CN106503793B - 一种基于改进差分算法的神经网络短期风速预测方法 - Google Patents
一种基于改进差分算法的神经网络短期风速预测方法 Download PDFInfo
- Publication number
- CN106503793B CN106503793B CN201610938099.9A CN201610938099A CN106503793B CN 106503793 B CN106503793 B CN 106503793B CN 201610938099 A CN201610938099 A CN 201610938099A CN 106503793 B CN106503793 B CN 106503793B
- Authority
- CN
- China
- Prior art keywords
- formula
- population
- preset
- wind speed
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于改进差分算法的神经网络短期风速预测方法，用于解决现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题。本发明实施例方法包括：利用小波包分解将原始风速信号分解成不同频率的子序列；对子序列进行计算产生父代种群X，并根据父代种群X产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值；根据所述一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
Description
技术领域
本发明涉及风速预测领域，尤其涉及一种基于改进差分算法的神经网络短期风速预测方法。
背景技术
风能作为一种清洁的可再生能源，近年来受到世界各国的广泛重视。大力发展风力发电是我国能源建设实施可持续发展战略的需要，对加快国民经济发展、促进电力产业调整、减少环境污染、推进科技进步具有重要的意义。我国风能储量大，分布广，潜力巨大。因此，在国家政策扶持和能源供应紧张的大环境下，中国风速发电行业的发展前景十分广阔，预计未来很长一段时间将会保持高速发展。
随着大型风电场的迅猛发展，风速发电的不确定性和波动性已经给电网调度以及安全运行带来严峻的挑战。为了提高风能的利用率，越来越多的风速发电企业需要准确的风速预测服务，通过预测风速资源从而给出比较准确的发电曲线，以便调控分配电量，实现现代风电与传统发电联合优化运行。目前，对风速的预测主要依赖于物理预测模型，其计算量大，误差累积率高，而且需要专业人士维护，不能满足风电企业对风能短期预报的需求，更不能对风电场范围内的风速分布做出精细的预报。因此，要大规模使用风速发电必须提高风速预测的准确度和可靠性。
人工神经网络是模仿生物结构和功能的一种信息处理系统，由大量神经元相连而成，每个神经元的结构与功能比较简单，但是其组合而成的系统则是复杂的，能对信息进行大规模并行处理、分布储存。由于其具有良好的适应性、自组织性和容错性并具有较强的学习、记忆、联想、识别等功能，神经网络可以任意逼近复杂的非线性连续系统。所以，神经网络为风电场短期预测提供了一种强而有力的分析工具。但单一的神经网络容易陷入局部最小、训练时间长、校验精度低、泛化能力不足等缺陷，所以预测精度不高，可靠性低。
现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足。
发明内容
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题。
本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法，包括：
S1、利用小波包分解将原始风速信号分解成不同频率的子序列；
S2、对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解；
S3、根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
可选地，步骤S1具体包括：
S11、根据小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
可选地，步骤S2对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解具体包括：
S21、对所有子序列的每个值进行归一化处理；
S22、对神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
S23、在解空间中，随机产生初始化父代种群X；
S24、对父代种群X中的每个粒子进行适应度评价；
S25、计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S；
S26、对子代种群S中的每个粒子进行适应度评价；
S27、根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X；
S28、判断父代种群X是否达到预设的算法终止条件，若是，则输出父代种群X中适应值最优的一组解作为神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到父代种群X达到预设的算法终止条件。
可选地，步骤S25包括：
根据预置第一公式计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S，预置第一公式具体为：
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV，则执行以下差分算子，具体包括突变操作、交叉操作、选择操作，其中MV为方差极小值；
其中突变操作具体为：在父代种群中，通过预置第二公式，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j，其中，预置第二公式具体为：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D)；
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
交叉操作具体为：利用预置第三公式对xi和由突变操作公式生成的突变个体vi实施交叉操作，生成试验个体VSi，预置第三公式具体为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下纵向变异算子：
生成一个0～1的随机数R，比较随机数R与初始化的变异概率probabilit y_v，若R＞probabilit y_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用预置第四公式，随机生成-1～1的数，预置第四公式具体为：
rr1＝randn()；
再通过预置第五公式进行计算，公式具体为：
remind_down＝xi(j)-field(2,j)；
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行预置第六公式，预置第六公式具体为：
remind_up＝field(1,j)-xi(j)；
其中，field(1,j)为种群中所有个体xi的第j维；
结合预置第五公式和预置第六公式，通过执行预置第七公式进行进一步的计算，预置第七公式具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probabilit y_v则执行如下预置第八公式，预置第八公式具体为：
VSi(j)＝xi(j)。
可选地，根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果之后还包括：
S41、对子序列的预测结果进行反归一化，得到子序列相应的风速预测结果，并判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统，包括：
分解模块，用于利用小波包分解将原始风速信号分解成不同频率的子序列；
计算模块，用于对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解；
建模模块，用于根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
可选地，分解模块包括：
分解单元，用于根据小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
可选地，计算模块包括：
归一化单元，用于对所有子序列的每个值进行归一化处理；
编码单元，用于对神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
种群初始化单元，用于在解空间中，随机产生初始化父代种群X；
第一评价单元，用于对父代种群X中的每个粒子进行适应度评价；
种群产生单元，用于计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S；
第二评价单元，用于对子代种群S中的每个粒子进行适应度评价；
更新单元，用于根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X；
判断单元，用于判断父代种群X是否达到预设的算法终止条件，若是，则输出父代种群X中适应值最优的一组解作为神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到父代种群X达到预设的算法终止条件。
可选地，种群产生单元包括：
子代种群产生子单元，用于根据预置第一公式计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S，预置第一公式具体为：
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV，则执行以下差分算子，具体包括突变操作、交叉操作、选择操作，其中MV为方差极小值；
其中突变操作具体为：在父代种群中，通过预置第二公式，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j，其中，预置第二公式具体为：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D)；
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
交叉操作具体为：利用预置第三公式对xi和由突变操作公式生成的突变个体vi实施交叉操作，生成试验个体VSi，预置第三公式具体为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下纵向变异算子：
生成一个0～1的随机数R，比较随机数R与初始化的变异概率probabilit y_v，若R＞probabilit y_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用预置第四公式，随机生成-1～1的数，预置第四公式具体为：
rr1＝randn()；
再通过预置第五公式进行计算，公式具体为：
remind_down＝xi(j)-field(2,j)；
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行预置第六公式，预置第六公式具体为：
remind_up＝field(1,j)-xi(j)；
其中，field(1,j)为种群中所有个体xi的第j维；
结合预置第五公式和预置第六公式，通过执行预置第七公式进行进一步的计算，预置第七公式具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probabilit y_v则执行如下预置第八公式，预置第八公式具体为：
VSi(j)＝xi(j)。
可选地，基于改进差分算法的神经网络短期风速预测系统还包括：
反归一化模块，用于对子序列的预测结果进行反归一化，得到相应子序列的风速预测结果，并判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法及系统，首先通过利用小波包分解将原始风速信号分解成不同频率的子序列，再对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解，最后根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题，提高了整体预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的一个实施例；
图2为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的另一个实施例；
图3为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统的一个实施例；
图4为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统的另一个实施例；
图5为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的种群中粒子权值阈值编码示意图；
图6为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法一个实际应用例的原始风速序列示意图；
图7为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法一个实际应用例的小波包分解子序列示意图；
图8为本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法一个实际应用例的所有方法预测对比图。
具体实施方式
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，用于解决现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，准确度低，可靠性差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法，包括：
S1、利用小波包分解将原始风速信号分解成不同频率的子序列；
在进行预测前，需要进行对预测过程中所需用到的参数进行初始化，并利用小波包分解将原始风速信号分解成不同频率的子序列。
S2、对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解；
在利用小波包分解将原始风速信号分解成不同频率的子序列之后，对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解。
S3、根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
在得到父代种群X中一组权值和阈值之后，根据父代种群X中一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，即可得到子序列的预测结果。
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，首先通过利用小波包分解将原始风速信号分解成不同频率的子序列，再对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解，最后根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题，提高了整体预测效果。
以上为对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的详细描述，以下将对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的具体过程进行详细的描述。
请参阅图2，本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的另一个实施例包括：
S11、根据初始化小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
在进行预测前，需要对所需用到的各种参数进行初始化。具体为：小波包分解的尺度数M、神经网络的隐含层层数H、神经网络的输入层的神经元个数m、神经网络的隐含层的神经元个数h、神经网络的输出层的神经元个数n、种群大小Z、最大迭代次数、差分交叉概率probability_DE、纵向变异概率probabilit y_v、方差极小值MV。
在对小波包分解尺度数M进行初始化后，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列，具体为：
对原始数据集作小波包分解，分别执行分解算法如公式一和重构算法如公式二；
公式一中：分别为小波包分解系数；hk-2l、gk-2l分别为小波包分解的低通、高通滤波器组；
其中，分别为小波包重构的低通、高通滤波器组。
S21、对所有子序列的每个值进行归一化处理；
在采用小波包分解技术将原始风速时间序列分解成高低频率的子序列后，对所有小波包分解完的子序列的每个值用公式三进行归一化处理；
其中，xkk为第kk个子序列的值、为第kk个子序列的最小值、为第kk个子序列的最大值。
S22、对神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
在对所有子序列进行归一化处理后，对神经网络中的所有权值、阈值进行编码，具体为:
在整个预测过程中，输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k在种群中每个粒子的编码格公式如图5所示。
其中，W1为输入层到隐含层之间所有权值组成的排列，W2为隐含层到输出层之间所有权值组成的排列，b1为隐含层的所有阈值组成的排列，b2为输出层的所有阈值组成的排列，种群中每个粒子的维数为D＝(n+m)×h+h+m。
S23、在解空间中，随机产生初始化父代种群X；
在对神经网络中的所有权值、阈值进行编码后，需要在解空间中，进行随机产生初始化父代种群X，具体为：
根据公式四在解空间中，随机初始化父代种群X：
其中，Lj为第j维变量的下限，Uj为第j维变量的上限，rand()为0～1的随机数。
S24、对父代种群X中的每个粒子进行适应度评价；
在进行随机产生初始化父代种群X后，需要对父代种群X中的每个粒子进行适应度评价，具体为：
根据公式五对父代种群X中的每个粒子进行父代适应度评价：
其中，F为目标函数，N为训练样本，pj和分别为实际输出和目标输出。
S25、计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S；
在对父代种群X中的每个粒子进行适应度评价后，计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S，具体为：
根据公式六计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S:
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV,则执行以下差分算子，具体包括突变操作、交叉操作、选择操作；
其中突变操作具体为：在父代种群中，通过公式七，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D)； 七
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
交叉操作具体为:
利用公式八对xi和由公式七生成的突变个体vi实施交叉操作，生成试验个体VSi，其中公式八为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下纵向变异算子：
生成一个0～1的随机数R，比较随机数R与初始化的变异概率probability_v，若R＞probability_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用公式九，随机生成-1～1的数，公式九具体为：
rr1＝randn()； 九
再通过公式十进行计算，公式十具体为：
remind_down＝xi(j)-field(2,j)； 十
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行公式十一，公式十一具体为：
remind_up＝field(1,j)-xi(j)； 十一
其中，field(1,j)为种群中所有个体xi的第j维；
结合公式十和公式十一，通过执行公式十二进行进一步的计算，公式十二具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probability_v则执行如下公式十三，公式十三具体为：
VSi(j)＝xi(j)； 十三
其中，前述的预置第一公式为公式六，前述的预置第二公式为公式七，前述的预置第三公式为公式八，前述的预置第四公式为公式九，前述的预置第五公式为公式十，前述的预置第六公式为公式十一，前述的预置第七公式为公式十二，前述的预置第八公式为公式十三。
S26、对子代种群S中的每个粒子进行适应度评价；
在计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S后，对子代种群S中的每个粒子用公式五进行适应度评价，公式五具体为：
其中，F为目标函数，N为训练样本，pj和分别为实际输出和目标输出。
S27、根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X；
在对子代种群S中的每个粒子进行适应度评价之后，根据子代种群S中的每个粒子进行适应度评价得到的结果进行执行公式十四，来选择操作更新父代种群X，公式十四具体为：
其中，F为目标函数。
S28、判断父代种群X是否达到预设的算法终止条件，若是，则输出父代种群X中适应值最优的一组解作为神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到父代种群X达到预设的算法终止条件；
在根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X之后，判断父代种群X是否达到最大迭代次数maxgen，若是，则输出此时父代种群X中适应值最优的一组解作为神经网络所对应的权值阈值，否则转至步骤S25进行新的迭代，直到父代种群X达到预设的算法终止条件。
S31、根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果；
在输出父代种群X中适应值最优的一组解作为神经网络所对应的权值和阈值之后，根据父代种群X中作为神经网络所对应的权值和阈值所输出的适应值最优的一组解以及步骤S11中已经进行初始化的神经网络的隐含层层数H、神经网络的输入层的神经元个数m、神经网络的隐含层的神经元个数h、神经网络的输出层的神经元个数n，构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
S41、对子序列的预测结果进行反归一化，得到子序列相应的风速预测结果，并判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
在根据父代种群X中作为神经网络所对应的权值和阈值所输出的适应值最优的一组解构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果之后，对子序列的预测结果用公式十五进行反归一化，得到子序列相应的风速预测结果，公式十五具体为：
在得到子序列相应的风速预测结果之后，判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，首先通过利用小波包分解将原始风速信号分解成不同频率的子序列，再对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解，最后根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果后，对子序列的预测结果进行反归一化，得到相应子序列的风速预测结果，并将所有子序列的风速预测结果进行叠加得到最终预测结果，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题，提高了整体预测效果。
以上为对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测方法的具体过程进行的详细描述，以下将对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统进行详细的描述。
请参阅图3，本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统，包括：
分解模块301，用于利用小波包分解将原始风速信号分解成不同频率的子序列；
在进行预测前，需要通过分解模块301进行对预测过程中所需用到的参数进行初始化，并利用小波包分解将原始风速信号分解成不同频率的子序列。
计算模块302，用于对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解；
在利用小波包分解将原始风速信号分解成不同频率的子序列之后，通过计算模块302对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解。
建模模块303，用于根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
在得到父代种群X中一组权值和阈值之后，通过建模模块303根据父代种群X中一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，即可得到子序列的预测结果。
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，首先通过分解模块301进行利用小波包分解将原始风速信号分解成不同频率的子序列，再通过计算模块302对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解，最后通过建模模块303根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题，提高了整体预测效果。
以上为对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统进行详细的描述，以下将对本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统的具体结构进行详细的描述。
请参阅图4，本发明实施例提供的一种基于改进差分算法的神经网络短期风速预测系统的另一个实施例包括：
分解模块401，具体包括：
分解单元4011，用于根据初始化小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
先初始化小波包分解的尺度数M、神经网络的隐含层层数H、神经网络的输入层的神经元个数m、神经网络的隐含层的神经元个数h、神经网络的输出层的神经元个数n、种群大小Z、最大迭代次数、差分交叉概率probability_DE、纵向变异概率probabilit y_v、方差极小值MV，在对小波包分解尺度数M进行初始化后，通过分解单元4012采用小波包分解技术将原始风速时间序列分解成高低频率的子序列，具体为：
对原始数据集作小波包分解，分别执行分解算法如公式一和重构算法如公式二；
公式一中：分别为小波包分解系数；hk-2l、gk-2l分别为小波包分解的低通、高通滤波器组；
其中，分别为小波包重构的低通、高通滤波器组。
计算模块402，具体还包括：
归一化单元4021，用于对所有子序列的每个值进行归一化处理；
在采用小波包分解技术将原始风速时间序列分解成高低频率的子序列后，通过归一化单元4021对所有小波包分解完的子序列的每个值用公式三进行归一化处理；
其中，xkk为第kk个子序列的值、为第kk个子序列的最小值、为第kk个子序列的最大值。
编码单元4022，用于对神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
在对所有子序列进行归一化处理后，通过编码单元4022对神经网络中的所有权值、阈值进行编码，具体为:
在整个预测过程中，输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k在种群中每个粒子的编码格公式如图5所示。
其中，W1为输入层到隐含层之间所有权值组成的排列，W2为隐含层到输出层之间所有权值组成的排列，b1为隐含层的所有阈值组成的排列，b2为输出层的所有阈值组成的排列，种群中每个粒子的维数为D＝(n+m)×h+h+m。
种群初始化单元4023，用于在解空间中，随机产生初始化父代种群X；
在对神经网络中的所有权值、阈值进行编码后，需要在解空间中，通过种群初始化单元4023进行随机产生初始化父代种群X，具体为：
根据公式四在解空间中，随机初始化父代种群X：
其中，Lj为第j维变量的下限，Uj为第j维变量的上限，rand()为0～1的随机数。
第一评价单元4024，用于对父代种群X中的每个粒子进行适应度评价；
在进行随机产生初始化父代种群X后，通过第一评价单元4024需要对父代种群X中的每个粒子进行适应度评价，具体为：
根据公式五对父代种群X中的每个粒子进行父代适应度评价：
其中，F为目标函数，N为训练样本，pj和分别为实际输出和目标输出。
种群产生单元4025，用于计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S，具体包括：
子代种群产生子单元40251，在对父代种群X中的每个粒子进行适应度评价后，通过子代种群产生子单元40251计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S，具体为：
根据公式六计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S:
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV,则执行以下差分算子，具体包括突变操作、交叉操作、选择操作；
其中突变操作具体为：在父代种群中，通过公式七，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D) 七
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
交叉操作具体为:
利用公式八对xi和由公式七生成的突变个体vi实施交叉操作，生成试验个体VSi，其中公式八为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下纵向变异算子：
生成一个0～1的随机数R，比较随机数R与初始化的变异概率probability_v，若R＞probability_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用公式九，随机生成-1～1的数，公式九具体为：
rr1＝randn() 九
再通过公式十进行计算，公式十具体为：
remind_down＝xi(j)-field(2,j)； 十
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行公式十一，公式十一具体为：
remind_up＝field(1,j)-xi(j)； 十一
其中，field(1,j)为种群中所有个体xi的第j维；
结合公式十和公式十一，通过执行公式十二进行进一步的计算，公式十二具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probability_v则执行如下公式十三，公式十三具体为：
VSi(j)＝xi(j)； 十三
第二评价单元4026，用于对子代种群S中的每个粒子进行适应度评价；
在计算父代种群X的方差E，并根据父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S后，通过第二评价单元4026对子代种群S中的每个粒子用公式五进行适应度评价，公式五具体为：
其中，F为目标函数，N为训练样本，pj和分别为实际输出和目标输出。
更新单元4027，用于根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X；
在对子代种群S中的每个粒子进行适应度评价之后，通过更新单元4027根据子代种群S中的每个粒子进行适应度评价得到的结果进行执行公式十四，来选择操作更新父代种群X，公式十四具体为：
其中，F为目标函数。
判断单元4028，用于判断父代种群X是否达到预设的算法终止条件，若是，则输出父代种群X中适应值最优的一组解作为神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到所述父代种群X达到预设的算法终止条件。
在根据子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X之后，通过判断单元4028判断父代种群X是否达到最大迭代次数maxgen，若是，则输出此时父代种群X中适应值最优的一组解作为神经网络所对应的权值阈值，否则转至步骤S25进行新的迭代。
建模模块403，具体还包括：
建模预测单元4031，用于根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
在得到父代种群X中一组权值和阈值之后，通过建模预测单元4031根据父代种群X中作为神经网络所对应的权值和阈值所输出的适应值最优的一组解以及步骤S11中已经进行初始化的神经网络的隐含层层数H、神经网络的输入层的神经元个数m、神经网络的隐含层的神经元个数h、神经网络的输出层的神经元个数n，构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果。
反归一化模块404，用于对子序列的预测结果进行反归一化，得到相应子序列的风速预测结果，并判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果之后，对子序列的预测结果用公式十五进行反归一化，得到子序列相应的风速预测结果，公式十五具体为：
在得到子序列相应的风速预测结果之后，判断子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到子序列的风速预测结果达到预设的预测终止条件。
本发明实施例提供了一种基于改进差分算法的神经网络短期风速预测方法，首先通过分解模块401进行利用小波包分解将原始风速信号分解成不同频率的子序列，再通过计算模块402对子序列进行计算产生父代种群X，并根据父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过子代种群S更新父代种群X，得到父代种群X中一组权值和阈值，一组权值和阈值为神经网络对应的权值和阈值的最优解，最后通过建模模块403根据一组权值和阈值构建子序列对应的神经网络预测模型，并利用神经网络预测模型进行风速预测，得到子序列的预测结果后，通过反归一化模块404对子序列的预测结果进行反归一化，得到相应子序列的风速预测结果，并将所有子序列的风速预测结果进行叠加得到最终预测结果，解决了现有技术中风电场短期风速预测存在着准确度低，可靠性差等缺陷，风电场短期风速预测所采用的单一模型或结合启发公式算法的预测模型误差波动大，容易陷入局部最小、训练时间长、校验精度低、泛化能力不足的技术问题，提高了整体预测效果。
需要说明的是，为验证本发明所提出的一种基于改进差分算法的神经网络短期风速预测方法和系统的有效性和优越性，下面通过一具体实用例对一种基于改进差分算法的神经网络短期风速预测方法和系统的应用进行说明。
预先设定如下：仿真数据来源于荷兰某风电场的实测小时风速数据，根据该风电场2011年1月份到2014年12月份每1h记录一次的风速值(共计35064个采样点)。图6展示了2014年1月1日～2014年2月2日测得的风速时间序列(含750个采样点)，这将在本发明实施例中使用，利用前600h的数据进行建模，对后100h的风速进行预测。
为验证所提算法的有效性，图6所示的风速序列被用来做单步风速预测，并且第601到700的数据被作为验证数据，为减少统计误差，所有的预测方法均单独执行50次，同时，为公平对比不同的方法，所有方法均采用相同的神经网络，其网络参数为：输入、隐含和输出层所对应的节点数分别为：6、8和1；训练代数为100代；学习速率为0.1；目标误差0.01，解空间维数D＝(6+1)*8+8+1＝65，种群大小M＝20，最大迭代次数设为maxgen＝1000。其次所有方法均将原始风速序列用小波包分解成3层共8个不同频率的子序列，分解后的8个子序列如图7所示。
为更加全面有效地评价各方法的预测准确率，分别采用公式十六平均绝对百分比误差MASE、公式十七均方根误差RMSE和公式十八平均绝对误差MAE对各方法的预测性能进行评价。具体公式如下：
其中，公式十五、公式十六、公式十七中N为验证样本的个数，pi为预测模型的输出，为模型的期望输出。
本发明的方法分别与基于小波包分解和差分算法的神经网络短期风速预测方法(WPD-DE-NN)和基于小波包分解和BP算法的神经网络短期风速预测方法(WPD-BP-NN)进行对比。
所提WPD-IDE-NN、WPD-DE-NN及WPD-BP-NN的最优单步预测结果如图8所示，所有算法的误差分析如表1所示。
表1
由图8结合表1可知，对比WPD-BP-NN与WPD-DE-NN可以看出，在相同模型下，使用启发公式算法——DE算法的各项评价指标均优于传统BP算法其中MAPE提高了0.493％，改进幅度为21.93％，这表明采用DE算法能有效弥补常规BP算法优化WPD-NN容易陷入局部最优，泛化能力不足等缺陷。
观察WPD-IDE-NN与WPD-DE-NN可知前者的MAPE、RMSE及MAE均明显优于后者，改进后的IDE算法比DE算法的MAPE提高了0.344％，改进幅度为19.60％，这表明对标准差分算法引进纵向交叉算法能给差分算法提供一种有效的机制，使其在过早出现种群“聚集”现象时，能够有机会跳出维局部最优，从而有效增加种群的多样性，进一步提高了标准差分算法的全局搜索能力。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应所述理解到，所揭露的系统，装置和方法，可以通过其它的方公式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方公式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形公式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形公式实现，也可以采用软件功能单元的形公式实现。
所述集成的单元如果以软件功能单元的形公式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形公式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于改进差分算法的神经网络短期风速预测方法，其特征在于，包括：
S1、利用小波包分解将原始风速信号分解成不同频率的子序列；
S2、对所述子序列进行计算产生父代种群X，并根据所述父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过所述子代种群S更新所述父代种群X，得到所述父代种群X中一组权值和阈值，一组所述权值和所述阈值为神经网络对应的权值和阈值的最优解；
S3、根据一组所述权值和所述阈值构建所述子序列对应的神经网络预测模型，并利用所述神经网络预测模型进行风速预测，得到所述子序列的预测结果。
2.根据权利要求1所述的基于改进差分算法的神经网络短期风速预测方法，其特征在于，所述步骤S1具体包括：
S11、根据小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
3.根据权利要求1所述的基于改进差分算法的神经网络短期风速预测方法，其特征在于，所述步骤S2具体包括：
S21、对所有所述子序列的每个值进行归一化处理；
S22、对所述神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
S23、在解空间中，随机产生初始化父代种群X；
S24、对所述父代种群X中的每个粒子进行适应度评价；
S25、计算所述父代种群X的方差E，并根据所述父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S；
S26、对所述子代种群S中的每个粒子进行适应度评价；
S27、根据所述子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新所述父代种群X；
S28、判断所述父代种群X是否达到预设的算法终止条件，若是，则输出所述父代种群X中适应值最优的一组解作为所述神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到所述父代种群X达到预设的算法终止条件。
4.根据权利要求3所述的基于改进差分算法的神经网络短期风速预测方法，其特征在于，所述步骤S25具体包括：
根据预置第一公式计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S，所述预置第一公式具体为：
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV，则执行以下差分算子，具体包括突变操作、交叉操作、选择操作，其中MV为方差极小值；
其中所述突变操作具体为：在父代种群中，通过预置第二公式，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j，其中，预置第二公式具体为：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D)；
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
所述交叉操作具体为：利用预置第三公式对xi和由突变操作公式生成的突变个体vi实施交叉操作，生成试验个体VSi，预置第三公式具体为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下所述纵向变异算子：
生成一个0～1的随机数R，比较所述随机数R与初始化的变异概率probabilit y_v，若R＞probabilit y_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用预置第四公式，随机生成-1～1的数，预置第四公式具体为：
rr1＝randn()；
再通过预置第五公式进行计算，公式具体为：
remind_down＝xi(j)-field(2,j)；
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行预置第六公式，预置第六公式具体为：
remind_up＝field(1,j)-xi(j)；
其中，field(1,j)为种群中所有个体xi的第j维；
结合预置第五公式和预置第六公式，通过执行预置第七公式进行进一步的计算，预置第七公式具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probabilit y_v则执行如下预置第八公式，预置第八公式具体为：
VSi(j)＝xi(j)。
5.根据权利要求3所述的基于改进差分算法的神经网络短期风速预测方法，其特征在于，所述根据一组所述权值和所述阈值构建所述子序列对应的神经网络预测模型，并利用所述神经网络预测模型进行风速预测，得到所述子序列的预测结果之后还包括：
S41、对所述子序列的预测结果进行反归一化，得到所述子序列相应的风速预测结果，并判断所述子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有所述子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到所述子序列的风速预测结果达到预设的预测终止条件。
6.一种基于改进差分算法的神经网络短期风速预测系统，其特征在于，包括：
分解模块，用于利用小波包分解将原始风速信号分解成不同频率的子序列；
计算模块，用于对所述子序列进行计算产生父代种群X，并根据所述父代种群X的方差E通过执行差分算子或纵向变异算子产生子代种群S，通过所述子代种群S更新所述父代种群X，得到所述父代种群X中一组权值和阈值，一组所述权值和所述阈值为神经网络对应的权值和阈值的最优解；
建模模块，用于根据一组所述权值和所述阈值构建所述子序列对应的神经网络预测模型，并利用所述神经网络预测模型进行风速预测，得到所述子序列的预测结果。
7.根据权利要求6所述的基于改进差分算法的神经网络短期风速预测系统，其特征在于，所述分解模块包括：
分解单元，用于根据小波包分解尺度数M，采用小波包分解技术将原始风速时间序列分解成高低频率的子序列。
8.根据权利要求6所述的基于改进差分算法的神经网络短期风速预测系统，其特征在于，所述计算模块包括：
归一化单元，用于对所有所述子序列的每个值进行归一化处理；
编码单元，用于对所述神经网络中的输入层与隐含层之间的权值Wij、隐含层与输出层之间的权值Wjk、隐含层的阈值b1j和输出层的阈值b2k进行编码；
种群初始化单元，用于在解空间中，随机产生初始化父代种群X；
第一评价单元，用于对所述父代种群X中的每个粒子进行适应度评价；
种群产生单元，用于计算所述父代种群X的方差E，并根据所述父代种群X的方差E选择通过执行差分算子或纵向变异算子产生子代种群S；
第二评价单元，用于对所述子代种群S中的每个粒子进行适应度评价；
更新单元，用于根据所述子代种群S中的每个粒子进行适应度评价得到的结果进行选择操作更新父代种群X；
判断单元，用于判断所述父代种群X是否达到预设的算法终止条件，若是，则输出所述父代种群X中适应值最优的一组解作为所述神经网络所对应的权值和阈值，否则，转至步骤S25进行新的迭代，直到所述父代种群X达到预设的算法终止条件。
9.根据权利要求8所述的基于改进差分算法的神经网络短期风速预测系统，其特征在于，所述种群产生单元包括：
子代种群产生子单元，用于根据预置第一公式计算父代种群方差E，并根据父代种群方差E选择执行差分算子或纵向变异算子产生子代种群S，所述预置第一公式具体为：
其中，E为父代种群方差，xi,j为个体xi的第j维；
若E＞MV，则执行以下差分算子，具体包括突变操作、交叉操作、选择操作，其中MV为方差极小值；
其中所述突变操作具体为：在父代种群中，通过预置第二公式，对父代种群中的每一个个体xi的每一维xi,j执行变异操作，获得与其对应的突变个体vi对应的第j维vi,j，其中，预置第二公式具体为：
vi,j＝xr1,j+MF·(xr2,j-xr3,j)；i∈(1，Z),j∈(1,D)；
其中，r1,r2,r3∈{1,2,...Z}互不相同，同时与i不同；xr1,j为父代基向量xr1的第j维；(xr2,j-xr3,j)为父代差分向量(xr2-xr3)的第j维；MF为0～2随机数，并称为缩放比例因子；
所述交叉操作具体为：利用预置第三公式对xi和由突变操作公式生成的突变个体vi实施交叉操作，生成试验个体VSi，预置第三公式具体为：
其中，rand()为0～1之间的均匀分布随机数；probability_DE为范围在0～1之间的交叉概率；
若E≤MV，则执行以下所述纵向变异算子：
生成一个0～1的随机数R，比较所述随机数R与初始化的变异概率probabilit y_v，若R＞probabilit y_v，则对父代种群X中的个体xi的第j维xi(j)执行如下操作：
利用预置第四公式，随机生成-1～1的数，预置第四公式具体为：
rr1＝randn()；
再通过预置第五公式进行计算，公式具体为：
remind_down＝xi(j)-field(2,j)；
其中，field(2,j)为种群中所有个体xi的第j维；
在此基础上，继续执行预置第六公式，预置第六公式具体为：
remind_up＝field(1,j)-xi(j)；
其中，field(1,j)为种群中所有个体xi的第j维；
结合预置第五公式和预置第六公式，通过执行预置第七公式进行进一步的计算，预置第七公式具体为：
其中，VSi(j)为纵向变异后个体VSi的第j维；
若R＜probabilit y_v则执行如下预置第八公式，预置第八公式具体为：
VSi(j)＝xi(j)。
10.根据权利要求8所述的基于改进差分算法的神经网络短期风速预测系统，其特征在于，所述基于改进差分算法的神经网络短期风速预测系统还包括：
反归一化模块，用于对所述子序列的预测结果进行反归一化，得到相应所述子序列的风速预测结果，并判断所述子序列的风速预测结果是否达到预设的预测终止条件，若是，则将所有所述子序列的风速预测结果进行叠加得到最终预测结果，否则，则转至执行步骤S23，直到所述子序列的风速预测结果达到预设的预测终止条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938099.9A CN106503793B (zh) | 2016-10-25 | 2016-10-25 | 一种基于改进差分算法的神经网络短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938099.9A CN106503793B (zh) | 2016-10-25 | 2016-10-25 | 一种基于改进差分算法的神经网络短期风速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106503793A CN106503793A (zh) | 2017-03-15 |
| CN106503793B true CN106503793B (zh) | 2018-11-30 |
Family
ID=58319084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610938099.9A Expired - Fee Related CN106503793B (zh) | 2016-10-25 | 2016-10-25 | 一种基于改进差分算法的神经网络短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106503793B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985520A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 一种风速预测方法、装置及设备 |
| CN109102118A (zh) * | 2018-08-07 | 2018-12-28 | 王炳达 | 一种基于平行小波神经网络的风力发电功率预测方法 |
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学（保定） | 基于时序长记忆模型的风电场短期风速预测方法 |
| CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9347430B2 (en) * | 2013-04-12 | 2016-05-24 | King Fahd University Of Petroleum And Minerals | Adaptive pitch control system for wind generators |
-
2016
- 2016-10-25 CN CN201610938099.9A patent/CN106503793B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学（保定） | 基于时序长记忆模型的风电场短期风速预测方法 |
| CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Wind speed forecasting based on wavelet packet decomposition and;Anbo Meng et al.;《Energy Conversion and Management》;20160216;全文 * |
| 基于IDE-WNN 的短期风电功率预测及概率评估;刘增良 等;《系统仿真学报》;20160228;全文 * |
| 基于改进差分进化算法的RBF神经网络优化方法;方力智 等;《成都大学学报（自然科学版）》;20090930;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106503793A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| Gu et al. | GAN-based model for residential load generation considering typical consumption patterns | |
| CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| Zhou et al. | A combined forecasting system based on modified multi-objective optimization and sub-model selection strategy for short-term wind speed | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
| CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
| CN106503793B (zh) | 一种基于改进差分算法的神经网络短期风速预测方法 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
| CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
| CN103324954A (zh) | 一种基于树结构的图像分类方法及其系统 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN110533150A (zh) | 基于支持向量机回归模型的测试生成与重用系统及方法 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| CN110222908A (zh) | 一种基于数据驱动的短期用电量预测方法 | |
| CN107958309A (zh) | 一种高坝多点变形性态联合预报方法 | |
| CN105956252B (zh) | 基于生成型深信度网络的超短期风速多尺度预报建模方法 | |
| CN109145342A (zh) | 自动布线系统及方法 | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181130 Termination date: 20191025 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |