工程技术大学学报

基于遗传BP神经网络的短期风速预测模型

王德明，王莉，张广明

摘要：为了提高风电场短期风速预测精度,提出将遗传算法和反向传播（BP）神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量；利用遗传算法的全局搜索能力获得 BP神经网络优化的初始权值和阈值；采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明，该方法较BP神经网络具有预测精度高、收敛速度快的优点。风电场风速预测按照预测时间可以划分为甚短期预测、短期预测、中期预测和长期预测。甚短期预测以分钟为单位，一般用于风力发电机组控制。短期预测以小时为单位，主要目的是便于电网合理调度，保证供电质量，为风电参与竞价上网提供保证。中期预测以天、周或月为单位，主要用于安排大修或调试。长期风速预测主要用于风电场设计的可行性研究，预测风电场建成后每年的发电量。本文主要讨论了风电场短期风速预测模型的建立。反向传播 BP神经网络只要有足够多的隐含层和隐节点，就可以以任意的精度逼近非线性映射关系，其 BP学习算法属于全局逼近的方法，有较好的泛化能力，因此可以用于风电场短期风速预测模型的辨识。但是BP神经网络初始的权值和阈值是随机选取的，倘若这些参数的位置选择不当，则会导致网络的收敛速度慢、陷入局部最优值。遗传算法（GA）是一种并行随机搜索最优化方法，具有全局搜索能力，因此本文采用GA来确定BP神经网络初始权值和阈值，再采用引入动量引子的 BP学习算法进行局部寻优，有利于 BP网络很快收敛到全局最优解。本文采用遗传算法优化的 BP神经网络建立风电场短期风速预测模型。本文采用自相关性分析计算了未来要预测的风速和历史时刻风速之间的自相关系数，从而找出对未来要预测的风速有主要影响的历史时刻风速，以历史时刻的风速、温度、湿度和气压作为 BP神经网络的输入变量，这样减少了 BP神经网络预测模型的输入变量个数，降低了模型的复杂度。利用遗传算法的全局搜索能力找出 BP神经网络优化的初始权值和阈值，采用动量引子的BP学习算法，可以让BP神经网络具有更快的收敛速度和更高的精度。如何在预测时间增加的情况下，提高模型的预测精度，是以后需要进一步考虑的问题。

来源出版物：浙江大学学报工学版, 2012, 46(5): 837-841

入选年份：2017

混沌模拟退火粒子群优化算法研究及应用

刘爱军，杨育，李斐，等

摘要：针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点，提出混沌模拟退火粒子群优化（PSO）算法。引入混沌理论对粒子群优化算法的参数进行自适应调整，提高了算法的全局收敛性能|采用模拟退火（SA）算法，依据概率性的劣向转移，以一定概率接受劣解，使算法具有跳出局部最优而实现全局最优的能力。引入自适应温度衰变系数，使模拟退火算法能够根据当前环境自动调整搜索条件，从而提高算法的搜索效率。通过7个经典函数测试混沌模拟退火粒子群优化算法的性能，并将其应用于Job Shop调度问题。仿真实验结果表明，采用新算法有效地克服了停滞现象，增强了全局搜索能力，与遗传算法、粒子群优化算法相比寻优性能更佳。本文基于混沌理论、粒子群优化算法和模拟退火算法融合的思想提出了混沌模拟退火粒子群优化算法，并对7个典型的非线性函数和2类标准车间调度问题进行了研究，取得以下结论，（1）论文提出的混沌模拟退火粒子群优化算法，通过混沌序列的随机遍历性优化粒子的速度和位置变量，变量引导粒子群的粗搜索和精细搜索，使各个粒子向全局最优位置聚集，引入模拟退火算法，通过赋予搜索过程一种时变且最终趋于零的概率突跳性，防止了过早陷入精细搜索过程。（2）通过动态权重调整机制平衡算法的全局搜索和局部搜索能力。（3）采用基于适应度和接受概率的温度初始化方法平衡收敛速度和精度。（4）引入动态温度衰变系数，根据微粒个体的目标函数值与种群的平均目标函数值来感知局部收敛情况，并据此动态调整温度衰减速率，改变局部搜索的深度。实践证明，混沌模拟退火粒子群优化算法实现了基于混沌的随机遍历优化、基于粒子群的群体智能快速寻优操作和基于退温历程的控制来实现最优解搜索方法的融合，弥补了各自的弱点，它是一种优化能力、效率和可靠性较高的全局优化方法。

来源出版物：浙江大学学报工学版, 2013, 47(10): 1722-1730

入选年份：2017