基于改進的小波-Bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測

張浩楠 朱世宏 黃靜

摘要：隨著先進技術(shù)的開發(fā)與應(yīng)用，各領(lǐng)域的生產(chǎn)發(fā)展都在不斷地優(yōu)化完善，特別是一些網(wǎng)絡(luò)信息技術(shù)的進步，實現(xiàn)了自動化的管理預(yù)測。本文主要是探析風(fēng)速和風(fēng)電功率的預(yù)測。在新時期，對風(fēng)電功率的預(yù)測有了更高的要求，為了提高預(yù)測精度，提出了小波-BP神經(jīng)網(wǎng)絡(luò)，分析當(dāng)前神經(jīng)網(wǎng)絡(luò)預(yù)測模型的應(yīng)用問題，對其進行了改進和優(yōu)化，提高預(yù)測的精度。

關(guān)鍵詞：小波-Bp神經(jīng)網(wǎng)絡(luò)，風(fēng)電功率，遺傳算法，混沌空間重構(gòu)

引言：在能源日益枯竭和環(huán)境不斷惡化的今天，人類的發(fā)展更加重視環(huán)境保護與新能源開發(fā)利用，迫切地需要利用新型清潔能源來緩解當(dāng)前傳統(tǒng)能源的緊缺，促進可持續(xù)發(fā)展。風(fēng)能就是一種清潔、儲量豐富的可再生能源。但是風(fēng)能存在波動性、隨機性等特點，高滲透率風(fēng)電會成為電網(wǎng)的不穩(wěn)定因素。對風(fēng)電進行預(yù)測，需要利用先進的技術(shù)，建立準(zhǔn)確預(yù)測模型，對風(fēng)電功率進行預(yù)測分析，實現(xiàn)風(fēng)能的安全開發(fā)與利用。

1. 風(fēng)電功率預(yù)測系統(tǒng)

影響風(fēng)電功率的主要有風(fēng)速、風(fēng)向、溫度、氣壓和濕度等因素，在國家《風(fēng)電場接入電力系統(tǒng)技術(shù)規(guī)定》的標(biāo)準(zhǔn)中對風(fēng)電功率預(yù)測系統(tǒng)提出了要求，電力系統(tǒng)調(diào)度部門滾動上報超短期在十五分鐘到四小時的風(fēng)電功率預(yù)測曲線。為了保證電網(wǎng)的安全，就必須要準(zhǔn)確的對風(fēng)電功率進行預(yù)測。風(fēng)電功率預(yù)測是指對未來一段時間內(nèi)的風(fēng)電場輸出的功率大小進行預(yù)測，通過精準(zhǔn)的預(yù)測，有效的安排調(diào)度計劃。風(fēng)電功率預(yù)測一般分為直接預(yù)測法和功率曲線轉(zhuǎn)換法，先經(jīng)過對風(fēng)速的預(yù)測，然后通過轉(zhuǎn)換得到功率預(yù)測值。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，建立了神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)，實現(xiàn)了對風(fēng)電功率的預(yù)測，其中包括混沌DNA遺傳算法確定小波神經(jīng)網(wǎng)絡(luò)的隱層結(jié)構(gòu)，其中的計算方法主要是粒子群算法，得到預(yù)測值。還有基于ARIMA時間序列模型對超短期功率預(yù)測，基本上是每五分鐘就進行自動的預(yù)測，全程都是自動的執(zhí)行預(yù)測。此外還有建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，把相似的歷史數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測值。

BP神經(jīng)網(wǎng)絡(luò)是傳統(tǒng)的一種算法，BP神經(jīng)網(wǎng)絡(luò)建立在風(fēng)電功率預(yù)測系統(tǒng)中，具有優(yōu)良的非線性逼近能力、其系統(tǒng)結(jié)構(gòu)比較簡單，具有較強的操作性，這給實際的應(yīng)用提供了便利。但是其中也存在一些問題，比如網(wǎng)絡(luò)輸入層節(jié)點數(shù)的選取具有很大的主觀性和盲目性，而且收斂速度慢，容易陷入局部極小值點。面對這些問題，就需要對其進行進一步的優(yōu)化和完善，提高預(yù)測的準(zhǔn)確性。

2.小波-Bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測的改進

2.1 小波分析計算

小波分析的發(fā)展至今不過不過二十余年的時間，是一類新的數(shù)學(xué)分支，它包含了函數(shù)分析、傅里葉分析以及樣條分析和條和分析等。小波分析非常適合非平穩(wěn)信號的分析，根據(jù)這一特點，發(fā)現(xiàn)了其在風(fēng)電功率預(yù)測分析中的應(yīng)用性。因為風(fēng)能是不穩(wěn)定的，風(fēng)電功率也受外界的溫度、氣壓、氣候等因素的影響，風(fēng)電輸出功率就存在不穩(wěn)定性，所以小波分析在風(fēng)電功率預(yù)測中具有可行性。而小波神經(jīng)網(wǎng)絡(luò)是小波分析理論與人工神經(jīng)網(wǎng)絡(luò)的思想相結(jié)合而形成的一種新的神經(jīng)網(wǎng)絡(luò)，既能充分的利用小波變換的局部化性質(zhì)，還能夠結(jié)合神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，從而使其具有較強的逼近和容錯能力，實現(xiàn)更準(zhǔn)確的功率預(yù)測。

訓(xùn)練數(shù)據(jù)集為{（xi，yi）}Ni=1 ，其中xi∈RN ，建立了網(wǎng)絡(luò)模型，其中的輸入為xT ·w（：，i），隱層為，輸出為：。這里的ui.hi 分別表示的是隱層第i個節(jié)點的輸入和輸出，其中的網(wǎng)絡(luò)參數(shù)是（w.b.a.c）。

在信號s（t）平方可積，連續(xù)小波變換為：

其中的a為伸縮的因子，b為平移因子，連續(xù)小波變換可以給出信號在時間-頻率平面上的一個矩形的時間-頻率窗：

當(dāng)檢測高頻信號時候，其時間-頻率窗會自動的變窄，做常規(guī)的觀測，反之，當(dāng)檢測低頻信號的時候，時間-頻率窗就會自動的變寬，做全局的觀測。在實際的應(yīng)用中，一般會根據(jù)的實際情況的需要而進行改變，比如使用離散小波變換，將a.b離散化，通過公式計算獲取，同時再結(jié)合Mallet函數(shù)，進行數(shù)據(jù)的獲取。

2.2 結(jié)合遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)就是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，也是當(dāng)前應(yīng)用比較廣泛的神經(jīng)網(wǎng)絡(luò)。遺傳算法是模擬生物進化過程中的自然選擇和遺傳學(xué)機理的一種計算模型，通過模擬自然進化過程搜索最優(yōu)解的方法，沒有求導(dǎo)和函數(shù)連續(xù)性的限定，采用概率化的尋優(yōu)方法來自適應(yīng)搜索方向，不需要確定的規(guī)則。其特點是：遺傳算法是從問題解的串集開始搜索，覆蓋的面積大，有利于全局優(yōu)化;可以同時處理多個個體，對搜索空間中的多個解進行評估;遺傳算法不需要其他的輔助信息，采用適應(yīng)度函數(shù)即可;不用采用確定的規(guī)則;具有自組織、自適應(yīng)和學(xué)習(xí)性，利用進化過程反饋信息自行的組織搜索。

結(jié)合遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，把BP網(wǎng)絡(luò)的初始值和閾值看成種群中的個體，使用實數(shù)編碼，一組個體的集合稱為群眾，使用函數(shù)的值表示個體對環(huán)境適應(yīng)能力的評價，適應(yīng)值越大也就越好。其具體的操作步驟：首先是選擇概率比較大的個體，然后是對個體以交叉概率來進行交叉操作，如果種群的規(guī)模為偶數(shù)，那么其配對成功，如果是奇數(shù)，就可以把最后的個體直接復(fù)制到下一代。最后是隨機變異操作，產(chǎn)生新的個體，當(dāng)適應(yīng)度增加的時候，新的個體就可以替換原來的個體。其具體的流程如下：

開始--編碼和初始化種群--個體適應(yīng)度檢測和評估--獲得本次迭代最優(yōu)解--是否收斂于最優(yōu)解--選擇、交叉、變異--新種群。當(dāng)新種群沒有配對成果，則繼續(xù)開始個體適應(yīng)度檢測和評估，在進行新的一輪。如果收斂到最優(yōu)解，則可以有效的終止迭代。

2.3 改進小波BP神經(jīng)網(wǎng)絡(luò)

在分析小波BP神經(jīng)網(wǎng)絡(luò)的改進的時候，首先需要分析混沌空間重構(gòu)理論，其混沌特性是通過計算的風(fēng)速和功率時間序列的相關(guān)數(shù)值來進行判斷和分析的，利用這一理論可以還原風(fēng)電功率時間序列的非線性動力特征，把其中隱藏的信息顯露出來。再通過相關(guān)的計算公式來進行計算和確定。

針對BP網(wǎng)絡(luò)自身存在的缺陷可以結(jié)合遺傳算法來進行優(yōu)化，然后建立BP模型，可以有效的避免其自身的缺陷，再在混沌空間重構(gòu)理論基礎(chǔ)上，用C-C法聯(lián)合優(yōu)化參數(shù)，選取嵌入位數(shù)為神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)。其主要的一個過程是顯示對信號進行小波分析，然后是在進行小波重構(gòu)，通過遺傳算法，避免自身的缺陷，在混沌空間重構(gòu)理論的基礎(chǔ)上建立BP神經(jīng)網(wǎng)絡(luò)，再通過加權(quán)輸出，獲取預(yù)測值，最后通過預(yù)測值對風(fēng)電功率進行分析，合理的進行調(diào)度。

3.結(jié)束語

文章是分析基于改進的小波BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率的預(yù)測，首先對風(fēng)電功率的預(yù)測進行分析，然后具體的闡述了改進的措施方法，其中涉及到三個計算方法，包括了小波分析、遺傳算法以及混沌空間重構(gòu)理論。通過這三種計算和理論的研究應(yīng)用，實現(xiàn)對風(fēng)電功率的預(yù)測，提高預(yù)測的精準(zhǔn)度。隨著技術(shù)的提升，還需要不斷優(yōu)化和完善，進一步的改進網(wǎng)絡(luò)神經(jīng)預(yù)測系統(tǒng)，提高預(yù)測的準(zhǔn)確性，保證風(fēng)能開發(fā)利用的安全性和穩(wěn)定性。

參考文獻

[1]楊世秦，孫駟洲.基于遺傳優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測[J].安徽工程大學(xué)學(xué)報，2018，33（01）：27-33+46.

[2]李生鵬，孫志鋼，任艷男.基于小波變換的神經(jīng)網(wǎng)絡(luò)混合風(fēng)速預(yù)測模型的應(yīng)用研究[J].數(shù)碼設(shè)計，2017，6（04）：41-44.

[3]葉瑞麗，郭志忠，劉瑞葉，劉建楠.基于小波包分解和改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速和風(fēng)電功率預(yù)測[J].電工技術(shù)學(xué)報，2017，32（21）：103-111.

[4]肖遷，李文華，李志剛，劉金龍，劉會巧.基于改進的小波-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速和風(fēng)電功率預(yù)測[J].電力系統(tǒng)保護與控制，2014，42（15）：80-86.

[5]肖遷. 風(fēng)電場的風(fēng)電功率短期預(yù)測研究[D].河北工業(yè)大學(xué)，2014.