[发明专利]一种神经元分支进化的BP神经网络风速预测方法

权利要求书

1.一种神经元分支进化的BP神经网络风速预测方法，其特征在于，包括以下步骤：

步骤1，获取风电场的历史气象数据；

步骤2，构建风速影响特征因子，计算所述的特征因子的数值；

步骤3，对所述的特征因子的数据进行预处理，包括归一化处理、相关性分析和输入变量选取；

步骤4，建立BP神经网络模型，使用所述的预处理后的特征因子的数据对所述的BP神经网络模型进行训练；

步骤5，计算所述风电场的现实气象数据的特征因子数值；

步骤6，将现实气象数据的特征因子数值输入神经网络中，将输出值进行反归一化，计算出预测的风速值；

步骤4中所述的对BP神经网络进行学习训练，包括：

步骤401，将所述的预处理后的特征因子的数据按照训练集格式整理，所述的训练集用于对BP神经网络进行训练，所述的训练集中每一个记录包括若干个输入值和1个输出值，所述的输入值分别为所述的特征因子预处理后的数据，1个输出值为历史时刻后某一时刻的风速值；

步骤402，以所述的BP神经网络中隐含层的神经元为分支基准，将每一个隐含层神经元相关的待优化参数归为一支；

步骤403，将第n个隐含层神经元对应的第n支待优化参数初始化为一组随机值，根据所述的待优化参数随机生成初始种群，其它的待优化参数均设置为固定值，n为神经元迭代变量；

步骤404，用萤火虫算法更新所述的种群；

步骤405，对所述的种群进行差分算子操作，更新第n个子种群，所述的差分算子包括差分变异、差分交叉和差分选择；

步骤406，检测是否达到预设的最大迭代次数或是否达到指定精度，如否则继续步骤404；如是则进行步骤407；

步骤407，记录第n支待优化参数学习进化完毕的数值，然后进行第(n+1)支待优化参数的学习进化；

步骤408，计算m次之后，得到隐含层中所有m个神经元相关的所有参数数值，其中m为隐含层神经元的个数；

步骤409，在第(m+1)次计算中，得到输出层神经元的阈值。

2.根据权利要求1所述的BP神经网络风速预测方法，其特征在于，步骤404中，所述的使用萤火虫算法更新种群包括：

步骤40401，将所述的种群映射为萤火虫群，所述的种群中每一个体对应所述萤火虫种群的一只萤火虫，初始化萤火虫算法中的相关参数；

步骤40402，计算每只萤火虫的光照强度；

步骤40403，根据每只萤火虫与邻居萤火虫光照强度的关系，更新萤火虫的位置；

步骤40404，计算更新后萤火虫的位置和光照强度；

步骤40405，获取全局最优的萤火虫和个体萤火虫最优的位置。

3.根据权利要求2所述的BP神经网络风速预测方法，其特征在于，在步骤408中，计算m次之后，若m次分支进化一半以上的次数是达到最大迭代次数而进化停止，则需要进行全局进化，全局进化的流程是，分别选取前m个种群中最优的1/m个体组成新的种群，采用萤火虫方法和差分进化方法进行联合进化，当达到预设的最大迭代次数或达到指定精度，进化停止，种群中的最优个体为进化后的最优结果。

4.根据权利要求2或3所述的BP神经网络风速预测方法，其特征在于，步骤1中所述的历史气象数据包括风速、风向、温度、湿度和气压5个因素的数据；步骤2中所述的特征因子包括风速、风向、温度、湿度、气压、风速极差、风速标准差、风向极差、风向标准差、温度极差、温度标准差、湿度极差、湿度标准差、气压极差和气压标准差。

5.根据权利要求4所述的BP神经网络风速预测方法，其特征在于，步骤3中所述的相关性分析用于分析所述的特征因子与未来风速相关密切程度，以确定最优的输入变量组合；所述的相关性分析采用协方差及协方差矩阵分析方法或者Pearson相关分析方法；步骤3中所述的输入变量选取，选取后的输入变量为风速均值、风速极差、风速标准差、风向均值、温度均值、湿度均值和湿度极差。