[go: up one dir, main page]

CN113095477A - 基于de-bp神经网络的风电功率预测方法 - Google Patents

基于de-bp神经网络的风电功率预测方法 Download PDF

Info

Publication number
CN113095477A
CN113095477A CN202110287887.7A CN202110287887A CN113095477A CN 113095477 A CN113095477 A CN 113095477A CN 202110287887 A CN202110287887 A CN 202110287887A CN 113095477 A CN113095477 A CN 113095477A
Authority
CN
China
Prior art keywords
neural network
wind power
layer
nodes
output
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
Application number
CN202110287887.7A
Other languages
English (en)
Other versions
CN113095477B (zh
Inventor
李宁
王晔琳
何复兴
彭佩佩
王倩
朱龙辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Xian University of Technology
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology, China Electric Power Research Institute Co Ltd CEPRI filed Critical Xian University of Technology
Priority to CN202110287887.7A priority Critical patent/CN113095477B/zh
Publication of CN113095477A publication Critical patent/CN113095477A/zh
Application granted granted Critical
Publication of CN113095477B publication Critical patent/CN113095477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于DE‑BP神经网络的风电功率预测方法，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE‑BP神经网络模型；步骤4，将DE‑BP神经网络模型用于风电功率的预测，进行风电功率预测。本发明的基于DE‑BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。

Description

基于DE-BP神经网络的风电功率预测方法
技术领域
本发明属于风电功率预测方法技术领域，涉及一种基于DE-BP神经网络的风电功率预测方法。
背景技术
随着我国风电装机容量的不断增长,大规模风电的接入对电网的影响越来越明显。对风电功率进行准确有效的预测能够减少风电接入对电网的不良影响,优化电网调度。高精度的风电场输出功率预测可以有效减轻电力系统错峰、错频压力，也是给用户端提供一个经济、可靠、安全的供电网络的基础。
差分进化算法(Differential Evolution Algorithm,DE)采用一对一的竞争机制，只有当子代个体优于父代个体时才会置换父代个体。
BP(Back Propagation Neural Network,BP)预测模型确立的过程，就是对训练集训练的过程，此过程中决策变量很多，BP的标准学习算法使其易陷入局部最优解。由于带有自适应变异因子的DE算法能在全局寻优和局部寻优中获得一个较好的平衡，并且收敛性能较好，且易于实现，所以，基于DE优化的DE-BP可以避免陷入局部点，从而使BP模型的预测结果精度提高。
现有的准确率高的风电功率预测方法大部分是基于人工神经网络，如BP神经网络，RBF神经网络进行预测，但这些方法容易陷入局部最优值，收敛速度过慢。
发明内容
本发明的目的是提供一种基于DE-BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。
本发明所采用的技术方案是，基于DE-BP神经网络的风电功率预测方法，具体按照如下步骤实施：
步骤1，获取风电功率相关数据并进行处理；
步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；
步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE-BP神经网络模型；
步骤4，将DE-BP神经网络模型用于风电功率的预测，进行风电功率预测。
本发明的特征还在于，
步骤1具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度。
步骤2具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
步骤2具体为：
步骤2.1，定义输入层和输出层节点数
输入层节点数是影响风电功率的因素的个数m，输出层的节点数是p；
步骤2.2，确定隐含层节点数n：
Figure BDA0002981233150000031
其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；
步骤2.3，隐含层节点的输出为：
Figure BDA0002981233150000032
其中，Oj表示隐含层的输出，j＝1,2,…,n，f(x)为Sigmoid激励函数，xi表示隐含层的输入，i＝1,2,…,m，ωij表示隐含层的权值，θj表示隐含层的阈值；
步骤2.4，输出层节点的输出为：
Figure BDA0002981233150000033
其中，yk表示输出层的输出，Oj表示输出层的输入，即为隐含层的输出，Tjk表示输出层的权值，θj表示输出层的阈值，i＝1,2,…,m，j＝1,2,…,n，k＝1,2,…,p；
步骤2.5，构建BP神经网络模型
BP神经网络的基本结构公式如下：
Y＝sigmoid[W2·sigmoid(W1·X-O1)-O2] (4)
其中，Y＝(y1,y2,…,yp)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x1,x2,…,xm)为BP神经网络输入矩阵，Sigmoid为激励函数
Figure BDA0002981233150000034
W1、W2分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O1、O2为BP神经网络中输入层到隐含层、隐含层到输出层的阈值矩阵；
步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
影响风电功率的因素为风向、风速、气压、湿度、气温、功率。
输出层为风电功率，节点数是1。
步骤3具体为：用DE算法对步骤2得到的BP神经网络模型的初始权值和阈值进行全局预搜索，将获得的最优解赋给BP作为其初始权值和阈值，然后利用嵌入梯度下降法深度局部搜索，以得到满足训练目标的网络权值和阈值，得到最终的DE-BP预测模型。
步骤3具体为：
步骤3.1，DE算法初始化
对种群规模N、个体基因维数D、最大迭代次数G、缩放因子F和交叉概率CR进行初始化：
xij＝Umin+rand×(Umax-Umin) (5)
其中，i＝1，2，…,N，j＝1,2,…，D，rand是服从均匀分布的随机数
步骤3.2，判断DE算法是否达到迭代的终止条件，若是则停止DE过程，输出最优个体，执行步骤3.7；否则，执行步骤3.3；
步骤3.3，按照DE的自适应变异、交叉和选择操作方法，得到下一代个体
Figure BDA0002981233150000041
对于每个目标向量
Figure BDA0002981233150000042
i＝1，2，…,N，DE算法产生一个对应的变异向量：
Figure BDA0002981233150000043
Figure BDA0002981233150000044
其中，
Figure BDA0002981233150000045
为三个序号不同的个体，其中个体序号r1,r2和r3是随机选择的，且互不相同，并且也都与目标个体的序号i不相同，因此种群规模N≥4；其中，
Figure BDA0002981233150000051
CR(g)表示g代的变异概率，CR(g+1)表示g+1代的变异概率，Fmin是最小变异因子，Fmax是最大变异因子，GenM是最大的迭代数，G表示当前的迭代数，CR(0)是变异概率的初始值，CRmin是进化过程中变异概率的最小值；
步骤3.4，重复步骤3.3，直到得到下一代种群；
步骤3.5，评价下一代种群的适应度值，最小适应度值即为当前全局极小值，对应的个体即为当前全局最优个体；
步骤3.6，令G＝G+1，返回步骤3.2；
步骤3.7，将DE算法优化输出的最优个体作为BP的初始权值和阈值，继续用训练集训练网络，得到最优DE-BP预测模型。
判断DE算法是否达到迭代的终止条件中的终止条件为：最小适应度值达到设定的误差精度要求μ或者算法已经达到最大迭代次数GenM。
步骤4具体为：
步骤4.1，输入层节点数是影响风电功率的因素的个数m，包括风向、风速、气压、湿度、气温、功率；输出层为风电功率，节点数是1；
步骤4.2，采用步骤3的DE算法得到最优BP初始超参数；
步骤4.3，采用梯度下降法优化DE-BP模型超参数，用验证集测试，得到最优风电功率预测结果。
本发明的有益效果是：
本发明首先初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用传统得梯度下降法和反向传播来不断调整网络的权值和阈值构建BP神经网络模型，其次，引进差分进化算法来优化BP神经网络的初始连接权值和神经元阈值，可以避免陷入局部最优，建立了一种基于差分进化算法的BP神经网络模型DE-BP，从而降低BP神经网络对初始连接权值和神经元阈值的敏感性，提高了网络训练的速度和精度。
附图说明
图1是本发明基于DE-BP神经网络的风电功率预测方法中DE-BP神经网络模型的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于DE-BP神经网络的风电功率预测方法，具体按照如下步骤实施：
步骤1，获取风电功率相关数据并进行处理，具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度；
步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络，具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型，具体按照如下步骤实施：
步骤2.1，定义输入层和输出层节点数
输入层节点数是影响风电功率的因素的个数m，影响风电功率的因素为风向、风速、气压、湿度、气温、功率，由实际的输入个数决定；输出层的节点数是p，由实际需求决定，本发明输出层为风电功率，节点数是1；
步骤2.2，确定隐含层节点数n：
Figure BDA0002981233150000071
其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；
步骤2.3，隐含层节点的输出为：
Figure BDA0002981233150000072
其中，Oj表示隐含层的输出，j＝1,2,…,n，f(x)为Sigmoid激励函数，xi表示隐含层的输入，i＝1,2,…,m，ωij表示隐含层的权值，θj表示隐含层的阈值；
步骤2.4，输出层节点的输出为：
Figure BDA0002981233150000073
其中，yk表示输出层的输出，Oj表示输出层的输入，即为隐含层的输出，Tjk表示输出层的权值，θj表示输出层的阈值，i＝1,2,…,m，j＝1,2,…,n，k＝1,2,…,p；
步骤2.5，构建BP神经网络模型
BP神经网络的基本结构公式如下：
Y＝sigmoid[W2·sigmoid(W1·X-O1)-O2] (4)
其中，Y＝(y1,y2,…,yp)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x1,x2,…,xm)为BP神经网络输入矩阵，Sigmoid为激励函数
Figure BDA0002981233150000074
W1、W2分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O1、O2为BP神经网络中输入层到隐含层、隐含层到输出层的阈值矩阵；
步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE-BP神经网络模型，具体为：用DE算法对步骤2得到的BP神经网络模型的初始权值和阈值进行全局预搜索，将获得的最优解赋给BP作为其初始权值和阈值，然后利用嵌入梯度下降法深度局部搜索，以得到满足训练目标的网络权值和阈值，得到最终的DE-BP预测模型，具体按照如下步骤实施，其流程如图1所示：
步骤3.1，DE算法初始化
对种群规模N、个体基因维数D、最大迭代次数G、缩放因子F和交叉概率CR进行初始化：
xij＝Umin+rand×(Umax-Umin) (5)
其中，i＝1，2，…,N，j＝1,2,…，D，rand是服从均匀分布的随机数
步骤3.2，判断DE算法是否达到迭代的终止条件：最小适应度值达到设定的误差精度要求μ或者算法已经达到最大迭代次数GenM，若是则停止DE过程，输出最优个体，执行步骤3.7；否则，执行步骤3.3；
步骤3.3，按照DE的自适应变异、交叉和选择操作方法，得到下一代个体
Figure BDA0002981233150000081
对于每个目标向量
Figure BDA0002981233150000082
i＝1，2，…,N，DE算法产生一个对应的变异向量：
Figure BDA0002981233150000083
Figure BDA0002981233150000084
其中，
Figure BDA0002981233150000085
为三个序号不同的个体，其中个体序号r1,r2和r3是随机选择的，且互不相同，并且也都与目标个体的序号i不相同，因此种群规模N≥4；其中，
Figure BDA0002981233150000091
CR(g)表示g代的变异概率，CR(g+1)表示g+1代的变异概率，Fmin是最小变异因子，Fmax是最大变异因子，GenM是最大的迭代数，G表示当前的迭代数，CR(0)是变异概率的初始值，CRmin是进化过程中变异概率的最小值；
步骤3.4，重复步骤3.3，直到得到下一代种群；
步骤3.5，评价下一代种群的适应度值，最小适应度值即为当前全局极小值，对应的个体即为当前全局最优个体；
步骤3.6，令G＝G+1，返回步骤3.2；
步骤3.7，将DE算法优化输出的最优个体作为BP的初始权值和阈值，继续用训练集训练网络，得到最优DE-BP预测模型。
步骤4，将DE-BP神经网络模型用于风电功率的预测，进行风电功率预测，具体为：
步骤4.1，输入层节点数是影响风电功率的因素的个数m，包括风向、风速、气压、湿度、气温、功率；输出层为风电功率，节点数是1；
步骤4.2，采用步骤3的DE算法得到最优BP初始超参数；
步骤4.3，采用梯度下降法优化DE-BP模型超参数，用验证集测试，得到最优风电功率预测结果。
本发明首先初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用传统得梯度下降法和反向传播来不断调整网络的权值和阈值构建BP神经网络模型，其次，引进差分进化算法来优化BP神经网络的初始连接权值和神经元阈值，建立了一种基于差分进化算法的BP神经网络模型DE-BP，从而降低BP神经网络对初始连接权值和神经元阈值的敏感性，提高了网络训练的速度和精度。

Claims (10)

1.基于DE-BP神经网络的风电功率预测方法，其特征在于，具体按照如下步骤实施：
步骤1，获取风电功率相关数据并进行处理；
步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；
步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE-BP神经网络模型；
步骤4，将DE-BP神经网络模型用于风电功率的预测，进行风电功率预测。
2.根据权利要求1所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤1具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度。
3.根据权利要求1所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
4.根据权利要求3所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：
步骤2.1，定义输入层和输出层节点数
输入层节点数是影响风电功率的因素的个数m，输出层的节点数是p；
步骤2.2，确定隐含层节点数n：
Figure FDA0002981233140000021
其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；
步骤2.3，隐含层节点的输出为：
Figure FDA0002981233140000022
其中，Oj表示隐含层的输出，j＝1，2，...，n，f(x)为Sigmoid激励函数，xi表示隐含层的输入，i＝1，2，...，m，ωij表示隐含层的权值，θj表示隐含层的阈值；
步骤2.4，输出层节点的输出为：
Figure FDA0002981233140000023
其中，yk表示输出层的输出，Oj表示输出层的输入，即为隐含层的输出，Tjk表示输出层的权值，θj表示输出层的阈值，i＝1，2，...，m，j＝1，2，...，n，k＝1，2，...，p；
步骤2.5，构建BP神经网络模型
BP神经网络的基本结构公式如下：
Y＝sigmoid[W2·sigmoid(W1·X-O1)-O2] (4)
其中，Y＝(y1，y2，...，yp)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x1，x2，...，xm)为BP神经网络输入矩阵，Sigmoid为激励函数
Figure FDA0002981233140000024
W1、W2分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O1、O2为BP神经网络中输入层到隐含层、隐含层到输出层的阈值矩阵；
步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。
5.根据权利要求4所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述影响风电功率的因素为风向、风速、气压、湿度、气温、功率。
6.根据权利要求4所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述输出层为风电功率，节点数是1。
7.根据权利要求4所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤3具体为：用DE算法对步骤2得到的BP神经网络模型的初始权值和阈值进行全局预搜索，将获得的最优解赋给BP作为其初始权值和阈值，然后利用嵌入梯度下降法深度局部搜索，以得到满足训练目标的网络权值和阈值，得到最终的DE-BP预测模型。
8.根据权利要求7所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤3具体为：
步骤3.1，DE算法初始化
对种群规模N、个体基因维数D、最大迭代次数G、缩放因子F和交叉概率CR进行初始化：
xij＝Umin+rand×(Umax-Umin) (5)
其中，i＝1，2，…,N，j＝1,2,…，D，rand是服从均匀分布的随机数
步骤3.2，判断DE算法是否达到迭代的终止条件，若是则停止DE过程，输出最优个体，执行步骤3.7；否则，执行步骤3.3；
步骤3.3，按照DE的自适应变异、交叉和选择操作方法，得到下一代个体
Figure FDA0002981233140000041
对于每个目标向量
Figure FDA0002981233140000042
i＝1，2，...，N，DE算法产生一个对应的变异向量：
Figure FDA0002981233140000043
Figure FDA0002981233140000044
其中，
Figure FDA0002981233140000045
为三个序号不同的个体，其中个体序号r1，r2和r3是随机选择的，且互不相同，并且也都与目标个体的序号i不相同，因此种群规模N≥4；其中，
Figure FDA0002981233140000046
CR(g)表示g代的变异概率，CR(g+1)表示g+1代的变异概率，Fmin是最小变异因子，Fmax是最大变异因子，GenM是最大的迭代数，G表示当前的迭代数，CR(0)是变异概率的初始值，CRmin是进化过程中变异概率的最小值；
步骤3.4，重复步骤3.3，直到得到下一代种群；
步骤3.5，评价下一代种群的适应度值，最小适应度值即为当前全局极小值，对应的个体即为当前全局最优个体；
步骤3.6，令G＝G+1，返回步骤3.2；
步骤3.7，将DE算法优化输出的最优个体作为BP的初始权值和阈值，继续用训练集训练网络，得到最优DE-BP预测模型。
9.根据权利要求8所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述判断DE算法是否达到迭代的终止条件中的终止条件为：最小适应度值达到设定的误差精度要求μ或者算法已经达到最大迭代次数GenM。
10.根据权利要求8所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤4具体为：
步骤4.1，输入层节点数是影响风电功率的因素的个数m，包括风向、风速、气压、湿度、气温、功率；输出层为风电功率，节点数是1；
步骤4.2，采用步骤3的DE算法得到最优BP初始超参数；
步骤4.3，采用梯度下降法优化DE-BP模型超参数，用验证集测试，得到最优风电功率预测结果。
CN202110287887.7A 2021-03-17 2021-03-17 基于de-bp神经网络的风电功率预测方法 Active CN113095477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110287887.7A CN113095477B (zh) 2021-03-17 2021-03-17 基于de-bp神经网络的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110287887.7A CN113095477B (zh) 2021-03-17 2021-03-17 基于de-bp神经网络的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN113095477A true CN113095477A (zh) 2021-07-09
CN113095477B CN113095477B (zh) 2024-02-09

Family

ID=76668407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110287887.7A Active CN113095477B (zh) 2021-03-17 2021-03-17 基于de-bp神经网络的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113095477B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819313A (zh) * 2022-04-15 2022-07-29 南通大学 一种基于改进pso优化双权值神经网络的风电功率预测方法
CN114971022A (zh) * 2022-05-26 2022-08-30 郑州轻工业大学 基于D-value-LSTM神经网络模型的风电功率预测方法
CN116306893A (zh) * 2023-05-24 2023-06-23 华东交通大学 一种接触网覆冰预警方法
CN116338237A (zh) * 2023-03-15 2023-06-27 华南农业大学 一种基于bp神经网络的风速风向检测方法、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251001A (zh) * 2016-07-18 2016-12-21 南京工程学院 一种基于改进模糊聚类算法的光伏功率预测方法
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN109063938A (zh) * 2018-10-30 2018-12-21 浙江工商大学 基于psode-bp神经网络的空气质量预测方法
CN111160520A (zh) * 2019-12-06 2020-05-15 南京理工大学 一种基于遗传算法优化的bp神经网络风速预测方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251001A (zh) * 2016-07-18 2016-12-21 南京工程学院 一种基于改进模糊聚类算法的光伏功率预测方法
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN109063938A (zh) * 2018-10-30 2018-12-21 浙江工商大学 基于psode-bp神经网络的空气质量预测方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN111160520A (zh) * 2019-12-06 2020-05-15 南京理工大学 一种基于遗传算法优化的bp神经网络风速预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张泽龙;钱勇;刘华兵;: "基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究", 宁夏电力, no. 06 *
王林;彭璐;夏德;曾奕;: "自适应差分进化算法优化BP神经网络的时间序列预测", 计算机工程与科学, no. 12 *
邬月春;王铁君;: "基于差分进化的BP神经网络预测混沌时间序列", 计算机工程与应用, no. 08, pages 2 - 5 *
黄勇东;陈冬沣;肖建华;林艺城;董朕;: "基于小波包分解和改进差分算法的神经网络短期风速预测方法", 浙江电力, no. 06 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819313A (zh) * 2022-04-15 2022-07-29 南通大学 一种基于改进pso优化双权值神经网络的风电功率预测方法
CN114819313B (zh) * 2022-04-15 2023-06-27 南通大学 一种基于改进pso优化双权值神经网络的风电功率预测方法
CN114971022A (zh) * 2022-05-26 2022-08-30 郑州轻工业大学 基于D-value-LSTM神经网络模型的风电功率预测方法
CN116338237A (zh) * 2023-03-15 2023-06-27 华南农业大学 一种基于bp神经网络的风速风向检测方法、设备及介质
CN116306893A (zh) * 2023-05-24 2023-06-23 华东交通大学 一种接触网覆冰预警方法

Also Published As

Publication number Publication date
CN113095477B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN113095477A (zh) 基于de-bp神经网络的风电功率预测方法
CN108920812B (zh) 一种机械加工表面粗糙度预测方法
CN104636985B (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
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN117291069B (zh) 一种基于改进de与注意力机制的lstm污水水质预测方法
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN103942434A (zh) 基于sspso-grnn的水电站厂坝结构振动响应预测方法
CN105608295B (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN116187565A (zh) 基于改进原子搜索优化bp网络的办公建筑能耗预测方法
CN114429078A (zh) 一种短期风电功率预测方法及系统
CN116451556A (zh) 一种混凝土坝变形观测量统计模型构建方法
CN117335425A (zh) 一种基于ga-bp神经网络的潮流计算方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN101740029A (zh) 应用于基于矢量量化的说话人识别的三粒子协同优化方法
CN110033118A (zh) 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN115907458A (zh) 一种基于bp网络的韧性城市智能防灾评估及决策方法
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
CN119005427A (zh) 一种基于机器学习的多数据融合的灾损预测方法
CN118586438A (zh) 一种基于改进门控循环单元网络的农网光伏发电预测方法
CN105069192B (zh) 一种基于遗传算法求解风机功率曲线参数模型的改进方法
CN103489037A (zh) 一种可发电风资源的预测方法
CN118228572A (zh) 一种基于冠状病毒群体免疫优化器改进的电气设备性能预测方法
CN112183814A (zh) 一种短期风速预测方法
CN117828467A (zh) 一种基于贝叶斯优化bp神经网络的带电作业人员状态分析方法

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