CN114117787A - 基于ssa优化bp神经网络的短期风功率预测方法 - Google Patents
基于ssa优化bp神经网络的短期风功率预测方法 Download PDFInfo
- Publication number
- CN114117787A CN114117787A CN202111411194.0A CN202111411194A CN114117787A CN 114117787 A CN114117787 A CN 114117787A CN 202111411194 A CN202111411194 A CN 202111411194A CN 114117787 A CN114117787 A CN 114117787A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wind power
- ssa
- short
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于SSA优化BP神经网络的短期风功率预测方法,方法包括:获取风电场的实时数据,并进行数据预处理后,载入SSA优化BP神经网络模型中,获取短期风功率预测结果;SSA优化BP神经网络模型的训练过程中通过麻雀搜索算法计算每个麻雀的适应度,并更新发现者、加入者和侦查者的位置,直至得到最优位置和最佳适应度值后分别赋值给BP神经网络模型作为参数权值和阈值,从而得到最优的SSA优化BP神经网络模型。与现有技术相比,本发明通过SSA优化BP神经网络算法的权值和阈值来提高了网络训练速度和风功率预测精度。
Description
技术领域
本发明涉及短期风功率预测技术领域,尤其是涉及一种基于SSA优化BP神经网络的短期风功率预测方法。
背景技术
风功率的预测方法可以分为物理方法、统计方法和学习方法。其中学习方法主要是指人工智能算法,能够更加准确地拟合非线性关系,提高预测精度,这是改善短期风预测的研究热点之一。目前已经用于短期风功率预测的学习方法有:BP神经网络、遗传算法、支持向量机等。
遗传算法在进化过程中局部搜索能力较差,容易陷入“早熟”的现象。支持向量机的核函数的选择及有关参数的优化、模型训练和测试速度等问题仍尚未很好的解决。BP神经网络算法的本质为梯度下降法,使用复杂的网络结构对复杂的非线性函数进行拟合,会导致学习收敛速度太慢。对于BP神经网络,误差函数可能存在多个局部极小值,在梯度下降的训练过程中,容易陷入局部极小值。
发明内容
本发明的目的就是为了克服上述现有技术存在使用BP神经网络进行风功率预测时容易陷入局部极小值的缺陷而提供一种基于SSA优化BP神经网络的短期风功率预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于SSA优化BP神经网络的短期风功率预测方法,包括以下步骤:
获取风电场的实时数据,并进行数据预处理后,载入预先构建并训练好的SSA优化BP神经网络模型中,获取短期风功率预测结果;
所述SSA优化BP神经网络模型的训练过程包括以下步骤:
S1:获取用于训练的风电场的历史数据,划分为训练集和测试集,并进行数据预处理,初始化BP神经网络模型的模型参数;
S2:将训练集数据载入BP神经网络模型中进行模型训练,训练过程中,通过麻雀搜索算法计算每个麻雀的适应度,并更新发现者、加入者和侦查者的位置,直至得到最优位置和最佳适应度值后分别赋值给BP神经网络模型作为参数权值和阈值,从而得到最优的SSA优化BP神经网络模型;
S3:重复步骤S2进行模型训练,直至达到预设的模型训练停止条件,将此时得到的BP神经网络模型作为训练完成的SSA优化BP神经网络模型。
进一步地,所述方法还包括:
S4:统计输出的风功率预测值,并进行反归一化处理,得到最终预测风电功率值;
S5:将得到的最终预测风电功率值与历史实际风功率值进行误差分析,来评估此模型的预测性能。
进一步地,采用平均绝对百分比误差和均方根误差,评估BP神经网络模型的预测性能。
进一步地,所述风电场的历史数据包括风速、风向的余弦值、温度和风功率。
进一步地,所述BP神经网络模型包括依次连接的三个输入层、三个隐藏层和一个输出层。
进一步地,所述数据预处理为数据归一化处理。
进一步地,所述数据归一化处理的计算表达式为:
式中,y与y*分别表示归一化前后的数据;ymax与ymin分别表示归一化前的最大值和最小值。
进一步地,所述发现者的位置更新表达式为:
式中,t为当前迭代次数;j=1,2,3,…,d,d表示待优化问题变量的维数;为迭代t次时第i只麻雀的第j维的位置;itermax为最大迭代次数;α为[0,1]之间的随机数;R2和ST分别为警报值和安全阈值;Q为服从正态分布的随机数;L为d维单位向量。
进一步地,所述加入者的位置更新表达式为:
进一步地,所述侦查者的位置更新表达式为:
式中,是第t次迭代的全局最优位置;λ作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;J是[-1,1]之间的随机数;fi为当前麻雀的适应度值;fi和fw为全局最佳适应度值和最差适应度值;ε定义为常数。
与现有技术相比,本发明具有以下优点:
(1)SSA具有稳定性好、全局搜索能力强和收敛速度快等特点,所以本文提出了一种基于SSA优化BP神经网络的模型对短期风功率进行预测,克服了BP神经网络在训练过程中训练时间较长并且容易陷入局部极小值的缺点,提高了BP神经网络算法的全局寻优能力,通过优化BP神经网络算法的权值和阈值来提高了模型预测的准确度。
(2)本发明采用了MatlabR2018b软件进行仿真测试,采用相同的数据集分别在SSA-BP神经网络模型和PSO-BP神经网络模型中进行训练。实验结果显示,SSA-BP神经网络模型的误差均小于PSO-BP神经网络模型,其中平均绝对百分误差(MAPE)比PSO-BP神经网络模型降低了6.023%,均方根误差(RMSE)比PSO-BP神经网络预测模型降低了5.132%。由此可以充分的说明SSA-BP神经网络模型的预测效果优于PSO-BP神经网络结构,降低了风功率预测的误差,提高的风功率预测的精度。
附图说明
图1为本发明实施例中提供的一种基于SSA优化BP神经网络的短期风功率预测方法的流程示意图;
图2为本发明实施例中提供的一种BP神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
实施例1
如图1所示,本实施例提供一种基于SSA优化BP神经网络的短期风功率预测方法,包括以下步骤:
获取风电场的实时数据,并进行数据预处理后,载入预先构建并训练好的SSA优化BP神经网络模型中,获取短期风功率预测结果;
SSA优化BP神经网络模型的训练过程包括以下步骤:
S1:获取用于训练的风电场的历史数据,划分为训练集和测试集,并进行数据预处理,初始化BP神经网络模型的模型参数;
S2:将训练集数据载入BP神经网络模型中进行模型训练,训练过程中,通过麻雀搜索算法计算每个麻雀的适应度,并更新发现者、加入者和侦查者的位置,直至得到最优位置和最佳适应度值后分别赋值给BP神经网络模型作为参数权值和阈值,从而得到最优的BP神经网络模型;
S3:重复步骤S2进行模型训练,直至达到预设的模型训练停止条件,将此时得到的BP神经网络模型作为训练完成的SSA优化BP神经网络模型;
S4:统计输出的风功率预测值,并进行反归一化处理,得到最终预测风电功率值;
S5:将得到的最终预测风电功率值与历史实际风功率值进行误差分析,来评估此模型的预测性能。
其具体步骤的详细描述如下:
步骤1:用风电场采集的720组历史数据,选取其中576组数据作为训练集,144组数据作为测试集;
步骤2:对训练集和测试集数据进行归一化处理,归一化公式如下:
式中,y与y*分别表示归一化前后的数据;ymax与ymin分别表示归一化前的最大值和最小值。
步骤3:建立BP神经网络的拓扑结构,输入层节点数为3,隐藏层节点数为3,输出层节点数为1,初始化BP神经网络的相关参数,BP神经网络结构图如图2所示;
步骤4:初始化种群,设定麻雀种群的总数量n、发现者数量、意识到危险的麻雀数量以及最大迭代次数itermax、警报阈值R2;
步骤5:计算初始种群的适应度值并就最终结果进行排序,确定最优和最差的适应度个体;
步骤6:分别利用式(2)—式(4)计算得到发现者、加入者、侦察者的新位置,若新位置的适应度值优于之前的,则更新它;
式中,t为当前迭代次数;j=1,2,3,…,d,d表示待优化问题变量的维数;为迭代t次时第i只麻雀的第j维的位置;itermax为最大迭代次数;α为[0,1]之间的随机数;R2和ST分别为警报值和安全阈值;Q为服从正态分布的随机数;L为d维单位向量;当R2<ST时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。如果R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食;
式中,为第t次迭代全体最差位置;为第t+1次迭代发现者的最佳位置;A为与输入维度相同的1×d维矩阵,其中每个元素随机分配1或-1、且A+=AT(AAT0-1;n为麻雀的数量;i>n/2时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
式中,是第t次迭代的全局最优位置;λ作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;J是[-1,1]之间的随机数;fi为当前麻雀的适应度值;fi和fw为全局最佳适应度值和最差适应度值;ε定义为特别小的常数,主要是为了防止fi-fw=0的情况;fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。
步骤7:获得当前更新后的位置,如果新位置优于上一次迭代的旧位置,就进行更新操作,否则不进行,并继续进行迭代操作知道满足条件为止。最终从全局中获得最优位置以及最佳适应度值;
步骤8:将得到的全局最优位置作为BP神经网络的权值,得到的最佳适应度值作为BP神经网络的阈值;
步骤9:当BP神经网络训练过程中,达到初始设定的迭代次数或者满足预测误差,停止计算,输出相应的值;否则返回步骤3,重新执行程序;
步骤10:统计输出的风功率预测值,将输出预测值进行反归一化处理,得到最终的预测结果;
步骤11:将得到的最终预测风电功率值与历史实际风功率值的误差分析来评估此模型的预测性能,评估标准采用平均绝对百分比误差和均方根误差两个指标。
其中,平均绝对百分比误差(MAPE)和均方根误差(RMSE)的公式如下:
式中,m表示预测总次数;yf和yt分别为风功率的预测值和实际值,其中平均绝对百分比误差和均方根误差越小,表示预测结果越好。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,包括以下步骤:
获取风电场的实时数据,并进行数据预处理后,载入预先构建并训练好的SSA优化BP神经网络模型中,获取短期风功率预测结果;
所述SSA优化BP神经网络模型的训练过程包括以下步骤:
S1:获取用于训练的风电场的历史数据,划分为训练集和测试集,并进行数据预处理,初始化BP神经网络模型的模型参数;
S2:将训练集数据载入BP神经网络模型中进行模型训练,训练过程中,通过麻雀搜索算法计算每个麻雀的适应度,并更新发现者、加入者和侦查者的位置,直至得到最优位置和最佳适应度值后分别赋值给BP神经网络模型作为参数权值和阈值,从而得到最优的SSA优化BP神经网络模型;
S3:重复步骤S2进行模型训练,直至达到预设的模型训练停止条件,将此时得到的BP神经网络模型作为训练完成的SSA优化BP神经网络模型。
2.根据权利要求1所述的一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,所述方法还包括:
S4:统计输出的风功率预测值,并进行反归一化处理,得到最终预测风电功率值;
S5:将得到的最终预测风电功率值与历史实际风功率值进行误差分析,来评估此模型的预测性能。
3.根据权利要求2所述的一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,采用平均绝对百分比误差和均方根误差,评估BP神经网络模型的预测性能。
4.根据权利要求1所述的一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,所述风电场的历史数据包括风速、风向的余弦值、温度和风功率。
5.根据权利要求1所述的一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,所述BP神经网络模型包括依次连接的三个输入层、三个隐藏层和一个输出层。
6.根据权利要求1所述的一种基于SSA优化BP神经网络的短期风功率预测方法,其特征在于,所述数据预处理为数据归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411194.0A CN114117787A (zh) | 2021-11-25 | 2021-11-25 | 基于ssa优化bp神经网络的短期风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411194.0A CN114117787A (zh) | 2021-11-25 | 2021-11-25 | 基于ssa优化bp神经网络的短期风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117787A true CN114117787A (zh) | 2022-03-01 |
Family
ID=80375512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111411194.0A Pending CN114117787A (zh) | 2021-11-25 | 2021-11-25 | 基于ssa优化bp神经网络的短期风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117787A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839210A (zh) * | 2022-04-11 | 2022-08-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
-
2021
- 2021-11-25 CN CN202111411194.0A patent/CN114117787A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839210A (zh) * | 2022-04-11 | 2022-08-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
CN114839210B (zh) * | 2022-04-11 | 2023-05-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
US11585918B2 (en) | Generative adversarial network-based target identification | |
US11107250B2 (en) | Computer architecture for artificial image generation using auto-encoder | |
CN112581262A (zh) | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN107222333A (zh) | 一种基于bp神经网络的网络节点安全态势评估方法 | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN113269252A (zh) | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 | |
CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
US20200272812A1 (en) | Human body part segmentation with real and synthetic images | |
US11195053B2 (en) | Computer architecture for artificial image generation | |
Lin et al. | Dynamic risk assessment of food safety based on an improved hidden Markov model integrating cuckoo search algorithm: A sterilized milk study | |
CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
CN112215412A (zh) | 溶解氧预测方法及装置 | |
CN114638358A (zh) | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 | |
CN111612246B (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
CN112613550A (zh) | 一种数据分类方法、装置及相关设备 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
Ebrahimpour-Komleh et al. | Cuckoo optimization algorithm for feedforward neural network training | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN115510978A (zh) | 一种工控系统入侵检测方法、装置及电子设备 | |
CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN114578087A (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN113902187A (zh) | 分时电价预测方法、装置及终端设备 |
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 |