[发明专利]基于DE-BP神经网络的风电功率预测方法

权利要求书

1.基于DE-BP神经网络的风电功率预测方法，其特征在于，具体按照如下步骤实施：

步骤1，获取风电功率相关数据并进行处理；

步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；

步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE-BP神经网络模型；

步骤4，将DE-BP神经网络模型用于风电功率的预测，进行风电功率预测。

2.根据权利要求1所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤1具体为：选取一段时间内的风电功率数据及相关参数，剔除错误数据，并进行归一化处理，将获得的数据取80％作为训练集，20％作为验证集，其中相关参数指风速、风电功率、风向、温度。

3.根据权利要求1所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：根据训练集的特点初始化BP神经网络的输入节点数、输出节点数和隐含层节点数，使用梯度下降法和反向传播来不断调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。

4.根据权利要求3所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述步骤2具体为：

步骤2.1，定义输入层和输出层节点数

输入层节点数是影响风电功率的因素的个数m，输出层的节点数是p；

步骤2.2，确定隐含层节点数n：

其中，n为隐含层节点数，m为输入层节点数；p为输出层节点数，α为0～10之间的常数；

步骤2.3，隐含层节点的输出为：

其中，O_j表示隐含层的输出，j＝1，2，...，n，f(x)为Sigmoid激励函数，x_i表示隐含层的输入，i＝1，2，...，m，ω_ij表示隐含层的权值，θ_j表示隐含层的阈值；

步骤2.4，输出层节点的输出为：

其中，y_k表示输出层的输出，O_j表示输出层的输入，即为隐含层的输出，T_jk表示输出层的权值，θ_j表示输出层的阈值，i＝1，2，...，m，j＝1，2，...，n，k＝1，2，...，p；

步骤2.5，构建BP神经网络模型

BP神经网络的基本结构公式如下：

Y＝sigmoid[W₂·sigmoid(W₁·X-O₁)-O₂] (4)

其中，Y＝(y₁，y₂，...，y_p)为BP神经网络输出矩阵，根据公式(3)计算得来，X＝(x₁，x₂，...，x_m)为BP神经网络输入矩阵，Sigmoid为激励函数W₁、W₂分别为BP神经网络中输入层到隐含层、隐含层到输出层的连接权值矩阵，O₁、O₂为BP神经网络中输入层到隐含层、隐含层到输出层的阈值矩阵；

步骤2.6，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，使BP神经网络的误差平方和最小，构建BP神经网络模型。

5.根据权利要求4所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述影响风电功率的因素为风向、风速、气压、湿度、气温、功率。

6.根据权利要求4所述的基于DE-BP神经网络的风电功率预测方法，其特征在于，所述输出层为风电功率，节点数是1。