[发明专利]基于布谷鸟算法优化的BP神经网络短期风功率预测方法

说明书

本发明涉及一种基于布谷鸟算法优化的BP神经网络短期风功率预测方法，包括以下步骤：S1：获取训练数据构建训练集，并构建BP神经网络；S2：初始化BP神经网络的参数；S3：利用布谷鸟算法，对BP神经网络的参数进行优化，得到优化后的参数；S4：利用优化后的参数构建基于CS‑BP神经网络的风功率预测模型；S5：利用得到的风功率预测模型进行短期风功率的预测，与现有技术相比，本发明具有提高短期风功率预测准确度等优点。

技术领域

本发明涉及风功率预测领域，尤其是涉及一种基于布谷鸟算法优化的BP神经网络短期风功率预测方法。

背景技术

随着全球工业化和城市化的快速发展，传统能源的供需求日益紧张、全球天气的异常问题加剧。面对这个问题世界各国纷纷转向可再生资源的利用，风能作为一种拥有大规模开发潜力的清洁能源，受到了各个国家的广泛关注和研究，各个国家都转向利用风能去发电。由于风能具有波动性、随机性、间歇性等特点严重干扰了风电并网能力，导致电能质量降低。对风功率进行准确的预测可以帮助电力调度部门对不同时刻风功率的变化进行相应的调整，以此来减小风电并网对电网的运行带来的不利影响，所以进行风功率预测有着重要的意义。

风功率的预测方法可以分为物理模型预测法和统计预测法。物理模型预测法主要是利用数值天气预报以及其他多种因素进行风功率预测，通过这种方法进行风功率预测需要较多的参数，例如风电厂区域的等高线、障碍物、地形地貌、气象数据等等；统计预测法是根据历史风功率和气象数据信息对风电场输出功率进行预测。常用的风功率预测算法有BP神经网络算法、支持向量机回归、空间相关性算法等等。

采用物理模型建模的方法，在短期预测能力上的表现不是很好，可以表现风功率大致的范围，但是有较大的误差，所以它更加适用于长期预测，而对于短期风功率的预测没有很好的效果。另外，采用BP神经网络算法进行风功率预测容易陷入局部最小值的问题，导致通过BP神经网络算法进行风功率预测的时候，会造成较大的预测误差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于布谷鸟算法优化的BP神经网络短期风功率预测方法，解决BP神经网络陷入局部最优值的情况，提高BP神经网络全局搜索的能力，提高风功率预测的准确性，降低风功率预测的误差，使电力系统的调度更加平稳。

本发明的目的可以通过以下技术方案来实现：

一种基于布谷鸟算法优化的BP神经网络短期风功率预测方法，包括以下步骤：

S1：获取训练数据构建训练集，并构建BP神经网络；

S2：初始化BP神经网络的参数；

S3：利用布谷鸟算法，对BP神经网络的参数进行优化，得到优化后的参数；

S4：利用优化后的参数构建基于CS-BP神经网络的风功率预测模型；

S5：利用得到的风功率预测模型进行短期风功率的预测。

进一步地，所述的训练数据包括风速、风向的余弦值和温度。

进一步地，所述的BP神经网络的参数包括BP神经网络的权值和阈值。

进一步地，所述的布谷鸟算法的目标函数为BP神经网络权值和阈值的适应度分析函数，其表达式为：

式中，MSE_i为第i个权值和阈值下的BP神经网络的均方误差。

进一步地，所述的步骤S3具体包括：

S31：对布谷鸟算法进行参数初始化；

S32：随机选择一个布谷鸟得到它对应的解，该解代表BP神经网络的权值和阈值；