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風電功率預測方法，預測結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預測精度，且不易陷入局部最優(yōu)。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于改進粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風電功率預測方法，包括如下步驟：

步驟(1)：將bp神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值編為粒子，并對其進行初始化；

步驟(2)：以bp神經(jīng)網(wǎng)絡(luò)訓練對訓練集訓練所得的風電功率預測輸出結(jié)果與風電功率期望值之差作為適應度函數(shù)，計算每個粒子適應度值；

步驟(3)：將每個粒子的適應度值與個體最優(yōu)粒子進行比較，得到全局最優(yōu)粒子；

步驟(4)：根據(jù)預設(shè)規(guī)則更新粒子速度與位置；

步驟(5)：判斷所得全局最優(yōu)粒子是否滿足設(shè)定終止條件，若滿足設(shè)定終止條件，則停止運算輸出最優(yōu)權(quán)值閾值，否則返回步驟(2)迭代運算；

步驟(6)：利用步驟(5)獲得的最優(yōu)權(quán)值閾值連接bp神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層與輸出層，根據(jù)bp神經(jīng)網(wǎng)絡(luò)結(jié)果預測得到風電功率預測結(jié)果。

所述步驟(1)中初始化內(nèi)容包括粒子種群規(guī)模、初始位置與初始速度。

所述步驟(2)中適應度函數(shù)為：

式中：ok為第k個節(jié)點的風電功率期望輸出，yk為第k個節(jié)點的風電功率預測輸出。

所述步驟(3)中若每個粒子的適應度值優(yōu)于個體最優(yōu)則將該粒子設(shè)為個體最優(yōu)，再將個體最優(yōu)與全局最優(yōu)進行比較，若優(yōu)于全局最優(yōu)則將該粒子設(shè)為全局最優(yōu)。

所述步驟(4)中粒子速度更新依據(jù)的公式如下：

vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))

式中：vi(t)為第i個粒子在第t次迭代中的速度；xi(y)為第i個粒子在第t次迭代中的位置；ω為慣性權(quán)重；c1、c2分別為認知學習因子和社會學習因子；r1與r2為[0，1]之間的隨機數(shù)，pg(t)為第t次迭代中的個體最優(yōu)值；pg(t)為第t次迭代中的全局最優(yōu)值。

c1、c2的取值為c1＝c2＝2。

所述步驟(4)中粒子位置更新所依據(jù)的公式如下：

xi(t+1)＝xi(t)+vi(t+1)

式中：xi(t+1)為第i個粒子在第t+1次迭代中的位置。

其中對ω定義如下：

其中n為粒子總數(shù)，α為[0,1]區(qū)間的隨機數(shù)，ft(xi)為第t次迭代時第i個粒子對應的適應度值，ft(xbest)為第t次迭代時最優(yōu)粒子對應的適應度值。

所述步驟(6)中輸入層節(jié)點由輸入數(shù)據(jù)決定，輸入層可以選擇預測時刻的前一時刻，前兩時刻與前三時刻的風電功率值。

所述步驟(6)中隱含層節(jié)點數(shù)的選擇由以下公式確定：

其中m為輸入層節(jié)點數(shù)，q為輸出層節(jié)點數(shù)，a為試湊數(shù)，取值范圍為1～10。

本發(fā)明將改進粒子群算法與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合對風電場輸出功率進行預測，改進粒子群算法通過每次迭代所得適應度值的情況來判斷下次粒子搜索的速度與步長，提高效率與精度，避免其陷入局部最優(yōu)，用改進粒子群算法的尋優(yōu)能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，取得了優(yōu)于bp神經(jīng)網(wǎng)絡(luò)的預測結(jié)果。

本發(fā)明的有益效果：

本發(fā)明用可自適應調(diào)節(jié)權(quán)重的改進粒子群算法替代bp神經(jīng)網(wǎng)絡(luò)中的按梯度下降的誤差函數(shù)以調(diào)節(jié)權(quán)值閾值，能夠迅速搜尋到最優(yōu)權(quán)值閾值，改進粒子群算法則可以避免其在尋優(yōu)過程中陷入局部極值，利用本發(fā)明的預測算法所得到預測結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預測精度。

附圖說明

圖1為bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖2為改進粒子群優(yōu)化bp算法的流程圖；

圖3為bp神經(jīng)網(wǎng)絡(luò)預測風電功率；

圖4為粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預測風電功率；

圖5為改進粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預測風電功率；

圖6為三種模型的絕對誤差對比；

圖7為標準粒子群優(yōu)化算法應用于bp網(wǎng)絡(luò)時的收斂性；

圖8為改進粒子群優(yōu)化算法應用于bp網(wǎng)絡(luò)時的收斂性。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

針現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種基于改進粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風電功率預測方法，與標準粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)預測算法相比，所提優(yōu)化預測模型的預測結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預測精度，且不易陷入局部最優(yōu)，matlab仿真驗證了本發(fā)明所提算法與模型的有效性和實用性。

人工神經(jīng)網(wǎng)絡(luò)是基于仿生學而對生物神經(jīng)系統(tǒng)的模擬。與生物神經(jīng)系統(tǒng)類似，人工神經(jīng)網(wǎng)絡(luò)存在大量的神經(jīng)元通過復雜的連接構(gòu)成完整的神經(jīng)網(wǎng)絡(luò)，每個神經(jīng)元的輸入都對應單一的輸出，從而進行分布式并行信息處理，同時神經(jīng)網(wǎng)絡(luò)還具有學習與自適應的能力。隨著工程的各種需求，學者們已提出多種神經(jīng)網(wǎng)絡(luò)模型，其中反向傳播網(wǎng)即bp網(wǎng)絡(luò)是已提出的各種人工網(wǎng)絡(luò)模型中最典型、應用最廣泛的一種，它具有良好的非線性映射能力、自適應學習能力，很適合風力等發(fā)電系統(tǒng)的發(fā)電預測。

如圖1所示，bp神經(jīng)網(wǎng)絡(luò)一般由三層組成，包括：輸入層、隱含層、輸出層，其中輸入層有m個節(jié)點，隱含層有n個節(jié)點，輸出層有q個節(jié)點，ωmn和ωnq分別為輸入層與隱含層之間、隱含層與輸出層之間的連接權(quán)值，bn和bq分別為隱含層與輸出層各層節(jié)點之間的閾值。

設(shè)一組輸入向量為x＝(x1,x2,…xm)，輸出層輸出向量為y＝(y1,y2,…yq)，期望輸出向量為o＝(o1,o2,…oq)。bp神經(jīng)網(wǎng)絡(luò)工作流程如下：

首先對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練的過程分為信息正向傳遞和誤差反向傳播兩個過程，對于信息正向傳遞有：

隱含層的第n個節(jié)點輸入有：

其輸出表達式為：

其中f(hn)為隱含層的激勵函數(shù)(這里將激勵函數(shù)設(shè)為sigmoid型函數(shù))用來描述層與層之間的關(guān)系，輸出層第q個節(jié)點的輸入：

其輸出表達式為：

當神經(jīng)網(wǎng)絡(luò)的實際輸出與期望輸出不一致或者誤差大于設(shè)定值時，bp神經(jīng)網(wǎng)絡(luò)將誤差反向傳播分攤給各層的所有單元，通過各層單元的誤差信號修正各單元權(quán)值和閾值，傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)采用按梯度下降的誤差函數(shù)調(diào)整權(quán)值閾值，對于k個訓練樣本，誤差函數(shù)如下：

各權(quán)值閾值的修正量(d為wmn、wnq、bn、bq統(tǒng)稱)

當網(wǎng)絡(luò)輸出的誤差減少到要求范圍內(nèi)或達到預先設(shè)定的學習次數(shù)時訓練停止。

值得注意的是，對于確定模型的bp神經(jīng)網(wǎng)絡(luò)，其輸入層與輸出層節(jié)點數(shù)已經(jīng)確定，而隱含層神經(jīng)元初始節(jié)點數(shù)目則需根據(jù)經(jīng)驗如下公式確定，然后采用“試湊法”逐步增大和減小隱含層節(jié)點數(shù)目使得神經(jīng)網(wǎng)絡(luò)的誤差最小，最終確定。

其中a的取值范圍為1～10。

粒子群優(yōu)化算法(particleswarmoptimization，pso)由dr.eberhart與dr.kennedy于1995年提出，其基本思想是從隨機解出發(fā)，找尋通過個人和團體之間的協(xié)作和信息共享實現(xiàn)的最優(yōu)解。在運用pso求解優(yōu)化問題時，算法初始化一群隨機的粒子，每一個粒子都有自己的速度與位置，粒子通過每次迭代更新自己的速度與位置，每個粒子根據(jù)兩個簡單的規(guī)則分別來更新其速度和位置：

1)遵循粒子本身找到的最佳方案移動，由此得到個體最優(yōu)值；

2)跟隨在全體粒子中表現(xiàn)最好的粒子，由此得到全局最優(yōu)值。根據(jù)粒子位置計算粒子的適應度值，從而衡量該粒子的優(yōu)劣，通過這種方法，所有的粒子到達到全局最優(yōu)解。

第i個粒子的速度與位置更新公式如下：

vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))

xi(t+1)＝xi(t)+vi(t+1)

式中：vi(t)為第i個粒子在第t次迭代中的速度；ω為慣性權(quán)重；c1、c2分別為認知學習因子和社會學習因子，一般取c1＝c2＝2；r1與r2為[0,1]之間的隨機數(shù)；pg(t)為第t次迭代中的個體最優(yōu)值；pg(t)為第t次迭代中的全局最優(yōu)值。

其中，ω的大小決定了粒子更偏向于全局搜索還是局部搜索，c1決定了粒子對自身依賴的程度，c2決定了粒子對全局依賴的程度。

本發(fā)明所提改進粒子群優(yōu)化算法(modifiedparticleswarmoptimization，mpso)：粒子群算法的主要特點是原理簡單，參數(shù)少，收斂速度較快，易于實現(xiàn)，但其存在如易陷入局部最優(yōu)解難以跳出等缺陷，當前對粒子群算法的改進主要集中在讓慣性權(quán)重ω隨迭代次數(shù)線性減小，該方式根據(jù)粒子群的缺陷對粒子群算法作出如下改進：

其中，ωmax,ωmin分別為慣性權(quán)重的最大值與最小值，t為當前迭代次數(shù)，t為最大迭代次數(shù)。

這種改進使粒子搜索步長隨迭代次數(shù)增加而逐步減小，可以在一定程度上避免粒子陷入局部極值，但一旦陷入仍很難跳出，且這種算法中ω的變化只與迭代次數(shù)線性相關(guān)，不能更好地適應具有復雜非線性變化特征的優(yōu)化問題。為此本發(fā)明提出以下根據(jù)適應度值調(diào)整的粒子群算法：

其中n為粒子總數(shù)，ft(xi)為第t次迭代時第i個粒子對應的適應度值，ft(xbest)為第t次迭代時最優(yōu)粒子對應的適應度值。

式中kt用來判斷第i個粒子在第t次迭代中適應度值的離散程度，kt越大說明本次迭代中粒子越發(fā)散，越小則說明本次迭代中粒子越趨近于最優(yōu)粒子。ωt以e為底數(shù)，采用kt與kt-1的比值作為參考，由指數(shù)函數(shù)性質(zhì)可知這樣可以將ω限制在[0,1]區(qū)間，為了使粒子群算法更高效，在全局搜索時步長更大，在式中加入其中α為[0,1]區(qū)間的隨機數(shù)，拓寬ω范圍至[0,1.5]區(qū)間。

對于ωt，若kt>kt-1，即kt/kt-1>1則說明第t次迭代相對于第t-1次發(fā)散，此時kt/kt-1比值越大ωt越小，即搜索步長越小，粒子群越趨向于局部搜索；若kt<kt-1，即kt/kt-1<1則說明第t次迭代相對于第t-1次收斂，此時kt/kt-1比值越小ωt越大，即搜索步長越大，粒子群越趨向于全局搜索。這使得ω不是一味隨著迭代次數(shù)的增加而減小，而是根據(jù)具體函數(shù)適應度值來確定。采用這種方式改進后的粒子群算法收斂速度加快，且不易陷入局部極值。

bp神經(jīng)網(wǎng)絡(luò)采用按梯度下降的誤差函數(shù)調(diào)整連接權(quán)值ω和閾值b，故存在學習過程收斂速度慢、網(wǎng)絡(luò)訓練易陷入局部極值、網(wǎng)絡(luò)的結(jié)構(gòu)難以確定、網(wǎng)絡(luò)泛化能力很難保證等缺陷。針對上述問題，本文將bp神經(jīng)網(wǎng)絡(luò)和改進粒子群算法結(jié)合起來，用粒子群優(yōu)化算法代替bp算法中的梯度下降法訓練神經(jīng)網(wǎng)絡(luò)的參數(shù)，來改善bp算法的性能，使其不易陷入局部最小，增強泛化能力，達到優(yōu)化網(wǎng)絡(luò)的目的。

如圖2所示，一種基于改進粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風電功率預測方法，具體步驟如下：

步驟(1)：將bp神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值編為粒子，并對其進行初始化，初始化內(nèi)容包括粒子種群規(guī)模，初始位置與初始速度；

步驟(2)：以bp神經(jīng)網(wǎng)絡(luò)訓練所得結(jié)果與期望值之差作為適應度函數(shù)，計算每個粒子適應度值；

步驟(3)：將每個粒子的適應度值與個體最優(yōu)粒子進行比較，若優(yōu)于個體最優(yōu)則將該粒子設(shè)為個體最優(yōu)，再將個體最優(yōu)與全局最優(yōu)進行比較，若優(yōu)于全局最優(yōu)則將該粒子設(shè)為全局最優(yōu)；

步驟(4)：根據(jù)規(guī)則更新粒子速度與位置；

步驟(5)：判斷所得全局最優(yōu)粒子是否滿足終止條件，若滿足設(shè)定條件，則停止運算輸出優(yōu)化結(jié)果，否則返回步驟(2)迭代運算；

步驟(6)：利用上述獲得的最優(yōu)權(quán)值閾值連接bp神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層與輸出層，根據(jù)bp神經(jīng)網(wǎng)絡(luò)結(jié)果預測得到結(jié)果。

下面以仿真證明：

為了證明所提算法的有效性，本文以國電濟南長清風電場為例，采用matlab語言編寫算法程序，分別構(gòu)建了三種預測模型：bp神經(jīng)網(wǎng)絡(luò)預測模型，粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預測模型(pso-bp)，改進粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預測模型(mpso-bp)，對其一段時間內(nèi)的風電輸出功率進行預測仿真。功率樣本為國電濟南長清風電場2015年1月1日零時起，對未來72個小時每隔十五分鐘采集一次的數(shù)據(jù)。利用前260個數(shù)據(jù)對網(wǎng)絡(luò)進行訓練，后28個數(shù)據(jù)用來預測，即訓練樣本260組，測試樣本總數(shù)k為28組，經(jīng)過實驗調(diào)試，隱含層最終確定為8個節(jié)點。其中設(shè)定bp網(wǎng)絡(luò)最大訓練次數(shù)為2000，訓練精度0.002，學習速率0.01。對預測結(jié)果的性能評價采用平均絕對誤差mape，均方根誤差mse以及相關(guān)度r²。

其中ess為回歸平方和，tss為總體平方和。

分別對bp、pso-bp、mpso-bp三種模型進行仿真，三種模型的預測結(jié)果分別如圖3，圖4，圖5所示。圖6為三種模型絕對誤差的對比。圖7與圖8分別表示了應用于bp網(wǎng)絡(luò)時粒子群算法與改進后的粒子群算法的收斂性。三種模型各運行20次的結(jié)果如表1所示。

表1三種模型運行20次的結(jié)果分析

圖3為bp神經(jīng)網(wǎng)絡(luò)預測方法對風電功率進行預測的結(jié)果，計算可得其平均絕對誤差mape為0.0507，均方根誤差mse為0.0692，預測曲線與期望輸出曲線的擬合度r2為0.8980；圖4為使用粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)方法進行預測的結(jié)果，計算可得其平均絕對誤差mape為0.0327，均方根誤差mse為0.0469，預測曲線與期望輸出曲線的擬合度r2為0.9655；圖5為使用改進的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)方法進行預測的結(jié)果，計算可得其平均絕對誤差mape為0.0248，均方根誤差mse為0.0346，預測曲線與期望輸出曲線的擬合度r2為0.9809。顯然，使用改進的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進行優(yōu)化預測的結(jié)果優(yōu)于粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)與單一bp神經(jīng)網(wǎng)絡(luò)預測的結(jié)果。從圖6可以看出使用改進的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進行優(yōu)化預測的結(jié)果相對于其他兩種誤差整體更小，更平穩(wěn)。而通過圖7與圖8的對比則說明了本文所提的改進粒子群算法相對于基本粒子群算法收斂速度更快。通過表1也可看出多次使用改進的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進行優(yōu)化預測的結(jié)果相對于其他兩種更穩(wěn)定。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。