基于多种群遗传算法神经网络风电功率预测.docVIP

基于多种群遗传算法神经网络风电功率预测 　　摘要：新型能源风电的快速发展，在缓解能源问题的同时，给电网的稳定运行带来了巨大的挑战。提高风电功率预测的精度对于及时调整调度计划，提高电能质量，获取较好的经济效益与社会效益具有重大意义。本文提出了BP神经网络的预测方法，并针对其不足，分别使用单种群遗传算法和多种群遗传算法进行优化。通过算例分析，得出多种群遗传算法优化的神经网络算法比前两种方法具有更高的精确度。 　　关键词：风电功率 多种群遗传算法 单种群遗传算法 神经网络 优化 　　引言 　　近年来，风能作为一种新型的可再生能源，被应用到电力系统中，在解决能源问题的同时，又对电网的稳定安全运行带来了巨大的挑战。本文基于BP神经网络，提出了用单种群遗传算法和多种群遗传算法优化的组合预测方法。对历史数据建立模型，对未来短期风电功率分别用上述三种方法进行预测，并对结果进行比较。 　　1、BP神经网络 　　（1）BP算法的基本思想。BP神经网络是一种多层前馈神将网络，利用信号前向传递，误差反向传播的思想来进行网络学习。在前向传播中，将输入信号，从输入层经隐含层层层处理，直至输出层。利用输出层输出结果与预期输出之间的差异，反向传播，调整网络权值和阈值，从而使网络预测输出不断逼近期望输出。 　　（2）输入层与输出层神经元个数的确定。输入层神经元的个数与输入变量的维数相等，输出层神经元的个数与预期输出的维数相等。 　　（3）隐含层神经元个数的确定。BP神经网络的隐含层节点数对于BP神经网络的预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受到影响；节点数太多，训练时间增加，网络容易过拟和，泛化性能差。 　　（4）节点传递函数的确定。常用的转移函数有线性传递函数、指数S型、对数S型等，在网络的结构和权值、阈值相同的情况下，转移函数对BP神经网络预测误差具有较大的影响。一般隐含层节点转移函数选用对数或指数S型函数，输出层节点转移函数选用正切或线性传递函数。 　　（5）输入数据的预处理。为了提高神经网络训练速度和提高收敛性，一般情况下要对输入数据进行归一化处理，本文采用最大最小法。 　　2、单种群遗传算法 　　（1）遗传算法概述。遗传算法（GA）是一种进化算法，基本思想是“物竞天择，适者生存”的演化法则。把待解决的实际问题抽象，将其中参数编码为染色体，利用迭代的方式进行选择，交叉以及变异等运算从而交换种群中染色体的信息，最终生成符合优化目标的染色体。 　　（2）编码。将原始问题的解空间的数据映射到遗传空间的基因型串结构，其数据的不同组合构成了原始问题的不痛的解。本文采用二进制编码法。 　　（3）适应度函数。适应度函数表征染色体的适应度，其值越大表明该染色体越适应环境，越有可能为下一代提供其遗传信息。本文采用期望输出与实际输出的均方差作为适应度函数值。 　　（4）选择、交叉、变异算子。选择算子的主要目的是从种群中选出优良的个体，使其有机会作为父代为下一代提供遗传信息。选择的机制为适应度大的个体被选中的概率大。交叉算子实现了父代间的信息交换，是遗传算法的主要操作。变异算子体现了实际问题中的参数变化，从而使算法跳出局部最优，达到或接近全局最优。 　　3、多种群遗传算法 　　（1）单种群遗传算法的不足。单种群遗传算法在优化时不依赖于梯度，具有很强的鲁棒性和全局搜索能力，被广泛应用到机器学习，模式识别，数学规划等领域。但会出现早熟问题。 　　（2）多种群遗传算法概述。为了克服遗传算法的未成熟问题，学者们提出了自适应的交叉和变异，并得出了一些益的结论。但由于影响遗传算法未成熟问题的因素很多，一般方法仍有一定的局限性，为此本文采用多种群遗传算法代替遗传算法，并引入移民算子和人工选择算子，进行多种群的并行搜索。 　　（3）移民算子与人工选择算子。各个种群之间通过移民算子进行联系，实现多种群的协同进化；最优解的获取是多种群协同精华的结果。通过人工选择算子保存各个种群每个进化代中的最优个体，并作为判断算法收敛的依据。 　　4、单种群与多种群遗传算法优化BP神经网络 　　在神经网络的结构相同的情况下，每次运行神经网络进行预测和有可能会得出不同的结果，即网络初始权值与阈值对网络预测结果有很大的影响。本文使用遗传算法优化BP神经网络初始权值与阈值，从而确定最佳的初始权值与阈值，提高预测的准确度。算法流程如图所示。 　　5、算例分析 　　根据《国家能源局关于印发风电场电功率预测预报管理暂行办法》，风电场功率预测预报考核指标，利用2011年电工杯数学建模竞赛A题的数据进行验证。分别利用BP神经网络、单种群遗传算法优化的神经网络、多种群遗传算法优化的神经网络进行编程，预测结果如表1所示 　　预测结果