基于遗传算法优化BP神经网络模型的风电功率预测

张启龙，王立威

(六盘水师范学院物理与电气工程学院，贵州六盘水，553000)

0 引言

大型的风力发电厂的发展进度日益增快，风能是非常重要的一种清洁能源[1]。但是风能这种非常不连贯持续的能源能够让风电机反复出现不稳定的表现，会严重影响到风电系统的稳定性[2]。所以，倘若有一个稳定的输出功率预估模型具有巨大的意义[3]。

由此可见，此篇文章运用了统计预测方法，把历史实际输出功率以及风力的速度当成BP神经网络输入的参数，同时运用遗传算法进一步优化算出神经网络的参数值（权值和阈值），构造GA-BP神经网络风电输出功率预测模型。通过实际案例测试分析，用结论确定该模型可有效提高预测精度。

1 遗传算法

遗传算法（GA）由来于达尔文的生命进化论（繁殖、交配和突变）[4,5]。在GA中，通过种群的繁殖、进化而得到最优解。

在GA中，有三类遗传算子：选择，交叉和变异。

（1）选择。在一部分有规律的数据中挑选某些数据当作下一组数据就是选择算子。常用的选择算子包括：轮盘赌法、锦标赛法等，本文采用轮盘赌法[6]，即：

式中：iF表示个体i的适应度值；pi表示 i的选择概率；k为系数；N为种群个体数目。

（2）交叉。交叉算子模拟遗传重组过程，以便将当前的最佳基因转移到下一个群体中并获得新的个体。交叉算子的具体步骤如下：

Step1：随机选择对象；

Step2：据所选对象长度，随机选择交叉位置。

Step3：定义交叉概率 Pc（0＜Pc≤1），运行交叉算子，改变基因。第k个染色体 ak以及染色体一号 akl在 j位的相互交错如下：

式中：b是在区间0-1范围内的随机数。

（3）变异。此算子模拟是生物学当中的基因突变现象，根据突变概率（变异概率）Pm就可获得新个体。开展变异的个体是第i 个个体的第j个基因aij，变异执行步骤如下：

式中：基因aij的最大值是amax；基因aij的最小值是amin；；随机数是r2；g为当前迭代次数；为最大进化次数 ；r 为间的随机数[7,8]。

2 GA-BP神经网络预测模型[9-11]

在模式识别、信号处理等领域，BP神经网络的影响力相当大，然而设计网络的攻坚路上仍有一个难题，即结构的确定。此篇文章采取遗传算法能够达到特定的数值的条件下，寻找全局最优解，进而用来优化神经网络的连接权值和阈值，然后在采取提升之后的BP神经网络影响风电功率的值开展预测，GA-BP神经网络算法流程如图1所示。

图1 GA-BP神经网络算法流程图

3 实例仿真分析

为验证上文所提的GA-BP网络模型对短期风电功率的建模能力的影响，对荷兰某风电场2011 年全年的风电功率的测量值进行究分析，忽略环境因素对3月1日到3月15日期间每日24h内的实际风电功率进行预测。简而言之即利用2928组参数作为训练的样本，利用360组参数作为测试的样本，设置1h作为采样的时间节点，基于以上设置的相关数据，对此模型进行拟合以及检验。

3.1 数据处理与建模仿真

对模型进行分析，并将训练样本的参数写入计算后得到超1步预测值是未来1h的数据。将此值视为真实值并与历史值进行结合，随后输入模型可以得到接下来2h的数据。通过循环进行此训练到360步，就能够得到24h的预测值。

数据经过归一化处理，再经过参数数次的调试之后，得到的模型的模拟实验数据设定如下表1所定。

表1 模拟实验初始数据设定

3.2 结果分析

本文通过传统的BP 神经网络模型与上述GA-BP模型的对比，验证了所提模型的有效性，其中设置最大允许误差ε= 1 0-7。通过对3月1日到3月15日的风电功率进行预测，得到其功率预测曲线如图2所示。预测误差对比曲线如图3所示。

图2 功率预测曲线

图3 预测误差对比曲线

结合神经网络算法的传统方法，本文利用eMAPE预测误差函数对其进行定量评价，具体函数如下式（5）所示。为保证预测结果的准确性，同时对均方根误差Z、准确率r、合格率W这几种评价指标进进行了具本分析，过程如下：

表2 实验部分预测算结果

式中：k代表时间点，共计360个时间点，T1k为第 k 个时间点的预测值，TOk为第k个时间点的实测值，TOP为360个实测值的平均值。各预测方法的评价指标表3所展示。

表3 各预测方法的评价指标

由各图表的预估算结果能够知道，利用遗传算法优化的BP神经网络与历史数据更为接近，预测更为准确；比较表3中两种算法平均百分比误差、均方根误差、准确率、合格率的数据，可见利用遗传算法优化的BP神经网络模型的平均百分比误差仅有4.4516，比BP神经网络算法降低了5.6326，均方根误差也只有1.3529，也比BP神经网络算法降低了1.9769；准确率达到92.287%，提高了10.935个百分点；合格率达到96.44%，提高了8.919个百分点，充分表明遗传优化算法的BP神经网络模型优于传统的BP神经网络算法。

4 结论

风能发电的实际运行过程容易受到自然因素的影响，如风速、气压、温度等。由于系统存在着高复杂性和无规律性，导致无法得到精确的数学模型。通过剖析BP神经网络在面对复杂系统时预测误差较大这一局限性的基础上，从多算法融合的思想出发，提出一种GA-BP神经网络的预测算法，对网络初始参数进行优化，而且把此算法写进短期风电功率的预估算里面，能够有一个较完美的效果，得到了以下三个结论：

（1）针对单一的神经网络模型在风电功率预测上误差较大的不足，提出采用遗传算法和BP神经网络相结合，有效提高了预测精度。

（2）提出将遗传算法用于BP神经网络的训练里面，通过迭代优化BP神经网络的波动参数，优化了此模型的寻找最佳值的能力。

（3）通过验算出的结果可得，对比单一的BP神经网络算法，预测准确率提高了 10.935个百分点，合格率提高了8.919个百分点，平均百分比误差降低了5.6326%，均方根误差降低了1.9769。

因此，本文提出的组合模型具有更高的预测精度。