论文部分内容阅读
摘要：随着先进技术的开发与应用，各领域的生产发展都在不断地优化完善，特别是一些网络信息技术的进步，实现了自动化的管理预测。本文主要是探析风速和风电功率的预测。在新时期，对风电功率的预测有了更高的要求，为了提高预测精度，提出了小波-BP神经网络，分析当前神经网络预测模型的应用问题，对其进行了改进和优化，提高预测的精度。
关键词：小波-Bp神经网络，风电功率，遗传算法，混沌空间重构
引言：在能源日益枯竭和环境不断恶化的今天，人类的发展更加重视环境保护与新能源开发利用，迫切地需要利用新型清洁能源来缓解当前传统能源的紧缺，促进可持续发展。风能就是一种清洁、储量丰富的可再生能源。但是风能存在波动性、随机性等特点，高渗透率风电会成为电网的不稳定因素。对风电进行预测，需要利用先进的技术，建立准确预测模型，对风电功率进行预测分析，实现风能的安全开发与利用。
1. 风电功率预测系统
影响风电功率的主要有风速、风向、温度、气压和湿度等因素，在国家《风电场接入电力系统技术规定》的标准中对风电功率预测系统提出了要求，电力系统调度部门滚动上报超短期在十五分钟到四小时的风电功率预测曲线。为了保证电网的安全，就必须要准确的对风电功率进行预测。风电功率预测是指对未来一段时间内的风电场输出的功率大小进行预测，通过精准的预测，有效的安排调度计划。风电功率预测一般分为直接预测法和功率曲线转换法，先经过对风速的预测，然后通过转换得到功率预测值。随着网络技术的发展，建立了神经网络预测系统，实现了对风电功率的预测，其中包括混沌DNA遗传算法确定小波神经网络的隐层结构，其中的计算方法主要是粒子群算法，得到预测值。还有基于ARIMA时间序列模型对超短期功率预测，基本上是每五分钟就进行自动的预测，全程都是自动的执行预测。此外还有建立BP神经网络预测模型，把相似的历史数据输入到BP神经网络模型中，得到预测值。
BP神经网络是传统的一种算法，BP神经网络建立在风电功率预测系统中，具有优良的非线性逼近能力、其系统结构比较简单，具有较强的操作性，这给实际的应用提供了便利。但是其中也存在一些问题，比如网络输入层节点数的选取具有很大的主观性和盲目性，而且收敛速度慢，容易陷入局部极小值点。面对这些问题，就需要对其进行进一步的优化和完善，提高预测的准确性。
2.小波-Bp神经网络的风电功率预测的改进
2.1 小波分析计算
小波分析的发展至今不过不过二十余年的时间，是一类新的数学分支，它包含了函数分析、傅里叶分析以及样条分析和条和分析等。小波分析非常适合非平稳信号的分析，根据这一特点，发现了其在风电功率预测分析中的应用性。因为风能是不稳定的，风电功率也受外界的温度、气压、气候等因素的影响，风电输出功率就存在不稳定性，所以小波分析在风电功率预测中具有可行性。而小波神经网络是小波分析理论与人工神经网络的思想相结合而形成的一种新的神经网络，既能充分的利用小波变换的局部化性质，还能够结合神经网络的自学习能力，从而使其具有较强的逼近和容错能力，实现更准确的功率预测。
训练数据集为{（xi，yi）}Ni=1 ，其中xi∈RN ，建立了网络模型，其中的输入为xT ·w（：，i），隐层为，输出为：。这里的ui.hi 分别表示的是隐层第i个节点的输入和输出，其中的网络参数是（w.b.a.c）。
在信号s（t）平方可积，连续小波变换为：
其中的a为伸缩的因子，b为平移因子，连续小波变换可以给出信号在时间-频率平面上的一个矩形的时间-频率窗：
当检测高频信号时候，其时间-频率窗会自动的变窄，做常规的观测，反之，当检测低频信号的时候，时间-频率窗就会自动的变宽，做全局的观测。在实际的应用中，一般会根据的实际情况的需要而进行改变，比如使用离散小波变换，将a.b离散化，通过公式计算获取，同时再结合Mallet函数，进行数据的获取。
2.2 结合遗传算法对BP神经网络进行优化
BP神经网络就是一种按照误差逆向传播算法训练的多层前馈神经网络，也是当前应用比较广泛的神经网络。遗传算法是模拟生物进化过程中的自然选择和遗传学机理的一种计算模型，通过模拟自然进化过程搜索最优解的方法，没有求导和函数连续性的限定，采用概率化的寻优方法来自适应搜索方向，不需要确定的规则。其特点是：遗传算法是从问题解的串集开始搜索，覆盖的面积大，有利于全局优化;可以同时处理多个个体，对搜索空间中的多个解进行评估;遗传算法不需要其他的辅助信息，采用适应度函数即可;不用采用确定的规则;具有自组织、自适应和学习性，利用进化过程反馈信息自行的组织搜索。
结合遗传算法对BP神经网络进行优化，把BP网络的初始值和阈值看成种群中的个体，使用实数编码，一组个体的集合称为群众，使用函数的值表示个体对环境适应能力的评价，适应值越大也就越好。其具体的操作步骤：首先是选择概率比较大的个体，然后是对个体以交叉概率来进行交叉操作，如果种群的规模为偶数，那么其配对成功，如果是奇数，就可以把最后的个体直接复制到下一代。最后是随机变异操作，产生新的个体，当适应度增加的时候，新的个体就可以替换原来的个体。其具体的流程如下：
开始--编码和初始化种群--个体适应度检测和评估--获得本次迭代最优解--是否收敛于最优解--选择、交叉、变异--新种群。当新种群没有配对成果，则继续开始个体适应度检测和评估，在进行新的一轮。如果收敛到最优解，则可以有效的终止迭代。
2.3 改进小波BP神经网络
在分析小波BP神经网络的改进的时候，首先需要分析混沌空间重构理论，其混沌特性是通过计算的风速和功率时间序列的相关数值来进行判断和分析的，利用这一理论可以还原风电功率时间序列的非线性动力特征，把其中隐藏的信息显露出来。再通过相关的计算公式来进行计算和确定。
针对BP网络自身存在的缺陷可以结合遗传算法来进行优化，然后建立BP模型，可以有效的避免其自身的缺陷，再在混沌空间重构理论基础上，用C-C法联合优化参数，选取嵌入位数为神经网络输入层节点数。其主要的一个过程是显示对信号进行小波分析，然后是在进行小波重构，通过遗传算法，避免自身的缺陷，在混沌空间重构理论的基础上建立BP神经网络，再通过加权输出，获取预测值，最后通过预测值对风电功率进行分析，合理的进行调度。
3.结束语
文章是分析基于改进的小波BP神经网络的风电功率的预测，首先对风电功率的预测进行分析，然后具体的阐述了改进的措施方法，其中涉及到三个计算方法，包括了小波分析、遺传算法以及混沌空间重构理论。通过这三种计算和理论的研究应用，实现对风电功率的预测，提高预测的精准度。随着技术的提升，还需要不断优化和完善，进一步的改进网络神经预测系统，提高预测的准确性，保证风能开发利用的安全性和稳定性。
参考文献
[1]杨世秦，孙驷洲.基于遗传优化的小波神经网络风电功率预测[J].安徽工程大学学报，2018，33（01）：27-33+46.
[2]李生鹏，孙志钢，任艳男.基于小波变换的神经网络混合风速预测模型的应用研究[J].数码设计，2017，6（04）：41-44.
[3]叶瑞丽，郭志忠，刘瑞叶，刘建楠.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J].电工技术学报，2017，32（21）：103-111.
[4]肖迁，李文华，李志刚，刘金龙，刘会巧.基于改进的小波-BP神经网络的风速和风电功率预测[J].电力系统保护与控制，2014，42（15）：80-86.
[5]肖迁. 风电场的风电功率短期预测研究[D].河北工业大学，2014.
关键词：小波-Bp神经网络，风电功率，遗传算法，混沌空间重构
引言：在能源日益枯竭和环境不断恶化的今天，人类的发展更加重视环境保护与新能源开发利用，迫切地需要利用新型清洁能源来缓解当前传统能源的紧缺，促进可持续发展。风能就是一种清洁、储量丰富的可再生能源。但是风能存在波动性、随机性等特点，高渗透率风电会成为电网的不稳定因素。对风电进行预测，需要利用先进的技术，建立准确预测模型，对风电功率进行预测分析，实现风能的安全开发与利用。
1. 风电功率预测系统
影响风电功率的主要有风速、风向、温度、气压和湿度等因素，在国家《风电场接入电力系统技术规定》的标准中对风电功率预测系统提出了要求，电力系统调度部门滚动上报超短期在十五分钟到四小时的风电功率预测曲线。为了保证电网的安全，就必须要准确的对风电功率进行预测。风电功率预测是指对未来一段时间内的风电场输出的功率大小进行预测，通过精准的预测，有效的安排调度计划。风电功率预测一般分为直接预测法和功率曲线转换法，先经过对风速的预测，然后通过转换得到功率预测值。随着网络技术的发展，建立了神经网络预测系统，实现了对风电功率的预测，其中包括混沌DNA遗传算法确定小波神经网络的隐层结构，其中的计算方法主要是粒子群算法，得到预测值。还有基于ARIMA时间序列模型对超短期功率预测，基本上是每五分钟就进行自动的预测，全程都是自动的执行预测。此外还有建立BP神经网络预测模型，把相似的历史数据输入到BP神经网络模型中，得到预测值。
BP神经网络是传统的一种算法，BP神经网络建立在风电功率预测系统中，具有优良的非线性逼近能力、其系统结构比较简单，具有较强的操作性，这给实际的应用提供了便利。但是其中也存在一些问题，比如网络输入层节点数的选取具有很大的主观性和盲目性，而且收敛速度慢，容易陷入局部极小值点。面对这些问题，就需要对其进行进一步的优化和完善，提高预测的准确性。
2.小波-Bp神经网络的风电功率预测的改进
2.1 小波分析计算
小波分析的发展至今不过不过二十余年的时间，是一类新的数学分支，它包含了函数分析、傅里叶分析以及样条分析和条和分析等。小波分析非常适合非平稳信号的分析，根据这一特点，发现了其在风电功率预测分析中的应用性。因为风能是不稳定的，风电功率也受外界的温度、气压、气候等因素的影响，风电输出功率就存在不稳定性，所以小波分析在风电功率预测中具有可行性。而小波神经网络是小波分析理论与人工神经网络的思想相结合而形成的一种新的神经网络，既能充分的利用小波变换的局部化性质，还能够结合神经网络的自学习能力，从而使其具有较强的逼近和容错能力，实现更准确的功率预测。
训练数据集为{（xi，yi）}Ni=1 ，其中xi∈RN ，建立了网络模型，其中的输入为xT ·w（：，i），隐层为，输出为：。这里的ui.hi 分别表示的是隐层第i个节点的输入和输出，其中的网络参数是（w.b.a.c）。
在信号s（t）平方可积，连续小波变换为：
其中的a为伸缩的因子，b为平移因子，连续小波变换可以给出信号在时间-频率平面上的一个矩形的时间-频率窗：
当检测高频信号时候，其时间-频率窗会自动的变窄，做常规的观测，反之，当检测低频信号的时候，时间-频率窗就会自动的变宽，做全局的观测。在实际的应用中，一般会根据的实际情况的需要而进行改变，比如使用离散小波变换，将a.b离散化，通过公式计算获取，同时再结合Mallet函数，进行数据的获取。
2.2 结合遗传算法对BP神经网络进行优化
BP神经网络就是一种按照误差逆向传播算法训练的多层前馈神经网络，也是当前应用比较广泛的神经网络。遗传算法是模拟生物进化过程中的自然选择和遗传学机理的一种计算模型，通过模拟自然进化过程搜索最优解的方法，没有求导和函数连续性的限定，采用概率化的寻优方法来自适应搜索方向，不需要确定的规则。其特点是：遗传算法是从问题解的串集开始搜索，覆盖的面积大，有利于全局优化;可以同时处理多个个体，对搜索空间中的多个解进行评估;遗传算法不需要其他的辅助信息，采用适应度函数即可;不用采用确定的规则;具有自组织、自适应和学习性，利用进化过程反馈信息自行的组织搜索。
结合遗传算法对BP神经网络进行优化，把BP网络的初始值和阈值看成种群中的个体，使用实数编码，一组个体的集合称为群众，使用函数的值表示个体对环境适应能力的评价，适应值越大也就越好。其具体的操作步骤：首先是选择概率比较大的个体，然后是对个体以交叉概率来进行交叉操作，如果种群的规模为偶数，那么其配对成功，如果是奇数，就可以把最后的个体直接复制到下一代。最后是随机变异操作，产生新的个体，当适应度增加的时候，新的个体就可以替换原来的个体。其具体的流程如下：
开始--编码和初始化种群--个体适应度检测和评估--获得本次迭代最优解--是否收敛于最优解--选择、交叉、变异--新种群。当新种群没有配对成果，则继续开始个体适应度检测和评估，在进行新的一轮。如果收敛到最优解，则可以有效的终止迭代。
2.3 改进小波BP神经网络
在分析小波BP神经网络的改进的时候，首先需要分析混沌空间重构理论，其混沌特性是通过计算的风速和功率时间序列的相关数值来进行判断和分析的，利用这一理论可以还原风电功率时间序列的非线性动力特征，把其中隐藏的信息显露出来。再通过相关的计算公式来进行计算和确定。
针对BP网络自身存在的缺陷可以结合遗传算法来进行优化，然后建立BP模型，可以有效的避免其自身的缺陷，再在混沌空间重构理论基础上，用C-C法联合优化参数，选取嵌入位数为神经网络输入层节点数。其主要的一个过程是显示对信号进行小波分析，然后是在进行小波重构，通过遗传算法，避免自身的缺陷，在混沌空间重构理论的基础上建立BP神经网络，再通过加权输出，获取预测值，最后通过预测值对风电功率进行分析，合理的进行调度。
3.结束语
文章是分析基于改进的小波BP神经网络的风电功率的预测，首先对风电功率的预测进行分析，然后具体的阐述了改进的措施方法，其中涉及到三个计算方法，包括了小波分析、遺传算法以及混沌空间重构理论。通过这三种计算和理论的研究应用，实现对风电功率的预测，提高预测的精准度。随着技术的提升，还需要不断优化和完善，进一步的改进网络神经预测系统，提高预测的准确性，保证风能开发利用的安全性和稳定性。
参考文献
[1]杨世秦，孙驷洲.基于遗传优化的小波神经网络风电功率预测[J].安徽工程大学学报，2018，33（01）：27-33+46.
[2]李生鹏，孙志钢，任艳男.基于小波变换的神经网络混合风速预测模型的应用研究[J].数码设计，2017，6（04）：41-44.
[3]叶瑞丽，郭志忠，刘瑞叶，刘建楠.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J].电工技术学报，2017，32（21）：103-111.
[4]肖迁，李文华，李志刚，刘金龙，刘会巧.基于改进的小波-BP神经网络的风速和风电功率预测[J].电力系统保护与控制，2014，42（15）：80-86.
[5]肖迁. 风电场的风电功率短期预测研究[D].河北工业大学，2014.