[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

说明书

本发明公开了一种神经元分支进化的BP神经网络风速预测方法，包括获取风电场的历史气象数据；构建风速影响特征因子；对所述的历史气象数据进行预处理，包括相关性分析，输入变量选取和归一化处理；建立BP神经网络模型，使用所述的预处理后的历史气象数据对所述的BP神经网络模型进行训练，在训练过程中采用分组进化的思想，结合利用差分操作和萤火虫算法进化神经网络模型中的参数种群；获取所述风电场的现实气象数据，将现实气象数据输入神经网络中，计算出预测的风速值。本发明通过以隐含层神经元为分支基准实现分组优化，判断分组效果后以全局优化为补充，故本发明较传统方法计算复杂度相对更低，且预测准确度更高。

技术领域

本发明属于风电场风速预测领域，具体涉及一种神经元分支进化的BP神经网络风速预测方法。

背景技术

作为一种可再生能源，风能发电广受世界各地的科学家和工程师的关注。风力发电技术是可再生能源转换技术中最为成熟的一种，尤其在我国，风力资源非常丰富，且风能具有清洁、高效、循环利用的特点，各地都纷纷建立起自己的风能发电场，然而在风电实际利用的过程之中，发现对风力发电的准确预测显得非常重要，一方面，准确预测风力发电的功率，对于科学规划电网的建设有很强的指导意义，使得电网及其中继设备具有更好的稳定性和适应性，另一方面，准确预测风力发电的功率，能够合理的对电力进行规划，防止能量过剩带来的浪费，也能够防止能量不足带来的供电事故。

基于此，很多工程人员在风速的预测上进行了尝试，提出了很多方法，比如，王德明等人提出了基于遗传BP神经网络的短期风速预测模型，这类方法对神经网络预测模型进行改进，适用到风电场风力预测上，都一定程度上提高了风力预测的准确度，但是由于风力发电的间歇性、周期性和波动性，以及在风力预测中涉及的环境因素复杂，神经网络模型的输入变量较多所导致的算法模型计算时间长的问题，而且过多的输入变量未必一定带来有用的信息量，同时神经网络的训练存在容易陷入局部最优，收敛速度慢，学习过程中容易发生震荡等问题。

发明内容

鉴于此，本发明的目的在于提供一种预测准确度高，时间复杂度低的神经元分支进化的神经网络风速预测方法。

本发明的目的是这样实现的，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，对所述的风速影响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；