劉子俊，孫　健

（1.南京理工大學自動化學院，江蘇南京210094；2.江蘇省電力公司電力科學研究院，江蘇南京211103）

基于遺傳算法和神經網絡的分時段風速預測方法

劉子俊1，孫健2

（1.南京理工大學自動化學院，江蘇南京210094；2.江蘇省電力公司電力科學研究院，江蘇南京211103）

為提高風速預測的準確性，提出一種分時段GA-BP（遺傳算法優(yōu)化BP神經網絡）的風速預測方法，以遺傳算法來優(yōu)化BP神經網絡，并將原始數據進行分時段處理，改善訓練樣本的相似程度?；趍atlab進行了仿真驗證，結果表明：遺傳算法優(yōu)化BP神經網絡使其預測結果的平均相對誤差降低，準確性提升；原始數據分時段處理后，預測準確性進一步提升。關鍵詞：分時段；遺傳算法；BP神經網絡；風速預測

風具有很強的隨機性和不可控性，風機出力與風速有很強的相關性，因此風機出力波動性很大［1-3］。大規(guī)模風電并網，對電網的沖擊是很明顯的，會給電網的安全、穩(wěn)定帶來問題［4，5］。為便于電網的電力調度和調控，減小電力系統(tǒng)的運行費用，需要對風速進行預測。目前，很多學者都對風速預測進行了研究。因風速序列本身具有時序性和自相關性，丁明等基于時間序列建立了風速模型，并驗證了其預測的可行性［6］；為解決時序預測的延時問題，潘迪夫等提出了基于時間序列和卡爾曼濾波相結合的混合算法，提高了預測精度［7］；王曉蘭等基于支持向量機（SVM）的方法建立短期風速預測模型，采用歷史風速和溫度的二輸入模型，預測效果最佳［8］。文中基于遺傳算法（GA）改進的BP神經網絡，提出一種分時段風速預測方法。

1　GA-BP神經網絡模型

1.1BP神經網絡

神經網絡是對生物神經網絡的抽象和建模，具有自適應、自組織、自學習的特點，通過有監(jiān)督或者無監(jiān)督的學習，實現與大腦相似的學習、識別、記憶等信息處理的能力。BP神經網絡是最常用的一種神經網絡。典型的三層BP神經網絡如圖1所示。

圖1　BP神經網絡結構

BP神經網絡由輸入層、隱含層和輸出層組成，其中隱含層可以是一層或者多層。信號經輸入層進入神經網絡，到達隱含層進行內部信號處理，最后由輸出層輸出，整個過程完成一次信號的正向傳播處理。若輸出層的實際輸出與所期望的輸出不符時，將進行誤差的反向傳播，神經網絡通過反饋的誤差進行權值和閾值的調整。經過周而復始的正向信號傳播和反向誤差傳播，網絡的實際輸出不斷地逼近期望輸出值。

BP神經網絡有很多優(yōu)點，諸如：通用性好、精度較高等，但其所使用的最速梯度求解方法存在一些不可避免的缺點：隨著求解的深入，越靠近極值點，其收斂速度越慢；容易陷入求解局部最小極值，不滿足整體最速下降；隱含層神經元個數需要不斷嘗試來確定，目前沒有有效的方法來確定BP神經網絡的結構［9］。

1.2遺傳算法優(yōu)化BP神經網絡原理

遺傳算法基于自然選擇和基因遺傳學規(guī)律，能夠實現全局尋優(yōu)。通過遺傳算法優(yōu)化BP神經網絡，使新算法GA-BP具有遺傳算法的全局搜索能力，又具有BP神經網絡的魯棒性［10，11］。

標準遺傳算法的步驟如下：

（1）變量個體編碼；

（2）構造適應度函數；

（3）對種群進行初始化；

（4）對種群進行遺傳操作（選擇、交叉和變異），產生下一代種群；

（5）計算適應度函數值；

（6）判斷是否滿足預期要求，若滿足則輸出結果，不滿足轉向（4）。

遺傳算法優(yōu)化神經網絡主要有2種形式：權值優(yōu)化和結構優(yōu)化。文中使用的是權值優(yōu)化，優(yōu)化BP神經網絡的連接權值和閾值，基本流程如圖2所示。對神經網絡的權值閾值采用實數編碼，確定一個合適的適應度函數，遺傳算法經過全局搜索使適應度函數值最小，得到一個最優(yōu)的權值和閾值，將其代入到BP神經網絡進行訓練，結合歷史數據，對短期風速進行預測，并驗證其準確性。遺傳算法優(yōu)化BP神經網絡訓練的權值和閾值的具體過程如下。

（1）編碼，形成初始種群。用遺傳算法訓練BP神經網絡可以采用二進制編碼或實數編碼，文中的神經網絡規(guī)模較大，采用實數編碼：將一個實數直接作為一個染色體的基因位，其優(yōu)點是大大縮短了染色體的長度，簡化了遺傳操作。編碼串由四部分組成：①隱含層與輸入層連接權值；②輸出層與隱含層連接權值；③隱含層閾值；④輸出層閾值。

具體方法為：將網絡的權值和閾值按照一定的順序組合起來，形成一個數組，即作為遺傳算法的一個染色體。在連接權值和閾值的范圍內，產生M個此類染色體，形成初始群體。

（2）適應度函數。遺傳算法在進化搜索以適應度函數為依據，利用種群中每個染色體的適應度值進行搜索。適應度較高的個體更有可能遺傳到下一代，適應度較低的個體遺傳到下一代的可能性相對較低。文中的適應度函數采用均方誤差。

（3）遺傳操作。根據個體適應度值的大小，由小到大排列，適應度值最小的個體對應的序號為1，適應度值最大的個體對應的序號則為M，經過交叉編譯操作。選出每一代中最優(yōu)適應度值的個體，反復迭代直至條件滿足。

（4）獲得BP網絡的初始權值和閾值。經過遺傳算法操作，即可得到BP神經網絡的一組最小誤差的初始權值和閾值。

圖2　GA-BP算法結構

2　實例分析

2.1數據的預處理

數據采用南京某高校測風塔采集的31 d的風速數據。采樣間隔為1 h，共744組數據，每組數據包括風速、風向、溫度和相對濕度。為了提高神經網絡的泛化能力［12］，提升預測精度，需要對每組數據進行歸一化處理。

風向正弦與余弦值可確定唯一風向，且在（-1，1）之間，故求得風向的正弦、余弦值后，無需再歸一化；相對濕度本身就在（0，1）之間，不必進行歸一化處理；風速、溫度的歸一化按式（1）進行處理。經處理的每組數據包括5個參數：風速、風向的正弦值、風向的余弦值、溫度、相對濕度。

式中：a為歸一化后的數據；xi為歸一化前的數據；xmin為該組數據的最小值；xmax為該組數據的最大值。

2.2未分時段時風速預測

未分時段風速預測將前30 d的數據作為訓練樣本，第31 d的數據作為測試樣本。訓練樣本處理時，將前一組數據的5個參數作為輸入，后一組數據的風速作為輸出，故前30 d的數據共構成719個訓練樣本。

圖3為未分時段時BP與GA-BP的預測值。未分時段時BP與GA-BP的預測相對誤差絕對值比較，以此來判定其與實際風速的偏離程度，如圖4所示。相對誤差的計算公式如式（2）所示。

式中：Δ為相對誤差；x'i為預測風速；xi為實際風速；i為對應時刻。

圖3　未分時段BP與GA-BP預測值

圖4　未分時段BP與GA-BP的預測精度對比

由圖3、圖4可知，在未分時段時，除個別點外，BP與GA-BP的風速預測結果都比較理想；且大多數點GA-BP的預測誤差比BP預測誤差有了些許下降，表明遺傳算法優(yōu)化BP神經網絡的預測效果有了提升。

2.3分時段時風速預測

與未分時段的風速預測相比，分時段風速預測將樣本進行了調整。該月內前30 d的相同時刻作為一個訓練樣本，第31 d的該時刻作為測試樣本，如：前30 d的0時刻數據作為訓練樣本，第31 d的0時刻作為測試樣本。訓練樣本在處理時，將同一時刻前1 d數據的5個參數作為輸入，后1 d的風速作為輸出。分時段風速預測需要對24個時間點單獨預測，才能得到一整天的風速數據。圖5為分時段時BP與GA-BP的預測值，其預測相對誤差絕對值比較如圖6所示。

圖5　分時段BP與GA-BP預測值

圖6　分時段BP與GA-BP的預測精度對比

由圖5、圖6可知：和未分時段相似，GA-BP網絡的預測性能與BP網絡相比，其預測性能得到了提升；分時段的BP網絡和GA-BP網絡相對于各自的未分時段網絡，大多數點的預測性能得到了改善。

為更加直觀的比較各預測方法的性能，引入平均相對誤差Δaverage作為評估指標，其定義如式（3）所示。

式中：x'i為預測風速；xi為實際風速；i為對應時刻，N= 24。由式（3）可得，未分時段BP、未分時段GA-BP、分時段BP、分時段GA-BP的平均相對誤差分別為9.08%，7.57%，7.35%，4.42%；分時段的BP與GA-BP預測方法的誤差都比未分時段??；且分時段GA-BP預測方法其平均相對誤差最小，預測性能最佳。這是因為在31 d內，每天同一時刻的氣候特征的相似度較高，故在風速預測時，其準確性更高。

3　結束語

提出了一種分時段GA-BP風速預測模型，并基于matlab的神經網絡和遺傳算法工具箱進行了建模驗證。結果表明：與其他幾種預測模型相比，分時段預測風速預測模型的平均相對誤差最小，具有最佳的性能。分時段的GA-BP風速預測模型在風電場風速的預測中可靠性更高，可提高風電場的出力預測精度。

［1］谷興凱，范高峰，王曉蓉.風電功率預測技術綜述［J］.現代電力，2007，31（2）：335-338.

［2］張志福，蘇宜強，曹海猛.負荷優(yōu)化運行模型及其算法研究［J］.江蘇電機工程，2013，32（1）：40-43.

［3］韓爽.風電場功率與短期預測方法研究［D］.北京：華北電力大學，2008.

［4］喬嘉賡，徐飛，魯宗相.基于相關機會規(guī)劃的風電并網容量優(yōu)化分析［J］.電力系統(tǒng)自動化，2008，32（10）：84-88.

［5］楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預測研究［J］.中國電機工程學報，2005，25（11）：1-5.

［6］丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型［J］.電力自動化設備，2005，25（8）：32-34.

［7］潘迪夫，劉輝，李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優(yōu)化模型［J］.電網技術，2008，32（7）：85-91.

［8］王曉蘭，王明偉.基于小波分解和最小二乘支持向量機的短期風速預測［J］.電網技術，2010，34（1）：179-184.

［9］姚李孝，宋玲芳，李慶宇.基于模糊聚類分析與BP網絡的電力系統(tǒng)短期負荷預測［J］.電網技術，2005，29（1）：20-23.

［10］段侯峰.基于遺傳算法優(yōu)化BP神經網絡的變壓器故障診斷［D］.北京：北京交通大學，2008.

［11］李華.基于一種改進遺傳算法的神經網絡［D］.太原：太原理工大學，2007.

［12］范高鋒，王偉勝，劉純.基于人工神經網絡的風電功率預測［J］.中國電機工程學報，2008，28（34）：118-123.

The Wind Speed Prediction Based on Genetic Algorithm and Neural Network with Different Periods

LIU Zijun1，SUN Jian2
（1.Institute of Automation，Nanjing University of Science and Technology，Nanjing 210094，China；2.Jiangsu Electric Power Company Electric Power Research Institute，Nanjing，211103，China）

In order to improve the accuracy of wind speed prediction，a wind speed prediction method based on GA-BP is proposed.The proposed method divides original data into different periods of time to improve training sample's similarity. Simulation results show the absolute error of GA-BP decreased and its accuracy promoted.Furthermore，the accuracy of the prediction becomes more accurate after original data processing.Therefore，the proposed method improves the performance of wind speed prediction，and it provides more accurate gist for wind power grid scheduling control.

different periods；GA；BP neural network；wind speed prediction

TM743

A

1009-0665（2015）01-0006-03

2014-08-28；

2014-10-13

劉子?。?990），男，江蘇泰州人，碩士在讀，研究方向為電力系統(tǒng)及其自動化；

孫?。?978），男，江蘇南京人，高級工程師，從事智能配電網相關工作。