賈蒙蒙（云南機(jī)電職業(yè)技術(shù)學(xué)院電氣工程系，云南昆明，650203）

?

基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型

賈蒙蒙
（云南機(jī)電職業(yè)技術(shù)學(xué)院電氣工程系，云南昆明，650203）

摘要：為了提高風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)精度，實(shí)現(xiàn)對(duì)風(fēng)速的短期預(yù)測(cè)，本文建立了蟻群算法和反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型。該模型以風(fēng)電場(chǎng)采集的歷史時(shí)刻風(fēng)速（采樣間隔30min）作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入變量；并利用蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和闕值；采用蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)未來1h風(fēng)速進(jìn)行預(yù)測(cè)。仿真結(jié)果表明，該方法較BP神經(jīng)網(wǎng)絡(luò)具有預(yù)測(cè)精度高、收斂速度快的優(yōu)點(diǎn)。

關(guān)鍵詞：風(fēng)力發(fā)電；短期風(fēng)速預(yù)測(cè)；蟻群優(yōu)化；BP神經(jīng)網(wǎng)絡(luò)

0 引言

目前，風(fēng)速預(yù)測(cè)的方法有時(shí)間序列法、卡爾曼濾波法、人工神經(jīng)網(wǎng)絡(luò)法、空間相關(guān)法、支持向量機(jī)法等等。由于反向傳播（back propagation， BP）神經(jīng)網(wǎng)經(jīng)只要有足夠多的隱含層和隱節(jié)點(diǎn)，就可以以任意的精度逼近非線性映射關(guān)系，其BP學(xué)習(xí)算法屬于全局逼近的方法，有較好的泛化能力，因此可以用于風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)模型的辨識(shí)。但是BP神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值是隨機(jī)選取的，倘若這些參數(shù)的位置選擇不當(dāng)，則會(huì)導(dǎo)致網(wǎng)絡(luò)的收斂速度慢、陷入局部最優(yōu)值。本文利用風(fēng)電場(chǎng)風(fēng)速數(shù)據(jù)，基于蟻群算法（ACA）理論和BP神經(jīng)網(wǎng)絡(luò)理論對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)，嘗試?yán)孟伻核惴▋?yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和闕值，進(jìn)一步提高風(fēng)速預(yù)測(cè)的精度，算例仿真驗(yàn)證了該模型的有效性。

1 基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

蟻群BP算法優(yōu)化三層前向神經(jīng)網(wǎng)絡(luò)參數(shù)的數(shù)學(xué)模型如下：

2 仿真實(shí)例

本文的原始數(shù)據(jù)來自風(fēng)電場(chǎng)記錄的平均風(fēng)速（采樣間隔30min），選擇200組數(shù)據(jù)作為樣本數(shù)據(jù)，50組數(shù)據(jù)作為檢測(cè)數(shù)據(jù)。利用蟻群算法進(jìn)行參數(shù)優(yōu)化選取時(shí)的參數(shù)初始化為：設(shè)置最大循環(huán)次數(shù)，螞蟻數(shù)目s=20，信息素殘留度=0.7，=70； 設(shè)定神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.1，最大訓(xùn)練步數(shù)為1 000。為了說明本文算法的有效性，將采用BP神經(jīng)網(wǎng)絡(luò)模型與采用蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型分別對(duì)風(fēng)速進(jìn)行提前1h預(yù)測(cè)。預(yù)測(cè)曲線圖如圖2所示

圖1 風(fēng)速預(yù)測(cè)曲線

為了更加準(zhǔn)確的驗(yàn)證本文算法的有效性，以相對(duì)百分誤差（RPE）、平均絕對(duì)百分比誤差（MAPE）和均方根相對(duì)誤差（RMSE）這3個(gè)指標(biāo)來定量評(píng)判模型的性能：

由圖2可以看出BP神經(jīng)預(yù)測(cè)模型相對(duì)誤差較大，而蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)風(fēng)速的預(yù)測(cè)除少數(shù)點(diǎn)的相對(duì)預(yù)測(cè)誤差較大，大部分?jǐn)?shù)據(jù)點(diǎn)的預(yù)測(cè)比較準(zhǔn)確。可看出經(jīng)過蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的誤差、訓(xùn)練次數(shù)K明顯少于BP神經(jīng)網(wǎng)絡(luò)，說明經(jīng)過蟻群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值位置比較合理，經(jīng)過訓(xùn)練后，預(yù)測(cè)模型的精度更高。所以基于蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，比未采用蟻群算法，僅采用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果好，收斂速度快。

3 結(jié)束語

本文建立了基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)理論風(fēng)速預(yù)測(cè)模型，利用蟻群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和闕值進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)風(fēng)速的短期預(yù)測(cè)，仿真結(jié)果表明該模型具有較高的預(yù)測(cè)精度及較快的收斂速度，驗(yàn)證了蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)理論在風(fēng)速預(yù)測(cè)中的可行性。

圖2 兩種預(yù)測(cè)方法相對(duì)誤差比較圖

中圖分類號(hào)：TM614

Short-term wind speed forecast model for wind farms based on ant colony optimization BP neural network

Ja Mengmeng
（Yunnan Vocational College of Mechanical and Electrical Technology，Yunnan Kunming，650203，China）

Abstract：To improve the short-term wind speed forecasting accuracy of wind farms，a prediction model based on back propagation（BP）neural network combining ant colony algorithm was built to predict shortterm wind speed.The input variables of BP neural network predictive model were historical wind speeds，temperature，and air pressure. ant colony algorithm was used to optimize the weights and bias of BP neural networks.

Keywords：wind power generation；short-term wind speed prediction；BP neural network；ant colony optimization