CN117454939A - 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 - Google Patents
一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 Download PDFInfo
- Publication number
- CN117454939A CN117454939A CN202311565303.3A CN202311565303A CN117454939A CN 117454939 A CN117454939 A CN 117454939A CN 202311565303 A CN202311565303 A CN 202311565303A CN 117454939 A CN117454939 A CN 117454939A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- nsabo
- wind power
- neural network
- initial
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000010931 gold Substances 0.000 title claims abstract description 16
- 229910052737 gold Inorganic materials 0.000 title claims abstract description 16
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims abstract description 10
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000011161 development Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 241000283153 Cetacea Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及新能源发电风电功率预测技术领域,尤其涉及一种基于NSABO‑Gold算法优化BP神经网络的风电功率预测方法,包括:首先采用孤立森林算法对风电场异常数据清洗并插补;接着采用皮尔逊相关系数选取与风电场输出功率具有较高相关性的气象因素作为BP神经网络的输入特征;然后对减法平均优化器算法进行全局优化改进,将全局最优解加入到SABO的位置更新公式中,同时利用非线性自适应惯性权重w和非线性收敛因子S平衡全局开发和局部搜索能力,并结合黄金正弦算法优化BP神经网络的初始权值和阈值,得到NSABO‑Gold‑BP风电功率预测模型。本发明可以使得风电功率预测更加准确,并且平衡了全局开发和局部搜索能力,大大缩减了收敛时间,在风电并网调度中具有应用推广价值。
Description
技术领域
本发明涉及风电功率预测技术领域,尤其涉及一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法。
背景技术
随着碳达峰,碳中和目标的提出,大规模可再生清洁能源的开发成为解决问题的关键。然而,风电具有波动性和间歇性,导致很难对风电功率进行准确预测,发电上报计划精度较低,因此大规模的风电并网将不可避免地影响电力系统的稳定运行。如果能提高风电功率预测的准确度,根据功率变化合理制定发电上报计划,改变风电在电网的比重,有利于实现风能高效利用和电网稳定运行。
通过BP神经网络进行风电功率预测,初始权值和阈值对预测效果影响较大,可以通过粒子群算法(PSO),遗传算法(GA)等启发式算法对其初始权值阈值进行优化,然而传统的优化算法收敛时间较长,容易陷入局部最优解。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,具体步骤如下:
S1、采集风电场数据并利用孤立森林算法对异常数据清洗并插补,接着将样本数据归一化;
S2、根据历史风电场数据,计算风电场输出功率与各气象因素数据的皮尔逊相关系数,确定BP神经网络的输入特征;
S3、构建BP神经网络模型,初始化参数,确定输入层、隐含层、输出层节点个数;
S4、利用非线性减法平均优化器算法NSABO结合黄金正弦Gold-SA算法优化BP神经网络的初始权值和阈值,接着将最优初始权值和阈值赋予BP神经网络进行训练,得到风电功率预测模型;具体实施方法如下:
S4.1、初始化NSABO-Gold算法的模型参数,设定种群规模N、最大迭代次数T、维度M和神经网络权值阈值的上限ub,下限lb,并采用佳点集生成NSABO算法的初始种群Xinitial;
S4.2、将佳点集生成的初始种群Xinitial作为BP神经网络的初始权值和阈值,对BP神经网络进行训练,将预测误差的均方误差mse作为适应度函数,并记录种群中的最优适应度值fbest,最优搜索代理xbest;
S4.3、采用NSABO算法对佳点集生成的初始种群Xinitial进行位置更新;
S4.4、若新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,且|A|≤0.5时,则下一次迭代采用改进的NSABO算法进行位置更新,否则采用Gold-SA算法进行位置更新,帮助NSABO算法更快的跳出局部最优解;
S4.5、搜索代理及其适应度值经过多次迭代不断进行更新,当达到最大迭代次数时,迭代停止,并记录最优搜索代理opxbest,将其作为BP神经网络初始权值阈值进行训练,得到风电功率预测模型;
S5、将预测日的气象数据代入到风电功率预测模型,并对模型的预测性能进行评价。
优选地,所述步骤S4.1中,佳点集生成NSABO算法的初始种群Xinitial具体步骤如下:
启发式算法一般采用随机方法生成初始种群,然而随机生成的初始种群在搜索空间上分布不均匀,降低了种群多样性;佳点集能够生成均匀分布的点,使得生成的初始种群中的搜索代理均匀的分布在搜索空间中,佳点集公式如下:
r(j)=2cos(2πj/2M+3)j=1,2...,N
其中,N是种群规模,M是种群维度,lb,ub分别为BP神经网络权值阈值下限,上限。
优选地,所述步骤S4.3中,NSABO算法对佳点集生成的初始种群Xinitial进行位置更新,具体步骤如下:
由于SABO算法没有利用全局最优解来更新位置,降低了寻找全局最优解的机会,因此在NSABO中,结合粒子群算法的思想,增加了(xbest-Xi)这一向量,增加了与全局最优解的信息交互,结合全局最优解来更新位置;
Xi-vXj=sign(F(Xi)-F(Xj))(Xi-v·Xj)j=1,2,...,N
其中,Xi,Xj分别为第i,第j个搜索代理,F(Xi),F(Xj)分别为搜索代理Xi和Xj的适应度函数值,N是种群规模,sign为符号函数,v为一个M维的向量,各分量是从集合{1,2}生成的随机数,r1和r2是(0,1)区间内生成的M维随机数;
同时根据非线性收敛因子S来平衡全局开发和局部搜索能力,在迭代初期S较大且衰减速度较慢,能够更好的寻找全局最优解,在迭代中后期,S较小衰减速度较快,加快了收敛速度,缩短了运行时间,更快的逼近局部最优解;
其中,sstart,send分别为非线性收敛因子S的起始值和终值,t为当前迭代次数,T为最大迭代次数;
接着,采用一种非线性自适应惯性权重w,在迭代初期惯性权重缓慢减小使它有很好的全局搜索能力,更快达到一定的收敛精度;在迭代后期,其解容易陷入局部最优,此时较小惯性权重能够有较好的局部搜索能力使之达到最优解;
w=wstart-(wstart-wend)·(t2/T2)
其中,wstart,wend分别为非线性自适应惯性权重w的起始值和终值,t为当前迭代次数,T为最大迭代次数。
优选地,所述步骤S4.4中,结合黄金正弦算法进行搜索代理位置更新具体步骤如下:
结合鲸鱼算法的思想,引入一个随机数A,当|A|≤0.5并且新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,则下一次迭代采用NSABO算法进行位置更新,否则采用Gold-SA进行位置更新,帮助NSABO算法更快的跳出局部最优解,减少运算时间,黄金正弦算法位置更新公式如下:
其中r1,r2分别为(0,2π),(0,π)范围内的随机数,x1,x2为黄金分割系数,xbest为当前迭代周期的最优搜索代理;
结合NSABO算法和黄金正弦算法进行搜索代理位置更新公式如下:
其中,A是(0,1)区间范围内生成的随机数。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用佳点集生成初始种群,在搜索空间上分布更加均匀,提高了收敛速度。
2、本发明考虑SABO算法在迭代时没有利用全局最优值xbest,因此在SABO算法位置更新公式中加入(xbest-Xi),增加了与全局最优解的信息交互,同时采用非线性惯性权重w和非线性收敛因子S,平衡了全局和局部探索能力,克服了BP神经网络在训练工程中收敛时间较长容易陷入局部最优解的特点,提高了预测精度。
3、本发明结合了黄金正弦算法,帮助NSABO更快的跳出局部最优,减小了达到接近最优解所需的时间,提高了收敛速度。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例中经过数据预处理的风速-功率散点图;
图3为本发明实施例中佳点集生成的初始种群示意图;
图4为本发明实施例中随机数生成的初始种群示意图;
图5为本发明实施例中非线性惯性权重的迭代变化图;
图6为本发明实施例中非线性收敛因子的迭代变化图;
图7为本发明实施例中不同算法迭代变化曲线对比图;
图8为本发明实施例中不同算法预测功率与实际功率对比图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述,以使本领域的技术人员能够更好的理解本发明的优点和特征,从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,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的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。
参照图1,一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,具体步骤如下:
S1、采集风电场数据并利用孤立森林算法对异常数据清洗并插补,接着将样本数据归一化;
S2、根据历史风电场数据,计算风电场输出功率与各气象因素数据的皮尔逊相关系数,确定BP神经网络的输入特征;
S3、构建BP神经网络模型,初始化参数,确定输入层、隐含层、输出层节点个数;
S4、利用非线性减法平均优化器算法NSABO结合黄金正弦Gold-SA算法优化BP神经网络的初始权值和阈值,接着将最优初始权值和阈值赋予BP神经网络进行训练,得到风电功率预测模型;具体实施方法如下:
S4.1、初始化NSABO-Gold算法的模型参数,设定种群规模N、最大迭代次数T、维度M和神经网络权值阈值的上限ub,下限lb,并采用佳点集生成NSABO算法的初始种群Xinitial;
S4.2、将佳点集生成的初始种群Xinitial作为BP神经网络的初始权值和阈值,对BP神经网络进行训练,将预测误差的均方误差mse作为适应度函数,并记录种群中的最优适应度值fbest,最优搜索代理xbest;
S4.3、采用NSABO算法对佳点集生成的初始种群Xinitial进行位置更新;
S4.4、若新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,且|A|≤0.5时,则下一次迭代采用改进的NSABO算法进行位置更新,否则采用Gold-SA算法进行位置更新,帮助NSABO算法更快的跳出局部最优解;
S4.5、搜索代理及其适应度值经过多次迭代不断进行更新,当达到最大迭代次数时,迭代停止,并记录最优搜索代理opxbest,将其作为BP神经网络初始权值阈值进行训练,得到风电功率预测模型;
S5、将预测日的气象数据代入到风电功率预测模型,并对模型的预测性能进行评价。
具体的,所述步骤S4.1中,佳点集生成NSABO算法的初始种群Xinitial具体步骤如下:
启发式算法一般采用随机方法生成初始种群,然而随机生成的初始种群在搜索空间上分布不均匀,降低了种群多样性;佳点集能够生成均匀分布的点,使得生成的初始种群中的搜索代理均匀的分布在搜索空间中,佳点集公式如下:
r(j)=2cos(2πj/2M+3)j=1,2...,N
其中,N是种群规模,M是种群维度,lb,ub分别为BP神经网络权值阈值下限,上限。
具体的,所述步骤S4.3中,NSABO算法对佳点集生成的初始种群Xinitial进行位置更新,具体步骤如下:
由于SABO算法没有利用全局最优解来更新位置,降低了寻找全局最优解的机会,因此在NSABO中,结合粒子群算法的思想,增加了(xbest-Xi)这一向量,增加了与全局最优解的信息交互,结合全局最优解来更新位置;
Xi-vXj=sign(F(Xi)-F(Xj))(Xi-v·Xj)j=1,2,...,N
其中,Xi,Xj分别为第i,第j个搜索代理,F(Xi),F(Xj)分别为搜索代理Xi和Xj的适应度函数值,N是种群规模,sign为符号函数,v为一个M维的向量,各分量是从集合{1,2}生成的随机数,r1和r2是(0,1)区间内生成的M维随机数;
同时根据非线性收敛因子S来平衡全局开发和局部搜索能力,在迭代初期S较大且衰减速度较慢,能够更好的寻找全局最优解,在迭代中后期,S较小衰减速度较快,加快了收敛速度,缩短了运行时间,更快的逼近局部最优解;
其中,sstart,send分别为非线性收敛因子S的起始值和终值,t为当前迭代次数,T为最大迭代次数;
接着,采用一种非线性自适应惯性权重w,在迭代初期惯性权重缓慢减小使它有很好的全局搜索能力,更快达到一定的收敛精度;在迭代后期,其解容易陷入局部最优,此时较小惯性权重能够有较好的局部搜索能力使之达到最优解;
w=wstart-(wstart-wend)·(t2/T2)
其中,wstart,wend分别为非线性自适应惯性权重w的起始值和终值,t为当前迭代次数,T为最大迭代次数。
具体的,所述步骤S4.4中,结合黄金正弦算法进行搜索代理位置更新具体步骤如下:
结合鲸鱼算法的思想,引入一个随机数A,当|A|≤0.5并且新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,则下一次迭代采用NSABO算法进行位置更新,否则采用Gold-SA进行位置更新,帮助NSABO算法更快的跳出局部最优解,减少运算时间,黄金正弦算法位置更新公式如下:
其中r1,r2分别为(0,2π),(0,π)范围内的随机数,x1,x2为黄金分割系数,xbest为当前迭代周期的最优搜索代理;
结合NSABO算法和黄金正弦算法进行搜索代理位置更新公式如下:
其中,A是(0,1)区间范围内生成的随机数。
实施例:
一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,包括如下步骤:
步骤1、采集风电场一个月的风电数据,采样时间间隔为10min,然后利用孤立森林算法计算风电场数据的异常得分对异常数据清洗并插补,接着将样本数据归一化到(0,1)区间内;
参考图2,经过数据预处理后风电场的风速-功率散点图。
步骤2、根据历史风电场数据,计算风电场输出功率与各气象因素数据的皮尔逊相关系数,确定BP神经网络的输入特征;
参考表一,不同气象因素与风电场输出功率相关性统计表,可以得知风速与风向余弦值和风电场输出功率的相关系数较大,因此采用风速,风向余弦值作为BP神经网络的输入特征。
表一不同气象因素与风电场输出功率相关性统计表
气象因素 | 气温 | 气压 | 风速 | 风向余弦值 | 湿度 |
相关系数 | -0.06933 | -0.12975 | 0.92107 | 0.33802 | -0.19836 |
步骤3、构建BP神经网络模型,训练次数设置为1000,学习率为0.01,训练目标最小误差0.001,输入为风速,风向余弦值,节点数为2,输出为风电功率,节点为1,根据隐含层节点数经验公式,求得隐含层节点数为5,以10月1日到10.25的风电数据作为训练集,10月26日的144个样本点作为测试集;
步骤4.1、初始化NSABO-Gold算法的模型参数,设定种群规模N为30、最大迭代次数T为100、维度M为21,神经网络权值阈值的上限ub为2,下限lb为-2,并采用佳点集生成NSABO算法的初始种群Xinitial;
参考图3、图4,分别为佳点集和随机数生成的初始种群,可以看出佳点集生成的初始种群在搜索空间上分布更加均匀。
步骤4.2、将佳点集生成的初始种群Xinitial作为BP神经网络的初始权值和阈值,对BP神经网络进行训练,将预测误差的均方误差(mse)作为适应度函数,并记录种群中的最优适应度值fbest,最优搜索代理xbest;
步骤4.3、采用NSABO算法对佳点集生成的初始种群Xinitial进行位置更新;
经过多次试验,非线性自适应惯性权重w的最优起始值和终值为0.4和1.1,非线性收敛因子S的最优起始值和终值为1和0.2;
参考图5、图6,非线性自适应惯性权重w迭代初期惯性权重缓慢减小,迭代后期,惯性权重较小;非线性收敛因子S迭代初期较大且衰减速度较慢,能够更好的寻找全局最优解,在迭代中后期,S较小衰减速度较快,加快了收敛速度,缩短了运行时间,更快的逼近局部最优解。
步骤4.4、若新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,且|A|≤0.5时,则下一次迭代采用改进的NSABO算法进行位置更新,否则采用Gold-SA算法进行位置更新,帮助NSABO算法更快的跳出局部最优解;
步骤4.5、搜索代理及其适应度值经过多次迭代不断进行更新。当达到最大迭代次数100时,迭代停止,并记录最优搜索代理opxbest,将其作为BP神经网络初始权值阈值进行训练,得到风电功率预测模型。
步骤5、10月26的气象数据代入到风电功率预测模型,并对模型的预测性能进行评价。
参考图7,可以看出NSABO-Gold-BP相比SABO-BP,收敛速度更快,寻优效果更好。
参考图8、通过BP神经网络、SABO-BP和NSABO-Gold-BP三种预测模型的预测功率与实际功率进行对比,可以看出NSABO-Gold-BP的预测功率与实际功率最为拟合。
参考表二,以MSE(均方误差)、MAE(绝对平均误差)和MAPE(平均绝对百分百误差)作为预测误差评价指标,可以看出NSABO-Gold-BP均是最小,预测精度最高。
表二不同预测误差评价指标对比表
预测模型 | MSE/kw | MAE/kw | MAPE/% |
BP | 6656.9 | 71.7 | 22.6 |
SABO-BP | 4724.9 | 60.1 | 21.2 |
NSABO-Gold-BP | 3761.3 | 52.1 | 18.7 |
综上所述,本发明可以使得风电功率预测更加准确,并且平衡了全局和局部探索能力,大大缩减了收敛时间,在风电并网调度中具有应用推广价值。
本发明中披露的说明和实践,对于本技术领域的普通技术人员来说,都是易于思考和理解的,且在不脱离本发明原理的前提下,还可以做出若干改进和润饰。因此,在不偏离本发明精神的基础上所做的修改或改进,也应视为本发明的保护范围。
Claims (4)
1.一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,其特征在于,具体步骤如下:
S1、采集风电场数据并利用孤立森林算法对异常数据清洗并插补,接着将样本数据归一化;
S2、根据历史风电场数据,计算风电场输出功率与各气象因素数据的皮尔逊相关系数,确定BP神经网络的输入特征;
S3、构建BP神经网络模型,初始化参数,确定输入层、隐含层、输出层节点个数;
S4、利用非线性减法平均优化器算法NSABO结合黄金正弦Gold-SA算法优化BP神经网络的初始权值和阈值,接着将最优初始权值和阈值赋予BP神经网络进行训练,得到风电功率预测模型;具体实施方法如下:
S4.1、初始化NSABO-Gold算法的模型参数,设定种群规模N、最大迭代次数T、维度M和神经网络权值阈值的上限ub,下限lb,并采用佳点集生成NSABO算法的初始种群Xinitial;
S4.2、将佳点集生成的初始种群Xinitial作为BP神经网络的初始权值和阈值,对BP神经网络进行训练,将预测误差的均方误差mse作为适应度函数,并记录种群中的最优适应度值fbest,最优搜索代理xbest;
S4.3、采用NSABO算法对佳点集生成的初始种群Xinitial进行位置更新;
S4.4、若新的搜索代理对应的适应度值小于上一迭代周期种群中的最优适应度值fbest,且|A|≤0.5时,则下一次迭代采用改进的NSABO算法进行位置更新,否则采用Gold-SA算法进行位置更新,帮助NSABO算法更快的跳出局部最优解;
S4.5、搜索代理及其适应度值经过多次迭代不断进行更新,当达到最大迭代次数时,迭代停止,并记录最优搜索代理opxbest,将其作为BP神经网络初始权值阈值进行训练,得到风电功率预测模型;
S5、将预测日的气象数据代入到风电功率预测模型,并对模型的预测性能进行评价。
2.根据权利要求1所述的一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,其特征在于,所述步骤S4.1中,佳点集生成NSABO算法的初始种群Xinitial具体步骤如下:
启发式算法一般采用随机方法生成初始种群,然而随机生成的初始种群在搜索空间上分布不均匀,降低了种群多样性;佳点集能够生成均匀分布的点,使得生成的初始种群中的搜索代理均匀的分布在搜索空间中,佳点集公式如下:
r(j)=2cos(2πj/2M+3)j=1,2...,N
其中,N是种群规模,M是种群维度,lb,ub分别为BP神经网络权值阈值下限,上限。
3.根据权利要求1所述的一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,其特征在于,所述步骤S4.3中,NSABO算法对佳点集生成的初始种群Xinitial进行位置更新,具体步骤如下:
由于SABO算法没有利用全局最优解来更新位置,降低了寻找全局最优解的机会,因此在NSABO中,结合粒子群算法的思想,增加了(xbest-Xi)这一向量,增加了与全局最优解的信息交互,结合全局最优解来更新位置;
Xi-vXj=sign(F(Xi)-F(Xj))(Xi-v·Xj)j=1,2,...,N
其中,Xi,Xj分别为第i,第j个搜索代理,F(Xi),F(Xj)分别为搜索代理Xi和Xj的适应度函数值,N是种群规模,sign为符号函数,v为一个M维的向量,各分量是从集合{1,2}生成的随机数,r1和r2是(0,1)区间内生成的M维随机数;
同时根据非线性收敛因子S来平衡全局开发和局部搜索能力,在迭代初期S较大且衰减速度较慢,能够更好的寻找全局最优解,在迭代中后期,S较小衰减速度较快,加快了收敛速度,缩短了运行时间,更快的逼近局部最优解;
其中,sstart,send分别为非线性收敛因子S的起始值和终值,t为当前迭代次数,T为最大迭代次数;
接着,采用一种非线性自适应惯性权重w,在迭代初期惯性权重缓慢减小使它有很好的全局搜索能力,更快达到一定的收敛精度;在迭代后期,其解容易陷入局部最优,此时较小惯性权重能够有较好的局部搜索能力使之达到最优解;
w=wstart-(wstart-wend)·(t2/T2)
其中,wstart,wend分别为非线性自适应惯性权重w的起始值和终值,t为当前迭代次数,T为最大迭代次数。
4.根据权利要求1所述的一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法,其特征在于,所述步骤S4.4中,结合黄金正弦算法进行搜索代理位置更新具体步骤如下:
其中r1,r2分别为(0,2π),(0,π)范围内的随机数,x1,x2为黄金分割系数,xbest为当前迭代周期的最优搜索代理;
结合NSABO算法和黄金正弦算法进行搜索代理位置更新公式如下:
其中,A是(0,1)区间范围内生成的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311565303.3A CN117454939A (zh) | 2023-11-22 | 2023-11-22 | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311565303.3A CN117454939A (zh) | 2023-11-22 | 2023-11-22 | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454939A true CN117454939A (zh) | 2024-01-26 |
Family
ID=89587489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311565303.3A Pending CN117454939A (zh) | 2023-11-22 | 2023-11-22 | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708707A (zh) * | 2024-02-06 | 2024-03-15 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
-
2023
- 2023-11-22 CN CN202311565303.3A patent/CN117454939A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708707A (zh) * | 2024-02-06 | 2024-03-15 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
CN117708707B (zh) * | 2024-02-06 | 2024-05-17 | 国网安徽省电力有限公司营销服务中心 | 大数据下台区线损率异常智能预警方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm | |
Al-qaness et al. | Boosted ANFIS model using augmented marine predator algorithm with mutation operators for wind power forecasting | |
Rizk-Allah et al. | Chaos-opposition-enhanced slime mould algorithm for minimizing the cost of energy for the wind turbines on high-altitude sites | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN117454939A (zh) | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 | |
CN106779177A (zh) | 基于粒子群优化的多分辨率小波神经网络用电量预测方法 | |
CN111146821A (zh) | 一种计及光伏不确定性的dstatcom优化配置方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
Fang et al. | Wind turbine rotor speed design optimization considering rain erosion based on deep reinforcement learning | |
CN113435595B (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
Gao et al. | A hybrid improved whale optimization algorithm with support vector machine for short-term photovoltaic power prediction | |
Wang et al. | Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms | |
CN117217374A (zh) | 基于dbo-elm的短期风电功率预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN114648147A (zh) | 一种基于ipso-lstm的风电功率预测方法 | |
Liu et al. | Forecasting of wind velocity: An improved SVM algorithm combined with simulated annealing | |
Chen et al. | Modified antipredatory particle swarm optimization for dynamic economic dispatch with wind power |
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 |