基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型

王德明，王莉，張廣明

摘要：為了提高風(fēng)電場短期風(fēng)速預(yù)測精度,提出將遺傳算法和反向傳播（BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型.采用自相關(guān)性分析找出對預(yù)測值影響最大的幾個歷史時刻風(fēng)速,以歷史時刻的風(fēng)速、溫度、濕度和氣壓作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量；利用遺傳算法的全局搜索能力獲得 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的初始權(quán)值和閾值；采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)分別建立1、2、3 h的短期風(fēng)速預(yù)測模型.實驗結(jié)果表明，該方法較BP神經(jīng)網(wǎng)絡(luò)具有預(yù)測精度高、收斂速度快的優(yōu)點(diǎn)。風(fēng)電場風(fēng)速預(yù)測按照預(yù)測時間可以劃分為甚短期預(yù)測、短期預(yù)測、中期預(yù)測和長期預(yù)測。甚短期預(yù)測以分鐘為單位，一般用于風(fēng)力發(fā)電機(jī)組控制。短期預(yù)測以小時為單位，主要目的是便于電網(wǎng)合理調(diào)度，保證供電質(zhì)量，為風(fēng)電參與競價上網(wǎng)提供保證。中期預(yù)測以天、周或月為單位，主要用于安排大修或調(diào)試。長期風(fēng)速預(yù)測主要用于風(fēng)電場設(shè)計的可行性研究，預(yù)測風(fēng)電場建成后每年的發(fā)電量。本文主要討論了風(fēng)電場短期風(fēng)速預(yù)測模型的建立。反向傳播 BP神經(jīng)網(wǎng)絡(luò)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)電場短期風(fēng)速預(yù)測模型的辨識。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)，則會導(dǎo)致網(wǎng)絡(luò)的收斂速度慢、陷入局部最優(yōu)值。遺傳算法（GA）是一種并行隨機(jī)搜索最優(yōu)化方法，具有全局搜索能力，因此本文采用GA來確定BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，再采用引入動量引子的 BP學(xué)習(xí)算法進(jìn)行局部尋優(yōu)，有利于 BP網(wǎng)絡(luò)很快收斂到全局最優(yōu)解。本文采用遺傳算法優(yōu)化的 BP神經(jīng)網(wǎng)絡(luò)建立風(fēng)電場短期風(fēng)速預(yù)測模型。本文采用自相關(guān)性分析計算了未來要預(yù)測的風(fēng)速和歷史時刻風(fēng)速之間的自相關(guān)系數(shù)，從而找出對未來要預(yù)測的風(fēng)速有主要影響的歷史時刻風(fēng)速，以歷史時刻的風(fēng)速、溫度、濕度和氣壓作為 BP神經(jīng)網(wǎng)絡(luò)的輸入變量，這樣減少了 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量個數(shù)，降低了模型的復(fù)雜度。利用遺傳算法的全局搜索能力找出 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的初始權(quán)值和閾值，采用動量引子的BP學(xué)習(xí)算法，可以讓BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度和更高的精度。如何在預(yù)測時間增加的情況下，提高模型的預(yù)測精度，是以后需要進(jìn)一步考慮的問題。

來源出版物：浙江大學(xué)學(xué)報工學(xué)版, 2012, 46(5): 837-841

入選年份：2017

混沌模擬退火粒子群優(yōu)化算法研究及應(yīng)用

劉愛軍，楊育，李斐，等

摘要：針對粒子群優(yōu)化算法容易陷入局部極值點(diǎn)、進(jìn)化后期收斂速度慢、精度較差等缺點(diǎn)，提出混沌模擬退火粒子群優(yōu)化（PSO）算法。引入混沌理論對粒子群優(yōu)化算法的參數(shù)進(jìn)行自適應(yīng)調(diào)整，提高了算法的全局收斂性能|采用模擬退火（SA）算法，依據(jù)概率性的劣向轉(zhuǎn)移，以一定概率接受劣解，使算法具有跳出局部最優(yōu)而實現(xiàn)全局最優(yōu)的能力。引入自適應(yīng)溫度衰變系數(shù)，使模擬退火算法能夠根據(jù)當(dāng)前環(huán)境自動調(diào)整搜索條件，從而提高算法的搜索效率。通過7個經(jīng)典函數(shù)測試混沌模擬退火粒子群優(yōu)化算法的性能，并將其應(yīng)用于Job Shop調(diào)度問題。仿真實驗結(jié)果表明，采用新算法有效地克服了停滯現(xiàn)象，增強(qiáng)了全局搜索能力，與遺傳算法、粒子群優(yōu)化算法相比尋優(yōu)性能更佳。本文基于混沌理論、粒子群優(yōu)化算法和模擬退火算法融合的思想提出了混沌模擬退火粒子群優(yōu)化算法，并對7個典型的非線性函數(shù)和2類標(biāo)準(zhǔn)車間調(diào)度問題進(jìn)行了研究，取得以下結(jié)論，（1）論文提出的混沌模擬退火粒子群優(yōu)化算法，通過混沌序列的隨機(jī)遍歷性優(yōu)化粒子的速度和位置變量，變量引導(dǎo)粒子群的粗搜索和精細(xì)搜索，使各個粒子向全局最優(yōu)位置聚集，引入模擬退火算法，通過賦予搜索過程一種時變且最終趨于零的概率突跳性，防止了過早陷入精細(xì)搜索過程。（2）通過動態(tài)權(quán)重調(diào)整機(jī)制平衡算法的全局搜索和局部搜索能力。（3）采用基于適應(yīng)度和接受概率的溫度初始化方法平衡收斂速度和精度。（4）引入動態(tài)溫度衰變系數(shù)，根據(jù)微粒個體的目標(biāo)函數(shù)值與種群的平均目標(biāo)函數(shù)值來感知局部收斂情況，并據(jù)此動態(tài)調(diào)整溫度衰減速率，改變局部搜索的深度。實踐證明，混沌模擬退火粒子群優(yōu)化算法實現(xiàn)了基于混沌的隨機(jī)遍歷優(yōu)化、基于粒子群的群體智能快速尋優(yōu)操作和基于退溫歷程的控制來實現(xiàn)最優(yōu)解搜索方法的融合，彌補(bǔ)了各自的弱點(diǎn)，它是一種優(yōu)化能力、效率和可靠性較高的全局優(yōu)化方法。

來源出版物：浙江大學(xué)學(xué)報工學(xué)版, 2013, 47(10): 1722-1730

入選年份：2017