一種基於遺傳算法優化bp神經網絡的風電功率預測方法

2023-05-16 01:32:36

rfx/jvar2其中，Chrom表示初始種群，op表示子種群，Nind表示每個種群中的個體數；nva巧。中的下標與a的取值一致，表示所產生10個種群中各個種群的長度，即BP神經網絡可調變量個數；(3)計算個體適應度值首先計算目標函數，目標函數計算公式為7「"fA、2、7w式中var(f)表t時刻的預測值，var(t)表t時刻的實際值；目標函數實質為預測值與實際值的均方差，故目標函數越小，適應度越大；再對目標函數進行降序排序，同時給定一組適應度值，根據目標函數值所在的位置分配適應度值；若適應度值範圍為，對於一個有Nind個個體的種群，處在第pos個位置上的個體的適應度為F/CP(W)=2x-pos的取值為1Nind;7VirW-1(4)對各種群採取進化操作生成新種群對每個種群中分別進行選擇、交叉、變異進化操作生成新種群，並採用(3)中所述方法對新種群的個體適應度進行評估；其詳細流程如圖5;本發明方法採用了Sheffield大學編寫的遺傳工具箱，所採用的選擇、交叉、變異函數分別為sus，xovdp，mutbga;(5)優化終止條件判斷判斷BP神經網絡優化終止條件是否滿足，若優化終止條件滿足，則BP神經網絡優化過程結束，輸出最優個體，此個體同時包含了BP神經網絡的結構、權值和閾值信息，轉向(6);否則，返回(4)對每個種群重新進行優化，優化終止條件可取為進化過程達到一定的代數，或連續若干代進化BP神經網絡優化目標函數值沒有得到改善；(6)根據上述選取的最優個體得到隱層神經元數，利用Matlab自帶的神經網絡工15具箱創建BP神經網絡，且選用對數S形傳輸函數logsig為輸入層到隱層傳輸函數，線性傳輸函數purelin為隱層到輸出層傳輸函數，並進一步根據個體中包含的權值和閾值信息初始化所創建的網絡；(7)利用經歸一化後的訓練集作為輸入輸出數據，用神經網絡工具箱中學習率可變的動量BP算法traingdx對BP神經網絡進行訓練，進一步調整權值和閾值；(8)收斂條件判斷判斷BP神經網絡收斂條件是否滿足，若收斂條件滿足，則訓練結束，保存訓練好的網絡轉向(9)步；若不滿足，則返回(7)繼續訓練，收斂條件取為訓練達到設定的目標函數值或者達到設定的最大迭代次數；(9)對上述訓練好的BP神經網絡輸入歸一化後的預測集值，並對輸出進行反歸一化處理即可得預測輸出值，包含風電功率、風速、風向正弦、風向餘弦、溫度、溼度和大氣壓強。為了說明本發明的原理，用一個具體實例來演示整個預測過程。採用某風電場某日下午12:0016:10時每間隔lOmin測得的數據。1、輸入數據(1)各歷史測量數據如表1所示，其中溫度、溼度及大氣壓強的數據分別以第一個值為標準量進行標準化處理。表1tableseeoriginaldocumentpage17(2)其他各項參數遺傳算法和BP神經網絡各項參數設置如表2所示表2tableseeoriginaldocumentpage172、數據預處理(1)數據分類根據輸入向量組數n和單位維數r的值將表1中的數據按照(4)(7)式分為訓練集和預測集，分類如下訓練集4二V《,:97.75955495959B.33939S939291.0589.0989貌0989股098887—95顆95959333939352,89貌Q989888727878793.94959593335393939291.05股0989貌09貌098887278787879495959133939393'9291.05貌09粉沼貌098881278787878612.812.412.212.412.212.212.212.212.312.212.312.31U11.111.，1U11.711.711.311.111.7U.311.1U,O11.311.111.111.011.010.810.810.811.010.810.710.50.110.10.120.10.120.10.120.10.10.J0.10.130.10.10.130,120.U0.10.130.120.110.10.130.120.110.10.10.10.10.120.10.120.120.110.110.120.110.120.1310.810.810.710.50.120.130.110.810.70.510.50.130.10.10.J0.10.130.120.110.10.10.120.110.120.130.10.10.110.120.110.1.Q朔鵬Q朔Q朔鵬鵬,鵬Q朔鵬Q效Q吸鵬,d勉(i吸鵬Q吸Q朔鵬鵬Q菊(i朔Q吸Q朔Q執Q朔Q裕《鵬鵬鵬a朔a鵬鵬111.121.141.141.131.131.151.121.14U41.131.131.151.161.141."1.131.131.151.161.161.141.131,131.151.161.161.171.161.16u71.181.161.171.181.1911.021.041.031.021.041.031.031.031.051.071.071.041.031.031.031.051.071.071.081.031.031.031.051.071.071.081.081.031.031.051.071.071.081.081.09Q朔鵬Q朔Q朔Q執Q朔Q朔Q吸1.171.181.181.191.191.201.201.201.081.081.081.091.091.091.091.10鵬Q吸a效U91.201.201.211.091.091.101.11鵬a效Q菊a裕1.201.201.211.221.091.101.111.12Q吸a裕a菊Q執1.201.211.221.221.10l.lt1.121.121a朔a別,,,a朔q朔,,a吸ci990,q嫩鵬a鄉q朔,q朔a朔鵬a吸oi吸a別,a朔,a粥a鄉,ci朔q朔a吸q恥a吸,,q粥a嫩a粥ci吸a987,a朔a吸a吸Q992a別a別,,q吸ci效a987ci987屍w屍'.140x410.710.510.510.410.410.3-10.510.510.410.410.310.210.510.410.410.310.210.210.410.410.310.210.210.3—0.10.10.110.10.110.1—0.10.110,12O.U0.10.120.110.120.110.10.120.130.120.110.10.120.130.14—鵬鵬鵬鵬鵬鵬—Q995Q別Q朔Q別Q裕Q朔鵬Q朔鵬Q9S6鵬鵬鵬鵬a筋a朔Q吸Q知1.211.221.221.231.231.24—1.221.221.231.231.241.241.221.231.231.241.241.251.231.231.241.241.251.24.1.111.12U21.141.141.15-U21.121.141.14U51.151.121.14U41.151.151.151.141.141.151.15U51.14_a效a效a效鵬'01987d98701985a嫩a勉0198501987a效Q恥Q吸Ol吸Q效a效a姬a鄉01S85(i效訓練集輸入"，=訓練集輸出向，即目標矩陣A，=8787868610.210.210.310.20.130.130,140.120.9920.9920.9900.9931.251.251.241.251.151.15U41.160.9850.9850.9860.84預測集P,wpivpi=[12.312.311.811.711.711.311.111.010.810.810.710.510.510.410.410.310.210.210.310.2]wd,spivd,Tpi=[1.131.131.151.161.161.171.181.191.201.201.211.221.221.231.231.241.241.251.241.25]Hpi=[1.031.031.051.071.071.081.081.091.091.101.111.121.121.141.141.151.151.151.141.16]Ppi=[0.9930.9930.9920.9920.9920.9900.990.9890.9890.9890.9880.9870.9870.9860.9860.9850.9850.9850.9860.984]預測集輸入向:PsVPi140x1(8)(2)數據歸一化將以上訓練集輸入向:iTs，訓練集輸出向量oTs，預測集輸入向量lPs分別按式(10)所列方法進行歸一化處理，處理後的數據變為訓練集'l.柳(1865~0.916"04070.8591.4801.50.50.7881.0301.1561.5000.866~0.660.5550.7611.3381.4451.5(15~0.085"0.916掘50.816O.粉"0.2644.50.50.7880.4290.516~0.柳~0.級0.8660.386O.胸0.1714.咖~0.50.5~0.鵬"0.815O.船0.816"0.705~0.608-0.50.5^0281~0.141-O.鄉"0.560O.狄<0.866(1555"0.392"0.610~0.672"0.50.5"0.6600.865O.船-1.226-1.014"0.608"0.5-1.5—1.296—1.318-O.級-O.柳"fl.級tt敏—1.500-1.233~0.柳~0.672"0.5-1.5_19V■1.4141.306"O.狄02100.8591.4800.7890.833U731.2011.1671.391(X7071.167U91O.狄0"0.783~0.狄(X00.859~0.2610.3380,8330.081a2400.5~a200.7070.5~0.20O.敏~a707"0.7830.8660.630~0.703-0.6090.338~0.5~0.57~0.24~0.83"U200"0.83~0.20"(X707(X261O.狄-1.47-1.015~O,609-1.466-U7~0.89-1.20"0.83~a99-1.41-0.83~0,99~0.87《_0.26l~0.50.5■0.83-U6~0.781.5■0.830.831,1621.306■0.5■0.83U670.387■0.78■0.51.1670.5^0.39U62《、26as"0.50.833U620,783-1.50.S33-U7-1,310.50,833-U7■0390.7830.5—1.170.5O.淑-1.49-1,3〗0.8660.261■0.83-1.41-1,220.2970.7830.866■0.78"0.83000.5940.783■0.87■0.780—50.70700.594~0.26~a871.306U670.707.225凡1,50.50866~0.50.50,866-0.50.5-0.87-0.5-1.5—0.871.2250.貼61.500.866-0.50-0.87-0.5—1.22-0.87-0.50.50.50.5一1.50.866■0,78-U10~0.39■0.780.783-1.220.3871.306■0.260U620.2610.7831.225-U60,78313060.1990L4390.783■0.78O.朔0.15-1.310.2610.199-1.32■0.260.78-1.391.025一U6~016■0.56■0.57~0.39~0.39~0.50~0.50.3870.387■0.431.498.1621.162l.柳■0.43-1220.87-122~0.780，000.866002611225a敏12251.3061.3910.8661.50.5-0,200.866-0.50.5-0.20~0.87一0.50.5-0.99~0.87-0.5-1.50-51.414~0.78-1.2200.7831.167~0.71~0.7801.225~0.26■0.83-0.710,2611.2250-1.31■0.8301.3060-1,220.7831.3060261■U78■0.870780.8660.39-1.32--1.16■0.150.3870.439U621.025-13100~0.7803871.201-1221X2611.16201306"039掘1.225"0.78—1.16-1.20■0.571.4991.498"0.55-1.22"0.870~08700.8661.2250-866-132—1221.5"0,5"0.78—1.31—1.39~0.87-122~0.87-122~0.78—1.16-1.31~0.62"0.87-1.49"0,87—122~0.50.15③~0.5"0.5掘掘0.199"0.871.0250~0.5-0.50.2610.7830.1990.8660,4390"0,5L51.3060t783O.朔0.8660.7831.3061.2250.8660,7830.26100.866"0.26~0.780"0.87-1.31—0.78—1.22"0.87-1,22~0.87-1.22~0.5_0■0.870~0500.86601.51.2250.8661.2250,5-1.49掘-1220.5-a440鋪0■Q50.4410.8660l'50.6160.8661225"0,51,2250,8661.5■0.5—00.866-0.5~0,50-0.87—0.5■0.5—1.22—0.87-0.51.5綜合得/屍g〃'屍g〃'目標向歸化後為140x4,-0.8050.8660.866-0.87-0.87-0.5-0.51.5-0.5-0.780.2611.306-0.780.7070-1.410.707_0.870.866-0.870.866-0.870.866_0.870.833001.225_1.22預測集P卿i=[-o.-0.560.8660850.865-1.94-1.63-1.01-0.61-6.56-3.4-3.39-1.37-20.11-2.87-1.54-0.90-0.67-7.91-1.5]Vgpi=[-0.350.261-7.79-1.89-1.02-2.0-2.37-1.5-1.53-1.2-1.5-2.58-1.41-1.5-0.99-2.60-2.45-1.310.261-0.87]vdsgpi=[-0.782.50.5_1.17_0.16_1.160.3060.2611.3061.828-2.45-1.16-0.170.7070.261-1.221.2251.8281.937-0.15]vdcgpi=T印i=H印i=P印i=[-0.83-1.5-2.60—1.22—0.87—4.5-1.5-1.73-0.99-0.87-2.5-3.5-1.31-1.83-1.22-2.60-1.22-0.871.5-2.5]3、權值閾值編碼，形成初始種群1)首先求隱層的範圍+&+aWl40+7+a=13~22(a取1到10之間的自然數)；2)求取變量數數組，nvar=SiXR+Si+^XS,;由於Si不同隱層所對應的變量數各不相同nvar=[1931207922272375252326712819296731153263]3)隨機生成10個大小不同的種群屍v綜合得/40x2079op340x222740x23750/^40x2523—40x267140x29674、遺傳算法求解對所形成的每個種群分別進行選擇、交叉和變異操作，最終求得最優個體，得到各項參數的結果為目標函數值為O.0098，隱層數為17，進一步將其形式加以轉化，對BP神經網絡隱層權值IWw隱層閾值It^例如，其中LW7X17、Lb7X1分別為、輸出層權值LW^『輸出層閾值Lb7X1分別初始化，i『=473-0.24-0,07~0.Q20.082~0.040.1750.123-0.11~0.030.1510.1290.015■0.14~0.4！~0.091289~0.220.1460.718~0.15~0.24，10.M10.04~0.220.1080.1800.947-0.27-0.06O.l訴-0.03~0.170.010~0.120.2130.001■0.15■0.570.360.140~0.010241~0.19~0.070.1240.4210.03702500.109~0.06~0.090.3210.0640.038~0.40~0.08-0.140.1030.0520.0310.4840,0900.486~0.05~0.610.058■0.300.1220.064~0.04-0.190.374~0.4180.133-0.030.0550.051~0.07~023"0.16'~0.40~0.09力21~0.08-0.060.047■0.39-0.32~0.140.2540.0680.0230.300.2960.371~0.144.14-0.270.0220.1590.0330.030-0.010.3010.0870.343~0.13~0.090.1470.4810.179~0.09^0.230.034~0.11~0.48丄6=0.163-0.03-0.180.123一0.06-O.Ol-0.025、學習率可變的動』用學習率可變的動jBP算法進一步訓練網絡BP算法對上述初始化後的BP神經網絡繼續訓練，最終求得目標函數為0.00001，對應的進一步調整後的權值和閾值分別為"O.刀0.134~0.42O.100.950■0.120.1020.0350238-0.130.079■0.020.0670.0660.08-022-0.15-022~0.121.298-0.22■0.270.224~0.010.121-O.060.0970.489-0.410.10■021■0.07■0.060.039掘~0.020.1530.727~0.09~0.020.248~0.100.3320.063~0.04~0.41-0.31~0.16(X2朋0,0800.033-0.030.132~0.16~0.260.199~0.17■0210,0500.0260.0390.6203070.3060.377■0.150.140260.0610.126O.010.058■0.01~0.570.05P.41-0.060.4790.0580.0230.1560.0140.028-0.0202980.M30.04~024■0.18-0.390.1130.330.1120.0890.050.0950.368■0.12~0.110.1670.5060.1550.110.1910.0100.1460.431■0.190387~0.430.1430.180-0.10~0.240.036-0.120.490.168-0.03一0.19丄6=0.116—0.06-O.Ol-0.02比較以上結果可知，學習率可變的動量BP算法只在遺傳算法所得結果上進行微調，故收斂速度很快，平均收斂迭代次數為80120。保存訓練好的BP神經網絡。6、利用上述訓練好的BP神經網絡預測風電功率對以上訓練好的網絡輸入預測集，並按(11)式對BP神經網絡輸出進行反歸一化處理，可得輸出為—85.8310.260.130.9911.251.250.985」以上是用124個數值預測出各物理量的第25個值，由於q=l，故預測的是後10min的值，用第25個實際測得的值，即16:00所測得的值更新輸入數據，重複以上過程，用第225個數值預測出第26個值。最後結果如表3:表3風電功率(MW〉風速(m/s〉風向正弦風向餘弦相對溫度相對溼度相對大氣壓強實際值8587.0610.210,50.10,10.9950.9951.221.161.170.9840.986預測值85.8386.2110，2510.200,130.100,9910.9951.251.251,251.250.9850.9847、結果比較分析(1)誤差分析用平均絕對誤差err_abs和平均相對誤差err_rel作為評估預測精度的指標，其計算式如下1wW厶1w-w臺JO_戶"*WJ'*WSJ'屍一戶xl00%呵'式中^為預測風電功率，Pws為相應的實測風電功率，N為預測數值的總個數。圖6給出了本發明方法的預測效果圖，橫坐標為數據個數，縱坐標為風電功率大小，單位為麗；圖中有兩條曲線，帶星號的實線為實測數據，虛線為預測值。按上式計算所得的最大絕對誤差為9.37麗，平均絕對誤差為1.52麗，最大相對誤差為10.43%，平均相對誤差為2.07%。預測效果較好。(2)收斂性能分析圖7、圖8分別為優化前和優化後學習率可變的動量BP算法收斂性能比較圖，橫坐標為收斂步數，縱坐標為目標函數值，比較二圖可見，優化前BP神經網絡很不穩定，在用試算法選擇隱層神經元數的過程中，收斂速度非常慢，達到了最大收斂步數10000次，且最終未達到設定的目標函數值，而經遺傳算法優化後的BP神經網絡只要91步就可以收斂，且比較穩定，故最終預測用時也相應減少。綜合可知，採用本發明方法的風電功率預測系統預測精度提高，用時減少，穩定性增強，整體性能得以顯著改善。權利要求一種基於遺傳算法優化BP神經網絡的風電功率預測方法，包括如下步驟(1)數據的獲取和預處理風電功率預測系統從數據處理模塊中獲取指定時間範圍內的風電機輸出功率、風速、風向、氣溫、溼度及大氣壓強數據，由此得到訓練集和預測集並分別進行歸一化處理；(2)結合經歸一化後的訓練集和預測集構建BP神經網絡，進行一次預測(2.1)判斷風速變化是否超過設定閾值，若是，則轉向(2.2)，若否，則直接轉向(2.4)；(2.2)根據輸入輸出數據的維數，確定BP神經網絡隱層神經元數的範圍以及輸出層神經元數，據此形成遺傳算法中的多個種群，每個種群具有相同個體數和不同變量數；(2.3)對每個種群初始化並採用遺傳算法進化優化用選擇、交叉、變異遺傳操作在前代種群的基礎上產生新一代種群，計算適應度值，判斷遺傳算法收斂條件是否滿足並從所有種群中選擇最優個體，該個體同時包含了BP神經網絡的結構和權值及閾值的初值信息；(2.4)根據上述最優個體所提供的結構、權值、閾值信息創建BP神經網絡並對其初始化，利用經歸一化後的訓練集數據作為BP神經網絡輸入輸出數據，用學習率可變的動量BP算法進一步訓練BP神經網絡直至收斂；(2.5)對上述訓練好的BP神經網絡輸入經歸一化後的預測集數據，對BP神經網絡輸出進行反歸一化處理得到輸出數據；(3)判斷預測寬度q值大小，並據此控制預測次數(3.1)若預測寬度q＞1，則用最新一次預測的輸出數據更新訓練集和預測集，並轉向步驟(2)，同時q＝q-1；(3.2)若預測寬度q＝1，則本輪預測結束，從輸出數據中提取待預測的風電功率數據作為本輪預測結果，並進入步驟(4)；(4)根據設定的預測輪數判斷是否結束風電功率預測系統的預測工作(4.1)若實際預測輪數達到設定的預測輪數則結束預測工作，將風電功率預測系統的預測數據顯示供電網調度部門使用；(4.2)若預測工作尚未結束，則首先將已預測的風電功率預測數據顯示，然後等到下一輪預測開始時從風電功率預測系統的數據處理模塊中獲取實時測量數據更新訓練集和預測集，轉向步驟(2)進行新一輪的預測。2.根據權利要求1所述的遺傳算法優化BP神經網絡的風電功率預測方法，其特徵在於步驟(1)中，所述的指定時間範圍內的風電機輸出功率、風速、風向、氣溫、溼度及大氣壓強數據是指設定個數的等時間間隔的按時間先後順序排列的一組數據Var=[var(t_(n+r)At)，var(t_(n+r_l)At，...，var(t_At)]，其中var=Pw，v，vds，vdc，T，H或P，式中，Pw為風電功率，v為風速，vds為風向正弦，vd。為風向餘弦，T為溫度，H為溼度，P為大氣壓強；t為待預測時刻，At為測量時間間隔，n為訓練集輸入數據的組數，r為訓練集單個物理量每組數據維數，因此共需獲取7*(n+r)個數據；所述訓練集和預測集由如下方法得出首先列出訓練集單個物理量的輸入輸出分別為formulaseeoriginaldocumentpage2以及預測集單個物理量的輸入輸出分別為formulaseeoriginaldocumentpage2，其中varPw，v，vds，vdc，T，H或P，式中，Varti為訓練集單個物理量的輸入矩陣，Vart。為訓練集單個物理量的輸出向:Varpi為預測集單個物理量的輸入向量，V^^為預測集單個物理量輸出值；接著由上述Varti、Vart。、Varpi、V^J尋到訓練集和預測集訓練集輸入輸出輸入=formulaseeoriginaldocumentpage2式中，ITs表示訓練集輸入矩陣，0Ts表示訓練集輸出矩陣，Ips表示預測集輸入向量，Q屍s表示預測集輸出向量，符號"'"表示轉置，由上式可知，訓練集和預測集具有相同的形式，只是矩陣的列數和具體數據不相同，矩陣的列數代表訓練集或預測集的組數，行數為各物理量輸入維數之和；所述歸一化處理具體是①訓練集輸入數據按行進行歸一化式中xti(t)是歸一化前數據；gti(t)為歸一化後數據；mean(Xti(t))為訓練集輸入數據中xti(t)所在行的平均值；Std(Xti(t))為上述Xti(t)所在行的標準偏差；處理後數據平均值為O，標準偏差為1，②訓練集輸出數據同樣按行進行歸一化formulaseeoriginaldocumentpage4式中xt。(t)是歸一化前數據；gt。(t)為歸一化後數據；mean(Xt。(t))為訓練集輸入數據中xt。(t)所在行的平均值；Std(Xt。(t))為上述Xt。(t)所在行的標準偏差；③預測集輸入數據的歸一化式中Xpi(t)是歸一化前數據；gpi(t)為歸一化後數據；④預測集輸出數據反歸一化式中Xp。(t)是反歸一化前數據；gp。(t)為反歸一化後數據。3.根據權利要求2所述的遺傳算法優化BP神經網絡的風電功率預測方法，其特徵在於步驟(2.2)中所述輸入輸出數據維數分別指訓練集總輸入矩陣行數R=7*r和訓練集總輸出矩陣行數；輸出層神經元數S2與輸出數據維數相等，S2取值為7;所述隱層神經元數範圍是S-V^T^+"，a為110中的自然數，所述的相同個體數是指編碼時不同種群染色體個數，不同變量數是指BP神經網絡可調變量個數證r=S丄XR+SAX由上式可知，根據S工取值不同，將產生10個種群，各種群染色體的變量數各不相同。4.根據權利要求3所述的遺傳算法優化BP神經網絡的風電功率預測方法，其特徵在於步驟(2.3)中對不同種群編碼並初始化及採取的遺傳操作包括①編碼並隨機生成初始種群採用實數編碼，隨機產生10個種群，各種群變量數不同，即長度不同，染色體個數Nind相同，其中第i個種群中的一個個體&可表示為formulaseeoriginaldocumentpage4式中，IW為輸入層到隱層權值，有S^R個；Ib為隱層閾值，有S工個；LW為隱層到輸出層權值，有S^S工個；Lb為輸出層閾值，有S2個；最終形成的初始種群為wvar2—緣wvar3—緣wvar4—腸""var3"6x"ar6"var7wvar8"9一var9OP10","""varl0其中，Chrom表示初始種群，op表示子種群，Nind表示每個種群中的個體數；nva巧nva巧。中的下標與a的取值一致，表示所產生10個種群中各個種群的長度，即BP神經網絡可調變量個數；②個體適應度評估首先計算目標函數，目標函數計算公式為7廣n廣A、2AE2var汰W-vaW)7w式中varO)表t時刻預測值，var(t)表t時刻實際值，目標函數實質為預測值與實際值的均方差，故目標函數越小，適應度越大；再對目標函數進行降序排序，同時給定一組適應度值，根據目標函數值所在的位置分配適應度值；若適應度值範圍為，對於一個有Nind個個體的種群，處在第pos上的個體的適應度為涵卩(屍0)=2乂-pos的取值為1Nind③對每個種群中分別進行選擇、交叉、變異進化操作生成新種群，並採用②中所述方法對新種群的個體適應度進行評估；④優化終止條件判斷判斷BP神經網絡優化終止條件是否滿足，若優化終止條件滿足，則BP神經網絡優化過程結束，輸出最優個體，它同時包含了BP神經網絡的結構、權值和閾值信息；否則，返回對每個種群重新進行優化，優化終止條件為進化過程達到一定的代數，或連續若干代進化BP神經網絡優化目標函數值沒有變化。5.根據權利要求1所述的遺傳算法優化BP神經網絡的風電功率預測方法，其特徵在於步驟(3)中所述預測寬度q是指從已有的實際數據所在時刻算起，向後推一個At的時間段為一個預測寬度，其計算公式為《=W5，其中t為預測時刻，ts為已有的實際數據所在時刻，At為測量時間間隔，q必須為大於0的自然數，預測寬度決定了一輪預測的預測次數。全文摘要本發明公開了一種基於遺傳算法優化BP神經網絡的風電功率預測方法，從風電功率預測系統的數據處理模塊中獲取預測參考數據；對參考數據建立BP神經網絡的預測模型，並採用多種群編碼對應BP神經網絡的不同結構，每個種群分別對神經網絡權值閾值編碼，生成不同長度的個體，用遺傳算法中選擇、交叉、變異操作進化優化每個種群，最後判斷收斂條件並選擇最優個體；再對BP神經網絡初始化，用學習率可變的動量BP算法進一步訓練網絡直至收斂，利用該網絡對風電功率進行預測；最後，還反覆利用預測值，在一輪預測中進行多次預測實現了跨時間間隔的多步預測。本發明預測精度提高，計算時間減少，穩定性增強。文檔編號G01L3/24GK101706335SQ200910193820公開日2010年5月12日申請日期2009年11月11日優先權日2009年11月11日發明者侯荊州,葉榮,張浩,陳天恩,陳皓勇,陳盼申請人:華南理工大學;西北電網有限公司