基于WOA-BP的短期风电功率预测研究.pdfVIP

实验研究

基于WOA-BP的短期风电功率预测研究

雷帅帅，慕昕辰，辛悦昊，邱译航，董克楠

（辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛，125000）

摘要：针对风电功率预测易受风速随机性、波动性等因素的影响而导致预测精度不高的问题，本文提出了一种基于鲸鱼优化(WOA)算法优

化BP神经网络（WOA-BP）的风电功率预测方法。利用鲸鱼算法对BP神经网络进行训练，对BP网络中的初始权值和阈值进行寻优，避免

传统的BP神经网络算法易陷入局部最优的情况，达到提高预测精度的目的。通过具体的案例对模型进行验证，还与其他预测模型进行比

较，分析结果表明本文所提出的WOA-BP的短期风电功率预测模型的预测精度更高，性能更优。

关键词：鲸鱼算法；短期风电功率预测；预测精度

中图分类号：TM614  文献标识码：A

0引言

随着传统的一次能源的逐渐枯竭，尤其在我国积极实现

“双碳”目标的背景下，风能作为一种优质、经济的新兴

绿色能源在未来电力领域具有广阔的应用前景。近年来，我

国风电高质量、大规模迅猛发展，风电装机容量逐级增长。

然而，风力发电供应稳定性受自然风的波动、随机性等多重

因素影响，严重威胁风电并网和电网稳定运行。精确的风电

功率预测可以优化风电机组的发电效率，降低电力系统运行

成本，并最大程度地减小对传统能源的依赖。因此，亟需寻

图1 BP神经网络模型图

找高效的、高预测精度且计算相对简单的风电输出功率预测

层第i节点到输入层第j个节点之间的连接权值；W为隐含

方法。i

风电功率预测的本质是捕捉风电场功率序列中高度非线层第i个节点到输出层节点之间的连接权值；θ表示隐含层

i

性的自相关性以及功率与风电站影响因素之间的耦合关系。第i个节点的阈值；θ表示输出层节点的阈值；y表示输出

随着机器学习与群智能算法的发展，BP神经网络由于具备层输出值[2]。

强大的捕捉非线性复杂关系的能力和良好的宽泛学习能力，各层神经元的联结方式、初始权重和阈值的选取以及激

近年来被广泛应用于风电功率预测，但传统的BP神经网络活函数的选择都会影响神经网络模型的预测精度，另外隐含

存在易陷入局部最优、预测精度不高且收敛速度慢的问题[1]。层的节点数目也会制约模型的效果。通常隐含层的节点数目

基于上述问题，本文提出鲸鱼优化算法(WOA)对BP神经由以下经验公式得到：

网络初始参数进行优化，建立一种基于WOA-BP的超短期qr=+o+p式(1)

风电功率预测模型，并通过评价指标以及实例验证模型的预式中：r为输入层节点数；o为输出层节点数；p为

测性能。[1,10]区间的任意整数；q为隐含层节点数。

BP神经网络训练过程如下：在输入信息正向传递过程

1 WOA-BP预测模型

中，输入信号依次由输入层输入，经隐含层处理，最终由输

■1.1BP神经网络出层输出。当神经网络的输出值与期望值之间的误差大于预

BP神经网络是一种以输入信号正向传送，误差信号反设的阈值时，则转入误