CN108256683A - 一种基于改进bp神经网络的风电场短期功率预测方法 - Google Patents
一种基于改进bp神经网络的风电场短期功率预测方法 Download PDFInfo
- Publication number
- CN108256683A CN108256683A CN201810038280.3A CN201810038280A CN108256683A CN 108256683 A CN108256683 A CN 108256683A CN 201810038280 A CN201810038280 A CN 201810038280A CN 108256683 A CN108256683 A CN 108256683A
- Authority
- CN
- China
- Prior art keywords
- neural network
- disaggregation
- wind power
- value
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 123
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 241000256844 Apis mellifera Species 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 235000012907 honey Nutrition 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009341 apiculture Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于改进BP神经网络的风电场短期功率预测方法,该方法包括:通过风电场历史运行数据获取影响风功率输出的参数,并将参数作为输入矢量输入BP神经网络;将参数与风功率建立映射关系,对BP神经网络进行训练;利用人工蜂群算法对训练后的BP神经网络进行优化,获得BP神经网络的最优权值和阈值;将最优权值和阈值赋值给训练后的BP神经网络,更新BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。本申请提供的方法改进了BP神经网络,利用人工蜂群算法对BP神经网络的权值和阈值进行优化,提高了BP神经网络的收敛速度,解决了BP算法容易陷入局部极小值的缺陷,从而提高了风电场短期功率的预测精度。
Description
技术领域
本申请涉及风力发电技术领域,尤其涉及一种基于改进BP神经网络的风电场短期功率预测方法。
背景技术
风能作为一种清洁的可再生能源,得到了各国的重视和开发利用,但大规模风电机组的接入会严重影响电力系统的正常运行。因此,研究风电场短期发电功率的预测对电力系统调度有着非常重要的意义。
目前,风电功率的短期预测方法有两种,物理和统计方法,其中,物理方法是根据天气预报数据通过数学关系计算风电场的出力数据,绘出功率预测曲线图;统计方法是根据历史数据与风电场出力之间的关系,建立预测模型,通过预测参数,预测风电场的发电功率。因统计方法的预测精度角度,因此,国内外主要采用统计方法进行风电场的短期功率预测。BP神经网络具有自组织、自学习和自适应的能力,对非线性映射问题具有很好的处理能力,在预测方面有着广泛的应用。
但是,BP神经网络算法有其自身的缺陷:易形成局部极小而得不到全局最优;学习效率低,需要经过较多次的训练才能收敛,收敛速度慢。
发明内容
本申请提供了一种基于改进BP神经网络的风电场短期功率预测方法,以解决目前基于BP神经网络预测风电场短期功率时易形成局部较小而得不到全局最优的技术问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种基于改进BP神经网络的风电场短期功率预测方法,所述方法包括:
通过风电场历史运行数据获取影响风功率输出的参数,并将所述参数作为输入矢量输入BP神经网络;
将所述参数与风功率建立映射关系,对所述BP神经网络进行训练;
利用人工蜂群算法对训练后的BP神经网络进行优化,获得所述BP神经网络的最优权值和阈值;
将所述最优权值和阈值赋值给训练后的BP神经网络,更新所述BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。
可选的,所述影响风功率输出的参数包括:风速、风向正弦与风向余弦。
可选的,所述将所述参数与风功率建立映射关系,对所述BP神经网络进行训练,包括:
获取一天中6:00-17:00风电场每5分钟记录的参数和风功率值;
通过132组参数和风功率值对所述BP神经网络进行训练,训练精度为10-4,训练次数设置为700次。
可选的,所述利用人工蜂群算法对训练后的BP神经网络进行优化,获得所述BP神经网络的最优权值和阈值,包括:
初始化蜂群算法的各项参数,设置蜂群的体量为Nc,采蜜蜂的个数为Ne,跟随蜂的个数为No,解的个数为Ns,极限值为limit,最大轮询次数为MCN,D维初始解集为Xi;
根据公式(1)计算解集Xi对应的适应度值f(x)为,
其中,i=1,2,...,Ns;MSEi为第i解的BP神经网络平均平方误差;
所述采蜜蜂进行邻域搜索产生新解集,并根据公式(2)进行解集的迭代替换;
Xij'=Xij+rand(-1,1)(Xij-Xkj) (2)
其中,j∈{1,2,...,D},k∈{1,2,...,Ns},k是随机产生的,且k≠i;
根据公式(3)计算解集Xi对应的可能性值为:
若迭代次数大于所述最大轮询次数MCN,则输出蜂群的全局最优值,所述全局最优值代表所述BP神经网络的最优权值和阈值。
可选的,所述采蜜蜂进行邻域搜索产生新解集,并根据公式(2)进行解集的迭代替换,包括:
获得新解集Xij'后,根据公式(1)计算新解集Xij'的适应度值;
比较新解集Xij'的适应度值与解集Xij的适应度值;
若所述新解集Xij'的适应度值大于解集Xij的适应度值,则将所述新解集Xij'迭代替换所述解集Xij,并记录迭代次数;;
若所述新解集Xij'的适应度值小于解集Xij的适应度值,则记录解集Xij更新失败一次。
可选的,若解集Xij更新失败次数大于极限值limit,则舍弃所述解集Xij,采蜜蜂继续进行邻域搜索,以产生新的解集。
可选的,所述根据公式(3)计算解集Xi对应的可能性值,包括:
将解集Xi对应的可能性值与设定精度值进行对比;
若所述解集Xi对应的可能性值小于所述设定精度值,则舍弃所述解集Xi,重新搜索产生新的解集。
可选的,所述将所述最优权值和阈值赋值给训练后的BP神经网络,更新所述BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测,包括:
所述BP神经网络获得所述最优权值和阈值后,进行二次优化训练;
将风电场运行数据导入二次优化训练后的BP神经网络,对风电场的短期功率进行预测。
与现有技术相比,本申请的有益效果为:
本申请实施例提供的基于改进BP神经网络的风电场短期功率预测方法包括:通过风电场历史运行数据获取影响风功率输出的参数,并将参数作为输入矢量输入BP神经网络;将参数与风功率建立映射关系,对BP神经网络进行训练;利用人工蜂群算法对训练后的BP神经网络进行优化,获得BP神经网络的最优权值和阈值;将最优权值和阈值赋值给训练后的BP神经网络,更新BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。本申请提供的方法改进了BP神经网络,利用人工蜂群算法能够对BP神经网络的权值和阈值进行优化,可以得到更高的网络训练精度,从而能够提高BP神经网络的收敛速度,可以大大减少网络训练时间;而且蜂群算法具有全局迭代的特点,能够掩盖BP神经网络容易陷入局部极小值的缺陷,进而能够提高风电场短期功率的预测精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于改进BP神经网络的风电场短期功率预测方法的流程图;
图2a为5月1日基于BP神经网络训练的预测值与样本值的对比图;
图2b为5月1日基于BP神经网络训练的预测值与样本值的误差曲线图;
图3a为5月1日基于蜂群算法优化的BP神经网络的预测值与样本值的对比图;
图3b为5月1日基于蜂群算法优化的BP神经网络的预测值与样本值的误差曲线图;
图4为5月1日BP神经网络与ABC-BP神经网络训练的对比图;
图5a为5月15日基于BP神经网络训练的预测值与样本值的对比图;
图5b为5月15日基于BP神经网络训练的预测值与样本值的误差曲线图;
图6a为5月15日基于蜂群算法优化的BP神经网络的预测值与样本值的对比图;
图6b为5月15日基于蜂群算法优化的BP神经网络的预测值与样本值的误差曲线图;
图7为5月15日BP神经网络与ABC-BP神经网络训练的对比图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
参见图1,为本申请实施例提供的一种基于改进BP神经网络的风电场短期功率预测方法的流程图。
如图1所示,本申请实施例提供的基于改进BP神经网络的风电场短期功率预测方法包括:
S100:通过风电场历史运行数据获取影响风功率输出的参数,并将所述参数作为输入矢量输入BP神经网络。
通过风电场历史运行数据,合理选择对风功率输出有着直接关系的参数,该参数包括风速、风向正弦、风向余弦,将风速、风向正弦与风向余弦值作为BP神经网络的输入矢量,对BP神经网络进行训练。
S200:将所述参数与风功率建立映射关系,对所述BP神经网络进行训练。
采用BP神经网络将影响风功率输出的参数与风功率建立映射关系,对BP神经网络进行训练,获取BP神经网络的权值与阈值。
具体地,将风速、风向正弦和风向余弦作为BP神经网络的训练参数,利用某一天6:00-17:00中风电场每5分钟记录的相关参数和功率值数据,总共132组数据用来进行BP神经网络的训练,训练精度为10-4,训练次数设置为700次,最后获得BP神经网络的权值和阈值。
S300:利用人工蜂群算法对训练后的BP神经网络进行优化,获得所述BP神经网络的最优权值和阈值。
人工蜂群(ABC)算法是Karaboga为解决多变量函数优化问题而提出的一种模拟蜜蜂群采蜜行为的群智能优化算法。在ABC算法中,蜂群包括引领蜂跟随蜂和侦查蜂三个组成部分,引领蜂先去寻找食物源;跟随蜂在舞蹈区等待引领蜂带回食物源的相关信息,并根据信息选择食物源;侦查蜂则完全随机寻找新的食物源。若某个食物源被引领蜂和跟随蜂丢弃,那么和这个食物源相对应的引领蜂就变为侦查蜂,每个食物源的位置代表优化问题的一个可能解。
利用人工蜂群算法对训练后的BP神经网络进行优化的具体步骤如下:
1)初始化蜂群算法的各项参数。设置蜂群的体量为Nc,采蜜蜂的个数为Ne,跟随蜂的个数为No,解的个数为Ns,设置极限值为limit,最大轮询次数为MCN,以及D维初始解集为Xi
2)根据公式(1)计算得到解集Xi对应的适应度值f(x)为,
其中,i=1,2,...,Ns;MSEi为第i解的BP神经网络平均平方误差。适应度值代表某个食物源的蜜源多少,适应度越接近于1,表示得到的解集越理想。
3)采蜜蜂进行邻域搜索产生新解集,并根据公式(2)进行解集的迭代替换,
Xij'=Xij+rand(-1,1)(Xij-Xkj) (2)
其中,j∈{1,2,...,D},k∈{1,2,...,Ns},k是随机产生的,且k≠i。
随着迭代次数的累加,(Xij-Xkj)之间的距离缩小,搜索的空间也缩小,也即搜索的步长缩小。动态地调整步长,有助于算法提高精度,并最终获得最优解。
获得新解集Xij'后,根据公式(1)计算新解集Xij'的适应度值,比较新解集Xij'的适应度值与解集Xij的适应度值,若新解集Xij'的适应度值大于解集Xij的适应度值,则将新解集Xij'迭代替换解集Xij,并记录迭代次数。
4)根据公式(3)计算解集Xi对应的可能性值为:
其中,f(Xi)是第i个解集对应的适应度大小。可能性值代表跟随蜂选择第i处食物源的概率,概率越大,精确度越高。
计算得到解集Xi对应的可能性值后,将可能性值与设定的精确值进行对比,若解集Xi对应的可能性值小于设定的精确值,则表明此处的食物源量小,可以放弃,重新搜索以产生新的解集。
5)若解集Xij的更新失败次数大于设定的极限值limit,则表明这个解集没有再被优化的可能性了,需要采蜜蜂继续进行邻域搜索,以产生新的解集,并替换解集Xij。
6)若迭代次数大于最大轮询次数MCN,则输出蜂群的全局最优值,全局最优值代表BP神经网络的最优权值和阈值。
ABC算法生成Ns个初始解后,采蜜蜂和跟随蜂开始进行循环搜索,若解集迭代次数大于最大轮询次数MCN,标志着训练终止,已达到最优解,则输出该最优解。
综上可知,跟随蜂根据适应度大小按概率状态转移,保证大部分蜜蜂依上代历史信息选择转移路径,采蜜蜂具有精英特性,保留上代最优路径,可以加快算法收敛,减小算法的振荡,因此使得人工蜂群算法具有更强的全局搜索能力,而且收敛速度快。
S400:将所述最优权值和阈值赋值给训练后的BP神经网络,更新所述BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。
通过人工蜂群算法优化获得BP神经网络的最优权值和阈值后,将最优权值和阈值赋值给BP神经网络,对BP神经网络进行二次优化训练,之后将风电场运行数据导入二次优化后的BP神经网络,对风电场的短期功率进行准确预测。
本申请实施例分别以某风电场2015年5月1日和5月15日6:00-17:00的运行数据作为训练样本,表明优化后的BP神经网络能够实现风电场短期功率的可靠和准确预测。
实施例一
以某风电场2015年5月1日6:00-17:00的运行数据作为训练样本,根据本申请实施例提供的基于改进BP神经网络的风电场短期功率预测方法得到训练好的BP神经网络和基于人工蜂群算法优化的BP神经网络,BP神经网络训练的结果如图2a和图2b所示,基于人工蜂群算法优化的BP神经网络训练结果如图3a和图3b所示,以及得到17:00-19:00的预测值,根据预测值和实际值的对比,具体结果如表1所示。
表1 5月1日分别以BP神经网络和ABC-BP神经网络预测结果对比
综上所述,BP神经网络测试样本的平均绝对误差(MAE)为4.32MW,平均相对误差(MAPE)为5.96%;基于人工蜂群算法优化的BP神经网络测试样本的平均绝对误差(MAE)为1.99MW,平均相对误差(MAPE)为2.73%。可以看到基于人工蜂群算法优化的BP神经网络预测精度更高。
通过BP神经网络和ABC-BP神经网络的训练收敛速度可以看出,ABC-BP神经网络是优于BP神经网络的,网络训练对比如图4所示。
实施例二
以某风电场2015年5月15日6:00-17:00的运行数据作为训练样本,根据本申请实施例提供的基于改进BP神经网络的风电场短期功率预测方法得到训练好的BP神经网络和ABC-BP神经网络,BP神经网络训练的结果如图5a和图5b所示,基于人工蜂群算法的BP(ABC-BP)神经网络训练的结果如图6a和图6b所示,以及得到17:00-19:00的预测值,根据预测值与实际值的对比,具体结果如表2。
表2 5月15日分别以BP神经网络和ABC-BP神经网络预测结果对比
综上所述,BP神经网络测试样本的平均绝对误差(MAE)为8.35MW,平均相对误差(MAPE)为25.46%;基于人工蜂群算法的BP神经网络测试样本的平均绝对误差(MAE)为3.78MW,平均相对误差(MAPE)为11.43%。同样,可以看到蜂群算法优化后BP神经网络预测精度更高。
通过BP神经网络和ABC-BP神经网络的训练收敛速度可以看出,ABC-BP神经网络是优于BP神经网络的,网络训练对比如图7所示。
本申请实施例提供的基于改进BP神经网络的风电场短期功率预测方法包括:通过风电场历史运行数据获取影响风功率输出的参数,并将参数作为输入矢量输入BP神经网络;将参数与风功率建立映射关系,对BP神经网络进行训练;利用人工蜂群算法对训练后的BP神经网络进行优化,获得BP神经网络的最优权值和阈值;将最优权值和阈值赋值给训练后的BP神经网络,更新BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。本申请提供的方法采用人工蜂群算法对BP神经网络进行优化,通过对BP神经网络权值和阈值的不断调整,得到更高的网络训练精度;而且,人工蜂群算法能够提高BP神经网络的收敛速度,大大减少了网络训练的时间;还有,人工蜂群算法具有全局迭代的特点,能够掩盖BP神经网络易于陷入局部极小值的缺陷,从而大大提高风电场短期功率的预测精度。
由于以上实施方式均是在其他方式之上引用结合进行说明,不同实施例之间均具有相同的部分,本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (8)
1.一种基于改进BP神经网络的风电场短期功率预测方法,其特征在于,所述方法包括:
通过风电场历史运行数据获取影响风功率输出的参数,并将所述参数作为输入矢量输入BP神经网络;
将所述参数与风功率建立映射关系,对所述BP神经网络进行训练;
利用人工蜂群算法对训练后的BP神经网络进行优化,获得所述BP神经网络的最优权值和阈值;
将所述最优权值和阈值赋值给训练后的BP神经网络,更新所述BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测。
2.根据权利要求1所述的方法,其特征在于,所述影响风功率输出的参数包括:风速、风向正弦与风向余弦。
3.根据权利要求1所述的方法,其特征在于,所述将所述参数与风功率建立映射关系,对所述BP神经网络进行训练,包括:
获取一天中6:00-17:00风电场每5分钟记录的参数和风功率值;
通过132组参数和风功率值对所述BP神经网络进行训练,训练精度为10-4,训练次数设置为700次。
4.根据权利要求1所述的方法,其特征在于,所述利用人工蜂群算法对训练后的BP神经网络进行优化,获得所述BP神经网络的最优权值和阈值,包括:
初始化蜂群算法的各项参数,设置蜂群的体量为Nc,采蜜蜂的个数为Ne,跟随蜂的个数为No,解的个数为Ns,极限值为limit,最大轮询次数为MCN,D维初始解集为Xi;
根据公式(1)计算解集Xi对应的适应度值f(x)为,
其中,i=1,2,...,Ns;MSEi为第i解的BP神经网络平均平方误差;
所述采蜜蜂进行邻域搜索产生新解集,并根据公式(2)进行解集的迭代替换;
Xij'=Xij+rand(-1,1)(Xij-Xkj) (2)
其中,j∈{1,2,...,D},k∈{1,2,...,Ns},k是随机产生的,且k≠i;
根据公式(3)计算解集Xi对应的可能性值为:
若迭代次数大于所述最大轮询次数MCN,则输出蜂群的全局最优值,所述全局最优值代表所述BP神经网络的最优权值和阈值。
5.根据权利要求4所述的方法,其特征在于,所述采蜜蜂进行邻域搜索产生新解集,并根据公式(2)进行解集的迭代替换,包括:
获得新解集Xij'后,根据公式(1)计算新解集Xij'的适应度值;
比较新解集Xij'的适应度值与解集Xij的适应度值;
若所述新解集Xij'的适应度值大于解集Xij的适应度值,则将所述新解集Xij'迭代替换所述解集Xij,并记录迭代次数;
若所述新解集Xij'的适应度值小于解集Xij的适应度值,则记录解集Xij更新失败一次。
6.根据权利要求5所述的方法,其特征在于,若解集Xij更新失败次数大于极限值limit,则舍弃所述解集Xij,采蜜蜂继续进行邻域搜索,以产生新的解集。
7.根据权利要求4所述的方法,其特征在于,所述根据公式(3)计算解集Xi对应的可能性值,包括:
将解集Xi对应的可能性值与设定精度值进行对比;
若所述解集Xi对应的可能性值小于所述设定精度值,则舍弃所述解集Xi,重新搜索产生新的解集。
8.根据权利要求1所述的方法,其特征在于,所述将所述最优权值和阈值赋值给训练后的BP神经网络,更新所述BP神经网络,并通过更新后的BP神经网络进行风电场短期功率预测,包括:
所述BP神经网络获得所述最优权值和阈值后,进行二次优化训练;
将风电场运行数据导入二次优化训练后的BP神经网络,对风电场的短期功率进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038280.3A CN108256683A (zh) | 2018-01-16 | 2018-01-16 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038280.3A CN108256683A (zh) | 2018-01-16 | 2018-01-16 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256683A true CN108256683A (zh) | 2018-07-06 |
Family
ID=62740610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810038280.3A Pending CN108256683A (zh) | 2018-01-16 | 2018-01-16 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256683A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615615A (zh) * | 2018-11-26 | 2019-04-12 | 北京联合大学 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
CN109977972A (zh) * | 2019-03-29 | 2019-07-05 | 东北大学 | 一种基于step的智能特征识别方法 |
CN110185789A (zh) * | 2019-06-17 | 2019-08-30 | 湖南科技大学 | 基于蜂群神经网络集成的新能源车amt换挡策略 |
CN110414748A (zh) * | 2019-08-12 | 2019-11-05 | 合肥阳光新能源科技有限公司 | 光伏功率预测方法 |
CN111369074A (zh) * | 2020-03-31 | 2020-07-03 | 黑龙江大学 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
CN111861784A (zh) * | 2020-06-01 | 2020-10-30 | 大唐东北电力试验研究院有限公司 | 基于人工蜂群优化神经网络的光伏发电功率短期预测方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
CN113762602A (zh) * | 2021-08-13 | 2021-12-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种风电场短期风速预测方法 |
CN114372634A (zh) * | 2022-01-11 | 2022-04-19 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
-
2018
- 2018-01-16 CN CN201810038280.3A patent/CN108256683A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615615A (zh) * | 2018-11-26 | 2019-04-12 | 北京联合大学 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
CN109977972A (zh) * | 2019-03-29 | 2019-07-05 | 东北大学 | 一种基于step的智能特征识别方法 |
CN109977972B (zh) * | 2019-03-29 | 2023-02-07 | 东北大学 | 一种基于step的智能特征识别方法 |
CN110185789A (zh) * | 2019-06-17 | 2019-08-30 | 湖南科技大学 | 基于蜂群神经网络集成的新能源车amt换挡策略 |
CN110414748A (zh) * | 2019-08-12 | 2019-11-05 | 合肥阳光新能源科技有限公司 | 光伏功率预测方法 |
CN110414748B (zh) * | 2019-08-12 | 2022-04-08 | 阳光新能源开发股份有限公司 | 光伏功率预测方法 |
CN111369074A (zh) * | 2020-03-31 | 2020-07-03 | 黑龙江大学 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
CN111861784A (zh) * | 2020-06-01 | 2020-10-30 | 大唐东北电力试验研究院有限公司 | 基于人工蜂群优化神经网络的光伏发电功率短期预测方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
CN113762602A (zh) * | 2021-08-13 | 2021-12-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种风电场短期风速预测方法 |
CN114372634A (zh) * | 2022-01-11 | 2022-04-19 | 广东工业大学 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256683A (zh) | 一种基于改进bp神经网络的风电场短期功率预测方法 | |
Gharehchopogh et al. | A comprehensive survey on symbiotic organisms search algorithms | |
Kaboli et al. | Rain-fall optimization algorithm: A population based algorithm for solving constrained optimization problems | |
James et al. | A social spider algorithm for solving the non-convex economic load dispatch problem | |
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
Hemamalini et al. | Dynamic economic dispatch using artificial bee colony algorithm for units with valve‐point effect | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Alam et al. | Self-adaptation of mutation step size in artificial bee colony algorithm for continuous function optimization | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN104636801A (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 | |
Song et al. | An improved sparrow search algorithm | |
CN108565874A (zh) | 一种基于负荷频率控制模型的源荷协同调频方法 | |
Chou et al. | Recent advances in use of bio-inspired jellyfish search algorithm for solving optimization problems | |
Jordehi | Gravitational search algorithm with linearly decreasing gravitational constant for parameter estimation of photovoltaic cells | |
Niu et al. | Short‐term wind speed hybrid forecasting model based on bias correcting study and its application | |
Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
Mohanty et al. | A modified moth flame optimisation technique tuned adaptive fuzzy logic PID controller for frequency regulation of an autonomous power system | |
Farag et al. | Metaheuristic Algorithms in Optimal Power Flow Analysis: A Qualitative Systematic Review | |
Safari et al. | Tidal current and level uncertainty prediction via adaptive linear programming | |
Mutegi et al. | Optimal placement of FACTS devices using filter feeding allogenic engineering algorithm | |
Zhao et al. | Semi-self-adaptive harmony search algorithm | |
Zhao et al. | A hybrid optimization algorithm based on chaotic differential evolution and estimation of distribution | |
Mollazei et al. | Multi-objective optimization of power system performance with TCSC using the MOPSO algorithm | |
Sundarajoo et al. | A Particle Swarm Optimization Trained Feedforward Neural Network for Under-Voltage Load Shedding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |