基于遺傳算法優化BP神經網絡模型的風電功率預測

張啟龍，王立威

(六盤水師范學院物理與電氣工程學院，貴州六盤水，553000)

0 引言

大型的風力發電廠的發展進度日益增快，風能是非常重要的一種清潔能源[1]。但是風能這種非常不連貫持續的能源能夠讓風電機反復出現不穩定的表現，會嚴重影響到風電系統的穩定性[2]。所以，倘若有一個穩定的輸出功率預估模型具有巨大的意義[3]。

由此可見，此篇文章運用了統計預測方法，把歷史實際輸出功率以及風力的速度當成BP神經網絡輸入的參數，同時運用遺傳算法進一步優化算出神經網絡的參數值（權值和閾值），構造GA-BP神經網絡風電輸出功率預測模型。通過實際案例測試分析，用結論確定該模型可有效提高預測精度。

1 遺傳算法

遺傳算法（GA）由來于達爾文的生命進化論（繁殖、交配和突變）[4,5]。在GA中，通過種群的繁殖、進化而得到最優解。

在GA中，有三類遺傳算子：選擇，交叉和變異。

（1）選擇。在一部分有規律的數據中挑選某些數據當作下一組數據就是選擇算子。常用的選擇算子包括：輪盤賭法、錦標賽法等，本文采用輪盤賭法[6]，即：

式中：iF表示個體i的適應度值；pi表示 i的選擇概率；k為系數；N為種群個體數目。

（2）交叉。交叉算子模擬遺傳重組過程，以便將當前的最佳基因轉移到下一個群體中并獲得新的個體。交叉算子的具體步驟如下：

Step1：隨機選擇對象；

Step2：據所選對象長度，隨機選擇交叉位置。

Step3：定義交叉概率 Pc（0＜Pc≤1），運行交叉算子，改變基因。第k個染色體 ak以及染色體一號 akl在 j位的相互交錯如下：

式中：b是在區間0-1范圍內的隨機數。

（3）變異。此算子模擬是生物學當中的基因突變現象，根據突變概率（變異概率）Pm就可獲得新個體。開展變異的個體是第i 個個體的第j個基因aij，變異執行步驟如下：

式中：基因aij的最大值是amax；基因aij的最小值是amin；；隨機數是r2；g為當前迭代次數；為最大進化次數 ；r 為間的隨機數[7,8]。

2 GA-BP神經網絡預測模型[9-11]

在模式識別、信號處理等領域，BP神經網絡的影響力相當大，然而設計網絡的攻堅路上仍有一個難題，即結構的確定。此篇文章采取遺傳算法能夠達到特定的數值的條件下，尋找全局最優解，進而用來優化神經網絡的連接權值和閾值，然后在采取提升之后的BP神經網絡影響風電功率的值開展預測，GA-BP神經網絡算法流程如圖1所示。

圖1 GA-BP神經網絡算法流程圖

3 實例仿真分析

為驗證上文所提的GA-BP網絡模型對短期風電功率的建模能力的影響，對荷蘭某風電場2011 年全年的風電功率的測量值進行究分析，忽略環境因素對3月1日到3月15日期間每日24h內的實際風電功率進行預測。簡而言之即利用2928組參數作為訓練的樣本，利用360組參數作為測試的樣本，設置1h作為采樣的時間節點，基于以上設置的相關數據，對此模型進行擬合以及檢驗。

3.1 數據處理與建模仿真

對模型進行分析，并將訓練樣本的參數寫入計算后得到超1步預測值是未來1h的數據。將此值視為真實值并與歷史值進行結合，隨后輸入模型可以得到接下來2h的數據。通過循環進行此訓練到360步，就能夠得到24h的預測值。

數據經過歸一化處理，再經過參數數次的調試之后，得到的模型的模擬實驗數據設定如下表1所定。

表1 模擬實驗初始數據設定

3.2 結果分析

本文通過傳統的BP 神經網絡模型與上述GA-BP模型的對比，驗證了所提模型的有效性，其中設置最大允許誤差ε= 1 0-7。通過對3月1日到3月15日的風電功率進行預測，得到其功率預測曲線如圖2所示。預測誤差對比曲線如圖3所示。

圖2 功率預測曲線

圖3 預測誤差對比曲線

結合神經網絡算法的傳統方法，本文利用eMAPE預測誤差函數對其進行定量評價，具體函數如下式（5）所示。為保證預測結果的準確性，同時對均方根誤差Z、準確率r、合格率W這幾種評價指標進進行了具本分析，過程如下：

表2 實驗部分預測算結果

式中：k代表時間點，共計360個時間點，T1k為第 k 個時間點的預測值，TOk為第k個時間點的實測值，TOP為360個實測值的平均值。各預測方法的評價指標表3所展示。

表3 各預測方法的評價指標

由各圖表的預估算結果能夠知道，利用遺傳算法優化的BP神經網絡與歷史數據更為接近，預測更為準確；比較表3中兩種算法平均百分比誤差、均方根誤差、準確率、合格率的數據，可見利用遺傳算法優化的BP神經網絡模型的平均百分比誤差僅有4.4516，比BP神經網絡算法降低了5.6326，均方根誤差也只有1.3529，也比BP神經網絡算法降低了1.9769；準確率達到92.287%，提高了10.935個百分點；合格率達到96.44%，提高了8.919個百分點，充分表明遺傳優化算法的BP神經網絡模型優于傳統的BP神經網絡算法。

4 結論

風能發電的實際運行過程容易受到自然因素的影響，如風速、氣壓、溫度等。由于系統存在著高復雜性和無規律性，導致無法得到精確的數學模型。通過剖析BP神經網絡在面對復雜系統時預測誤差較大這一局限性的基礎上，從多算法融合的思想出發，提出一種GA-BP神經網絡的預測算法，對網絡初始參數進行優化，而且把此算法寫進短期風電功率的預估算里面，能夠有一個較完美的效果，得到了以下三個結論：

（1）針對單一的神經網絡模型在風電功率預測上誤差較大的不足，提出采用遺傳算法和BP神經網絡相結合，有效提高了預測精度。

（2）提出將遺傳算法用于BP神經網絡的訓練里面，通過迭代優化BP神經網絡的波動參數，優化了此模型的尋找最佳值的能力。

（3）通過驗算出的結果可得，對比單一的BP神經網絡算法，預測準確率提高了 10.935個百分點，合格率提高了8.919個百分點，平均百分比誤差降低了5.6326%，均方根誤差降低了1.9769。

因此，本文提出的組合模型具有更高的預測精度。