基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測

張啟龍，王立威

(六盤水師范學(xué)院物理與電氣工程學(xué)院，貴州六盤水，553000)

0 引言

大型的風(fēng)力發(fā)電廠的發(fā)展進度日益增快，風(fēng)能是非常重要的一種清潔能源[1]。但是風(fēng)能這種非常不連貫持續(xù)的能源能夠讓風(fēng)電機反復(fù)出現(xiàn)不穩(wěn)定的表現(xiàn)，會嚴(yán)重影響到風(fēng)電系統(tǒng)的穩(wěn)定性[2]。所以，倘若有一個穩(wěn)定的輸出功率預(yù)估模型具有巨大的意義[3]。

由此可見，此篇文章運用了統(tǒng)計預(yù)測方法，把歷史實際輸出功率以及風(fēng)力的速度當(dāng)成BP神經(jīng)網(wǎng)絡(luò)輸入的參數(shù)，同時運用遺傳算法進一步優(yōu)化算出神經(jīng)網(wǎng)絡(luò)的參數(shù)值（權(quán)值和閾值），構(gòu)造GA-BP神經(jīng)網(wǎng)絡(luò)風(fēng)電輸出功率預(yù)測模型。通過實際案例測試分析，用結(jié)論確定該模型可有效提高預(yù)測精度。

1 遺傳算法

遺傳算法（GA）由來于達(dá)爾文的生命進化論（繁殖、交配和突變）[4,5]。在GA中，通過種群的繁殖、進化而得到最優(yōu)解。

在GA中，有三類遺傳算子：選擇，交叉和變異。

（1）選擇。在一部分有規(guī)律的數(shù)據(jù)中挑選某些數(shù)據(jù)當(dāng)作下一組數(shù)據(jù)就是選擇算子。常用的選擇算子包括：輪盤賭法、錦標(biāo)賽法等，本文采用輪盤賭法[6]，即：

式中：iF表示個體i的適應(yīng)度值；pi表示 i的選擇概率；k為系數(shù)；N為種群個體數(shù)目。

（2）交叉。交叉算子模擬遺傳重組過程，以便將當(dāng)前的最佳基因轉(zhuǎn)移到下一個群體中并獲得新的個體。交叉算子的具體步驟如下：

Step1：隨機選擇對象；

Step2：據(jù)所選對象長度，隨機選擇交叉位置。

Step3：定義交叉概率 Pc（0＜Pc≤1），運行交叉算子，改變基因。第k個染色體 ak以及染色體一號 akl在 j位的相互交錯如下：

式中：b是在區(qū)間0-1范圍內(nèi)的隨機數(shù)。

（3）變異。此算子模擬是生物學(xué)當(dāng)中的基因突變現(xiàn)象，根據(jù)突變概率（變異概率）Pm就可獲得新個體。開展變異的個體是第i 個個體的第j個基因aij，變異執(zhí)行步驟如下：

式中：基因aij的最大值是amax；基因aij的最小值是amin；；隨機數(shù)是r2；g為當(dāng)前迭代次數(shù)；為最大進化次數(shù) ；r 為間的隨機數(shù)[7,8]。

2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[9-11]

在模式識別、信號處理等領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)的影響力相當(dāng)大，然而設(shè)計網(wǎng)絡(luò)的攻堅路上仍有一個難題，即結(jié)構(gòu)的確定。此篇文章采取遺傳算法能夠達(dá)到特定的數(shù)值的條件下，尋找全局最優(yōu)解，進而用來優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，然后在采取提升之后的BP神經(jīng)網(wǎng)絡(luò)影響風(fēng)電功率的值開展預(yù)測，GA-BP神經(jīng)網(wǎng)絡(luò)算法流程如圖1所示。

圖1 GA-BP神經(jīng)網(wǎng)絡(luò)算法流程圖

3 實例仿真分析

為驗證上文所提的GA-BP網(wǎng)絡(luò)模型對短期風(fēng)電功率的建模能力的影響，對荷蘭某風(fēng)電場2011 年全年的風(fēng)電功率的測量值進行究分析，忽略環(huán)境因素對3月1日到3月15日期間每日24h內(nèi)的實際風(fēng)電功率進行預(yù)測。簡而言之即利用2928組參數(shù)作為訓(xùn)練的樣本，利用360組參數(shù)作為測試的樣本，設(shè)置1h作為采樣的時間節(jié)點，基于以上設(shè)置的相關(guān)數(shù)據(jù)，對此模型進行擬合以及檢驗。

3.1 數(shù)據(jù)處理與建模仿真

對模型進行分析，并將訓(xùn)練樣本的參數(shù)寫入計算后得到超1步預(yù)測值是未來1h的數(shù)據(jù)。將此值視為真實值并與歷史值進行結(jié)合，隨后輸入模型可以得到接下來2h的數(shù)據(jù)。通過循環(huán)進行此訓(xùn)練到360步，就能夠得到24h的預(yù)測值。

數(shù)據(jù)經(jīng)過歸一化處理，再經(jīng)過參數(shù)數(shù)次的調(diào)試之后，得到的模型的模擬實驗數(shù)據(jù)設(shè)定如下表1所定。

表1 模擬實驗初始數(shù)據(jù)設(shè)定

3.2 結(jié)果分析

本文通過傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型與上述GA-BP模型的對比，驗證了所提模型的有效性，其中設(shè)置最大允許誤差ε= 1 0-7。通過對3月1日到3月15日的風(fēng)電功率進行預(yù)測，得到其功率預(yù)測曲線如圖2所示。預(yù)測誤差對比曲線如圖3所示。

圖2 功率預(yù)測曲線

圖3 預(yù)測誤差對比曲線

結(jié)合神經(jīng)網(wǎng)絡(luò)算法的傳統(tǒng)方法，本文利用eMAPE預(yù)測誤差函數(shù)對其進行定量評價，具體函數(shù)如下式（5）所示。為保證預(yù)測結(jié)果的準(zhǔn)確性，同時對均方根誤差Z、準(zhǔn)確率r、合格率W這幾種評價指標(biāo)進進行了具本分析，過程如下：

表2 實驗部分預(yù)測算結(jié)果

式中：k代表時間點，共計360個時間點，T1k為第 k 個時間點的預(yù)測值，TOk為第k個時間點的實測值，TOP為360個實測值的平均值。各預(yù)測方法的評價指標(biāo)表3所展示。

表3 各預(yù)測方法的評價指標(biāo)

由各圖表的預(yù)估算結(jié)果能夠知道，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)與歷史數(shù)據(jù)更為接近，預(yù)測更為準(zhǔn)確；比較表3中兩種算法平均百分比誤差、均方根誤差、準(zhǔn)確率、合格率的數(shù)據(jù)，可見利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的平均百分比誤差僅有4.4516，比BP神經(jīng)網(wǎng)絡(luò)算法降低了5.6326，均方根誤差也只有1.3529，也比BP神經(jīng)網(wǎng)絡(luò)算法降低了1.9769；準(zhǔn)確率達(dá)到92.287%，提高了10.935個百分點；合格率達(dá)到96.44%，提高了8.919個百分點，充分表明遺傳優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

4 結(jié)論

風(fēng)能發(fā)電的實際運行過程容易受到自然因素的影響，如風(fēng)速、氣壓、溫度等。由于系統(tǒng)存在著高復(fù)雜性和無規(guī)律性，導(dǎo)致無法得到精確的數(shù)學(xué)模型。通過剖析BP神經(jīng)網(wǎng)絡(luò)在面對復(fù)雜系統(tǒng)時預(yù)測誤差較大這一局限性的基礎(chǔ)上，從多算法融合的思想出發(fā)，提出一種GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法，對網(wǎng)絡(luò)初始參數(shù)進行優(yōu)化，而且把此算法寫進短期風(fēng)電功率的預(yù)估算里面，能夠有一個較完美的效果，得到了以下三個結(jié)論：

（1）針對單一的神經(jīng)網(wǎng)絡(luò)模型在風(fēng)電功率預(yù)測上誤差較大的不足，提出采用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，有效提高了預(yù)測精度。

（2）提出將遺傳算法用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練里面，通過迭代優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的波動參數(shù)，優(yōu)化了此模型的尋找最佳值的能力。

（3）通過驗算出的結(jié)果可得，對比單一的BP神經(jīng)網(wǎng)絡(luò)算法，預(yù)測準(zhǔn)確率提高了 10.935個百分點，合格率提高了8.919個百分點，平均百分比誤差降低了5.6326%，均方根誤差降低了1.9769。

因此，本文提出的組合模型具有更高的預(yù)測精度。