基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的分時(shí)段風(fēng)速預(yù)測方法

劉子俊，孫　健

（1.南京理工大學(xué)自動化學(xué)院，江蘇南京210094；2.江蘇省電力公司電力科學(xué)研究院，江蘇南京211103）

基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的分時(shí)段風(fēng)速預(yù)測方法

劉子俊1，孫健2

（1.南京理工大學(xué)自動化學(xué)院，江蘇南京210094；2.江蘇省電力公司電力科學(xué)研究院，江蘇南京211103）

為提高風(fēng)速預(yù)測的準(zhǔn)確性，提出一種分時(shí)段GA-BP（遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)）的風(fēng)速預(yù)測方法，以遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，并將原始數(shù)據(jù)進(jìn)行分時(shí)段處理，改善訓(xùn)練樣本的相似程度。基于matlab進(jìn)行了仿真驗(yàn)證，結(jié)果表明：遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)使其預(yù)測結(jié)果的平均相對誤差降低，準(zhǔn)確性提升；原始數(shù)據(jù)分時(shí)段處理后，預(yù)測準(zhǔn)確性進(jìn)一步提升。關(guān)鍵詞：分時(shí)段；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；風(fēng)速預(yù)測

風(fēng)具有很強(qiáng)的隨機(jī)性和不可控性，風(fēng)機(jī)出力與風(fēng)速有很強(qiáng)的相關(guān)性，因此風(fēng)機(jī)出力波動性很大［1-3］。大規(guī)模風(fēng)電并網(wǎng)，對電網(wǎng)的沖擊是很明顯的，會給電網(wǎng)的安全、穩(wěn)定帶來問題［4，5］。為便于電網(wǎng)的電力調(diào)度和調(diào)控，減小電力系統(tǒng)的運(yùn)行費(fèi)用，需要對風(fēng)速進(jìn)行預(yù)測。目前，很多學(xué)者都對風(fēng)速預(yù)測進(jìn)行了研究。因風(fēng)速序列本身具有時(shí)序性和自相關(guān)性，丁明等基于時(shí)間序列建立了風(fēng)速模型，并驗(yàn)證了其預(yù)測的可行性［6］；為解決時(shí)序預(yù)測的延時(shí)問題，潘迪夫等提出了基于時(shí)間序列和卡爾曼濾波相結(jié)合的混合算法，提高了預(yù)測精度［7］；王曉蘭等基于支持向量機(jī)（SVM）的方法建立短期風(fēng)速預(yù)測模型，采用歷史風(fēng)速和溫度的二輸入模型，預(yù)測效果最佳［8］。文中基于遺傳算法（GA）改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，提出一種分時(shí)段風(fēng)速預(yù)測方法。

1　GA-BP神經(jīng)網(wǎng)絡(luò)模型

1.1BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有自適應(yīng)、自組織、自學(xué)習(xí)的特點(diǎn)，通過有監(jiān)督或者無監(jiān)督的學(xué)習(xí)，實(shí)現(xiàn)與大腦相似的學(xué)習(xí)、識別、記憶等信息處理的能力。BP神經(jīng)網(wǎng)絡(luò)是最常用的一種神經(jīng)網(wǎng)絡(luò)。典型的三層BP神經(jīng)網(wǎng)絡(luò)如圖1所示。

圖1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其中隱含層可以是一層或者多層。信號經(jīng)輸入層進(jìn)入神經(jīng)網(wǎng)絡(luò)，到達(dá)隱含層進(jìn)行內(nèi)部信號處理，最后由輸出層輸出，整個過程完成一次信號的正向傳播處理。若輸出層的實(shí)際輸出與所期望的輸出不符時(shí)，將進(jìn)行誤差的反向傳播，神經(jīng)網(wǎng)絡(luò)通過反饋的誤差進(jìn)行權(quán)值和閾值的調(diào)整。經(jīng)過周而復(fù)始的正向信號傳播和反向誤差傳播，網(wǎng)絡(luò)的實(shí)際輸出不斷地逼近期望輸出值。

BP神經(jīng)網(wǎng)絡(luò)有很多優(yōu)點(diǎn)，諸如：通用性好、精度較高等，但其所使用的最速梯度求解方法存在一些不可避免的缺點(diǎn)：隨著求解的深入，越靠近極值點(diǎn)，其收斂速度越慢；容易陷入求解局部最小極值，不滿足整體最速下降；隱含層神經(jīng)元個數(shù)需要不斷嘗試來確定，目前沒有有效的方法來確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)［9］。

1.2遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)原理

遺傳算法基于自然選擇和基因遺傳學(xué)規(guī)律，能夠?qū)崿F(xiàn)全局尋優(yōu)。通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，使新算法GA-BP具有遺傳算法的全局搜索能力，又具有BP神經(jīng)網(wǎng)絡(luò)的魯棒性［10，11］。

標(biāo)準(zhǔn)遺傳算法的步驟如下：

（1）變量個體編碼；

（2）構(gòu)造適應(yīng)度函數(shù)；

（3）對種群進(jìn)行初始化；

（4）對種群進(jìn)行遺傳操作（選擇、交叉和變異），產(chǎn)生下一代種群；

（5）計(jì)算適應(yīng)度函數(shù)值；

（6）判斷是否滿足預(yù)期要求，若滿足則輸出結(jié)果，不滿足轉(zhuǎn)向（4）。

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)主要有2種形式：權(quán)值優(yōu)化和結(jié)構(gòu)優(yōu)化。文中使用的是權(quán)值優(yōu)化，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，基本流程如圖2所示。對神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值采用實(shí)數(shù)編碼，確定一個合適的適應(yīng)度函數(shù)，遺傳算法經(jīng)過全局搜索使適應(yīng)度函數(shù)值最小，得到一個最優(yōu)的權(quán)值和閾值，將其代入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)合歷史數(shù)據(jù)，對短期風(fēng)速進(jìn)行預(yù)測，并驗(yàn)證其準(zhǔn)確性。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的權(quán)值和閾值的具體過程如下。

（1）編碼，形成初始種群。用遺傳算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)可以采用二進(jìn)制編碼或?qū)崝?shù)編碼，文中的神經(jīng)網(wǎng)絡(luò)規(guī)模較大，采用實(shí)數(shù)編碼：將一個實(shí)數(shù)直接作為一個染色體的基因位，其優(yōu)點(diǎn)是大大縮短了染色體的長度，簡化了遺傳操作。編碼串由四部分組成：①隱含層與輸入層連接權(quán)值；②輸出層與隱含層連接權(quán)值；③隱含層閾值；④輸出層閾值。

具體方法為：將網(wǎng)絡(luò)的權(quán)值和閾值按照一定的順序組合起來，形成一個數(shù)組，即作為遺傳算法的一個染色體。在連接權(quán)值和閾值的范圍內(nèi)，產(chǎn)生M個此類染色體，形成初始群體。

（2）適應(yīng)度函數(shù)。遺傳算法在進(jìn)化搜索以適應(yīng)度函數(shù)為依據(jù)，利用種群中每個染色體的適應(yīng)度值進(jìn)行搜索。適應(yīng)度較高的個體更有可能遺傳到下一代，適應(yīng)度較低的個體遺傳到下一代的可能性相對較低。文中的適應(yīng)度函數(shù)采用均方誤差。

（3）遺傳操作。根據(jù)個體適應(yīng)度值的大小，由小到大排列，適應(yīng)度值最小的個體對應(yīng)的序號為1，適應(yīng)度值最大的個體對應(yīng)的序號則為M，經(jīng)過交叉編譯操作。選出每一代中最優(yōu)適應(yīng)度值的個體，反復(fù)迭代直至條件滿足。

（4）獲得BP網(wǎng)絡(luò)的初始權(quán)值和閾值。經(jīng)過遺傳算法操作，即可得到BP神經(jīng)網(wǎng)絡(luò)的一組最小誤差的初始權(quán)值和閾值。

圖2　GA-BP算法結(jié)構(gòu)

2　實(shí)例分析

2.1數(shù)據(jù)的預(yù)處理

數(shù)據(jù)采用南京某高校測風(fēng)塔采集的31 d的風(fēng)速數(shù)據(jù)。采樣間隔為1 h，共744組數(shù)據(jù)，每組數(shù)據(jù)包括風(fēng)速、風(fēng)向、溫度和相對濕度。為了提高神經(jīng)網(wǎng)絡(luò)的泛化能力［12］，提升預(yù)測精度，需要對每組數(shù)據(jù)進(jìn)行歸一化處理。

風(fēng)向正弦與余弦值可確定唯一風(fēng)向，且在（-1，1）之間，故求得風(fēng)向的正弦、余弦值后，無需再歸一化；相對濕度本身就在（0，1）之間，不必進(jìn)行歸一化處理；風(fēng)速、溫度的歸一化按式（1）進(jìn)行處理。經(jīng)處理的每組數(shù)據(jù)包括5個參數(shù)：風(fēng)速、風(fēng)向的正弦值、風(fēng)向的余弦值、溫度、相對濕度。

式中：a為歸一化后的數(shù)據(jù)；xi為歸一化前的數(shù)據(jù)；xmin為該組數(shù)據(jù)的最小值；xmax為該組數(shù)據(jù)的最大值。

2.2未分時(shí)段時(shí)風(fēng)速預(yù)測

未分時(shí)段風(fēng)速預(yù)測將前30 d的數(shù)據(jù)作為訓(xùn)練樣本，第31 d的數(shù)據(jù)作為測試樣本。訓(xùn)練樣本處理時(shí)，將前一組數(shù)據(jù)的5個參數(shù)作為輸入，后一組數(shù)據(jù)的風(fēng)速作為輸出，故前30 d的數(shù)據(jù)共構(gòu)成719個訓(xùn)練樣本。

圖3為未分時(shí)段時(shí)BP與GA-BP的預(yù)測值。未分時(shí)段時(shí)BP與GA-BP的預(yù)測相對誤差絕對值比較，以此來判定其與實(shí)際風(fēng)速的偏離程度，如圖4所示。相對誤差的計(jì)算公式如式（2）所示。

式中：Δ為相對誤差；x'i為預(yù)測風(fēng)速；xi為實(shí)際風(fēng)速；i為對應(yīng)時(shí)刻。

圖3　未分時(shí)段BP與GA-BP預(yù)測值

圖4　未分時(shí)段BP與GA-BP的預(yù)測精度對比

由圖3、圖4可知，在未分時(shí)段時(shí)，除個別點(diǎn)外，BP與GA-BP的風(fēng)速預(yù)測結(jié)果都比較理想；且大多數(shù)點(diǎn)GA-BP的預(yù)測誤差比BP預(yù)測誤差有了些許下降，表明遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果有了提升。

2.3分時(shí)段時(shí)風(fēng)速預(yù)測

與未分時(shí)段的風(fēng)速預(yù)測相比，分時(shí)段風(fēng)速預(yù)測將樣本進(jìn)行了調(diào)整。該月內(nèi)前30 d的相同時(shí)刻作為一個訓(xùn)練樣本，第31 d的該時(shí)刻作為測試樣本，如：前30 d的0時(shí)刻數(shù)據(jù)作為訓(xùn)練樣本，第31 d的0時(shí)刻作為測試樣本。訓(xùn)練樣本在處理時(shí)，將同一時(shí)刻前1 d數(shù)據(jù)的5個參數(shù)作為輸入，后1 d的風(fēng)速作為輸出。分時(shí)段風(fēng)速預(yù)測需要對24個時(shí)間點(diǎn)單獨(dú)預(yù)測，才能得到一整天的風(fēng)速數(shù)據(jù)。圖5為分時(shí)段時(shí)BP與GA-BP的預(yù)測值，其預(yù)測相對誤差絕對值比較如圖6所示。

圖5　分時(shí)段BP與GA-BP預(yù)測值

圖6　分時(shí)段BP與GA-BP的預(yù)測精度對比

由圖5、圖6可知：和未分時(shí)段相似，GA-BP網(wǎng)絡(luò)的預(yù)測性能與BP網(wǎng)絡(luò)相比，其預(yù)測性能得到了提升；分時(shí)段的BP網(wǎng)絡(luò)和GA-BP網(wǎng)絡(luò)相對于各自的未分時(shí)段網(wǎng)絡(luò)，大多數(shù)點(diǎn)的預(yù)測性能得到了改善。

為更加直觀的比較各預(yù)測方法的性能，引入平均相對誤差Δaverage作為評估指標(biāo)，其定義如式（3）所示。

式中：x'i為預(yù)測風(fēng)速；xi為實(shí)際風(fēng)速；i為對應(yīng)時(shí)刻，N= 24。由式（3）可得，未分時(shí)段BP、未分時(shí)段GA-BP、分時(shí)段BP、分時(shí)段GA-BP的平均相對誤差分別為9.08%，7.57%，7.35%，4.42%；分時(shí)段的BP與GA-BP預(yù)測方法的誤差都比未分時(shí)段小；且分時(shí)段GA-BP預(yù)測方法其平均相對誤差最小，預(yù)測性能最佳。這是因?yàn)樵?1 d內(nèi)，每天同一時(shí)刻的氣候特征的相似度較高，故在風(fēng)速預(yù)測時(shí)，其準(zhǔn)確性更高。

3　結(jié)束語

提出了一種分時(shí)段GA-BP風(fēng)速預(yù)測模型，并基于matlab的神經(jīng)網(wǎng)絡(luò)和遺傳算法工具箱進(jìn)行了建模驗(yàn)證。結(jié)果表明：與其他幾種預(yù)測模型相比，分時(shí)段預(yù)測風(fēng)速預(yù)測模型的平均相對誤差最小，具有最佳的性能。分時(shí)段的GA-BP風(fēng)速預(yù)測模型在風(fēng)電場風(fēng)速的預(yù)測中可靠性更高，可提高風(fēng)電場的出力預(yù)測精度。

［1］谷興凱，范高峰，王曉蓉.風(fēng)電功率預(yù)測技術(shù)綜述［J］.現(xiàn)代電力，2007，31（2）：335-338.

［2］張志福，蘇宜強(qiáng)，曹海猛.負(fù)荷優(yōu)化運(yùn)行模型及其算法研究［J］.江蘇電機(jī)工程，2013，32（1）：40-43.

［3］韓爽.風(fēng)電場功率與短期預(yù)測方法研究［D］.北京：華北電力大學(xué)，2008.

［4］喬嘉賡，徐飛，魯宗相.基于相關(guān)機(jī)會規(guī)劃的風(fēng)電并網(wǎng)容量優(yōu)化分析［J］.電力系統(tǒng)自動化，2008，32（10）：84-88.

［5］楊秀媛，肖洋，陳樹勇.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究［J］.中國電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

［6］丁明，張立軍，吳義純.基于時(shí)間序列分析的風(fēng)電場風(fēng)速預(yù)測模型［J］.電力自動化設(shè)備，2005，25（8）：32-34.

［7］潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場風(fēng)速預(yù)測優(yōu)化模型［J］.電網(wǎng)技術(shù)，2008，32（7）：85-91.

［8］王曉蘭，王明偉.基于小波分解和最小二乘支持向量機(jī)的短期風(fēng)速預(yù)測［J］.電網(wǎng)技術(shù)，2010，34（1）：179-184.

［9］姚李孝，宋玲芳，李慶宇.基于模糊聚類分析與BP網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測［J］.電網(wǎng)技術(shù)，2005，29（1）：20-23.

［10］段侯峰.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷［D］.北京：北京交通大學(xué)，2008.

［11］李華.基于一種改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)［D］.太原：太原理工大學(xué)，2007.

［12］范高鋒，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測［J］.中國電機(jī)工程學(xué)報(bào)，2008，28（34）：118-123.

The Wind Speed Prediction Based on Genetic Algorithm and Neural Network with Different Periods

LIU Zijun1，SUN Jian2
（1.Institute of Automation，Nanjing University of Science and Technology，Nanjing 210094，China；2.Jiangsu Electric Power Company Electric Power Research Institute，Nanjing，211103，China）

In order to improve the accuracy of wind speed prediction，a wind speed prediction method based on GA-BP is proposed.The proposed method divides original data into different periods of time to improve training sample's similarity. Simulation results show the absolute error of GA-BP decreased and its accuracy promoted.Furthermore，the accuracy of the prediction becomes more accurate after original data processing.Therefore，the proposed method improves the performance of wind speed prediction，and it provides more accurate gist for wind power grid scheduling control.

different periods；GA；BP neural network；wind speed prediction

TM743

A

1009-0665（2015）01-0006-03

2014-08-28；

2014-10-13

劉子俊（1990），男，江蘇泰州人，碩士在讀，研究方向?yàn)殡娏ο到y(tǒng)及其自動化；

孫健（1978），男，江蘇南京人，高級工程師，從事智能配電網(wǎng)相關(guān)工作。