本發(fā)明涉及新能源預(yù)測(cè)控制，尤其涉及一種基于改進(jìn)粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法。

背景技術(shù)：

風(fēng)能作為一種可再生能源，具有無污染、不需要燃料、不占用耕地等優(yōu)勢(shì)，越來越受到人們的關(guān)注，儲(chǔ)量也十分巨大，根據(jù)相關(guān)資料統(tǒng)計(jì)，每年來自外層空間的輻射能為1.5*10¹⁸kwh，其中的2.5％，即3.8*10¹⁶kwh的能量被大氣吸收，產(chǎn)生大約4.3*l0^l2kwh的風(fēng)能。我國實(shí)際可開發(fā)利用的風(fēng)能資源儲(chǔ)量為2.53億kw，占據(jù)10m高度層總風(fēng)能資源的7.8％。

世界風(fēng)能協(xié)會(huì)發(fā)布的半年度報(bào)告指出，全球風(fēng)電產(chǎn)業(yè)2015年新增裝機(jī)63013mw，年度市場(chǎng)增長率高達(dá)22％。美國市場(chǎng)全年達(dá)到8.6gw，德國超過預(yù)期，新增6gw，其中包括2.3gw的海上項(xiàng)目。到2015年年底，全球風(fēng)電累計(jì)裝機(jī)容量達(dá)到432419mw，累計(jì)年增長率達(dá)到17％。與此同時(shí)，截至2015年，作為風(fēng)力發(fā)電裝機(jī)容量的第一大國，我國風(fēng)電累計(jì)裝機(jī)容量達(dá)到145.1gw，單年風(fēng)電發(fā)電量達(dá)1863億千瓦時(shí)，占全部發(fā)電量的3.3％。

隨著風(fēng)電技術(shù)的日漸成熟，其運(yùn)行成本的不斷降低，風(fēng)力發(fā)電呈現(xiàn)出了強(qiáng)勁的增長勢(shì)頭，在電力市場(chǎng)需求中所占比例的也不斷增大，而風(fēng)力發(fā)電對(duì)電網(wǎng)的負(fù)面影響也隨之凸顯。由于風(fēng)能具有較強(qiáng)的間歇性、隨機(jī)性和不可控性，風(fēng)電功率也有較大的波動(dòng)，這將會(huì)嚴(yán)重影響到電力系統(tǒng)的安全穩(wěn)定運(yùn)行。對(duì)風(fēng)力發(fā)電功率進(jìn)行預(yù)測(cè)，能夠?qū)⑽粗優(yōu)橐阎行p輕此類發(fā)電系統(tǒng)接入電網(wǎng)的影響，提高可再生能源的利用率，獲得更大的經(jīng)濟(jì)效益。因此，開展風(fēng)力發(fā)電功率預(yù)測(cè)研究并逐步提高其預(yù)測(cè)精度是一項(xiàng)極具深遠(yuǎn)意義的工作。

bp神經(jīng)網(wǎng)絡(luò)(backpropagationneuralnetwork，bpnn)以其良好的非線性映射能力、自適應(yīng)學(xué)習(xí)能力，廣泛應(yīng)用于風(fēng)力等發(fā)電系統(tǒng)的發(fā)電預(yù)測(cè)，然而由于bp算法的實(shí)質(zhì)為梯度下降法，使其在運(yùn)行速度與精度兩方面均不夠理想。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于改進(jìn)粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法，預(yù)測(cè)結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預(yù)測(cè)精度，且不易陷入局部最優(yōu)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于改進(jìn)粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法，包括如下步驟：

步驟(1)：將bp神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值編為粒子，并對(duì)其進(jìn)行初始化；

步驟(2)：以bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練對(duì)訓(xùn)練集訓(xùn)練所得的風(fēng)電功率預(yù)測(cè)輸出結(jié)果與風(fēng)電功率期望值之差作為適應(yīng)度函數(shù)，計(jì)算每個(gè)粒子適應(yīng)度值；

步驟(3)：將每個(gè)粒子的適應(yīng)度值與個(gè)體最優(yōu)粒子進(jìn)行比較，得到全局最優(yōu)粒子；

步驟(4)：根據(jù)預(yù)設(shè)規(guī)則更新粒子速度與位置；

步驟(5)：判斷所得全局最優(yōu)粒子是否滿足設(shè)定終止條件，若滿足設(shè)定終止條件，則停止運(yùn)算輸出最優(yōu)權(quán)值閾值，否則返回步驟(2)迭代運(yùn)算；

步驟(6)：利用步驟(5)獲得的最優(yōu)權(quán)值閾值連接bp神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層與輸出層，根據(jù)bp神經(jīng)網(wǎng)絡(luò)結(jié)果預(yù)測(cè)得到風(fēng)電功率預(yù)測(cè)結(jié)果。

所述步驟(1)中初始化內(nèi)容包括粒子種群規(guī)模、初始位置與初始速度。

所述步驟(2)中適應(yīng)度函數(shù)為：

式中：ok為第k個(gè)節(jié)點(diǎn)的風(fēng)電功率期望輸出，yk為第k個(gè)節(jié)點(diǎn)的風(fēng)電功率預(yù)測(cè)輸出。

所述步驟(3)中若每個(gè)粒子的適應(yīng)度值優(yōu)于個(gè)體最優(yōu)則將該粒子設(shè)為個(gè)體最優(yōu)，再將個(gè)體最優(yōu)與全局最優(yōu)進(jìn)行比較，若優(yōu)于全局最優(yōu)則將該粒子設(shè)為全局最優(yōu)。

所述步驟(4)中粒子速度更新依據(jù)的公式如下：

vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))

式中：vi(t)為第i個(gè)粒子在第t次迭代中的速度；xi(y)為第i個(gè)粒子在第t次迭代中的位置；ω為慣性權(quán)重；c1、c2分別為認(rèn)知學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子；r1與r2為[0，1]之間的隨機(jī)數(shù)，pg(t)為第t次迭代中的個(gè)體最優(yōu)值；pg(t)為第t次迭代中的全局最優(yōu)值。

c1、c2的取值為c1＝c2＝2。

所述步驟(4)中粒子位置更新所依據(jù)的公式如下：

xi(t+1)＝xi(t)+vi(t+1)

式中：xi(t+1)為第i個(gè)粒子在第t+1次迭代中的位置。

其中對(duì)ω定義如下：

其中n為粒子總數(shù)，α為[0,1]區(qū)間的隨機(jī)數(shù)，ft(xi)為第t次迭代時(shí)第i個(gè)粒子對(duì)應(yīng)的適應(yīng)度值，ft(xbest)為第t次迭代時(shí)最優(yōu)粒子對(duì)應(yīng)的適應(yīng)度值。

所述步驟(6)中輸入層節(jié)點(diǎn)由輸入數(shù)據(jù)決定，輸入層可以選擇預(yù)測(cè)時(shí)刻的前一時(shí)刻，前兩時(shí)刻與前三時(shí)刻的風(fēng)電功率值。

所述步驟(6)中隱含層節(jié)點(diǎn)數(shù)的選擇由以下公式確定：

其中m為輸入層節(jié)點(diǎn)數(shù)，q為輸出層節(jié)點(diǎn)數(shù)，a為試湊數(shù)，取值范圍為1～10。

本發(fā)明將改進(jìn)粒子群算法與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，改進(jìn)粒子群算法通過每次迭代所得適應(yīng)度值的情況來判斷下次粒子搜索的速度與步長，提高效率與精度，避免其陷入局部最優(yōu)，用改進(jìn)粒子群算法的尋優(yōu)能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，取得了優(yōu)于bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。

本發(fā)明的有益效果：

本發(fā)明用可自適應(yīng)調(diào)節(jié)權(quán)重的改進(jìn)粒子群算法替代bp神經(jīng)網(wǎng)絡(luò)中的按梯度下降的誤差函數(shù)以調(diào)節(jié)權(quán)值閾值，能夠迅速搜尋到最優(yōu)權(quán)值閾值，改進(jìn)粒子群算法則可以避免其在尋優(yōu)過程中陷入局部極值，利用本發(fā)明的預(yù)測(cè)算法所得到預(yù)測(cè)結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預(yù)測(cè)精度。

附圖說明

圖1為bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖2為改進(jìn)粒子群優(yōu)化bp算法的流程圖；

圖3為bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率；

圖4為粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率；

圖5為改進(jìn)粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率；

圖6為三種模型的絕對(duì)誤差對(duì)比；

圖7為標(biāo)準(zhǔn)粒子群優(yōu)化算法應(yīng)用于bp網(wǎng)絡(luò)時(shí)的收斂性；

圖8為改進(jìn)粒子群優(yōu)化算法應(yīng)用于bp網(wǎng)絡(luò)時(shí)的收斂性。

具體實(shí)施方式

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。

針現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種基于改進(jìn)粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法，與標(biāo)準(zhǔn)粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法相比，所提優(yōu)化預(yù)測(cè)模型的預(yù)測(cè)結(jié)果具有更好的非線性擬合能力，更快的收斂速度和更高的預(yù)測(cè)精度，且不易陷入局部最優(yōu)，matlab仿真驗(yàn)證了本發(fā)明所提算法與模型的有效性和實(shí)用性。

人工神經(jīng)網(wǎng)絡(luò)是基于仿生學(xué)而對(duì)生物神經(jīng)系統(tǒng)的模擬。與生物神經(jīng)系統(tǒng)類似，人工神經(jīng)網(wǎng)絡(luò)存在大量的神經(jīng)元通過復(fù)雜的連接構(gòu)成完整的神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)元的輸入都對(duì)應(yīng)單一的輸出，從而進(jìn)行分布式并行信息處理，同時(shí)神經(jīng)網(wǎng)絡(luò)還具有學(xué)習(xí)與自適應(yīng)的能力。隨著工程的各種需求，學(xué)者們已提出多種神經(jīng)網(wǎng)絡(luò)模型，其中反向傳播網(wǎng)即bp網(wǎng)絡(luò)是已提出的各種人工網(wǎng)絡(luò)模型中最典型、應(yīng)用最廣泛的一種，它具有良好的非線性映射能力、自適應(yīng)學(xué)習(xí)能力，很適合風(fēng)力等發(fā)電系統(tǒng)的發(fā)電預(yù)測(cè)。

如圖1所示，bp神經(jīng)網(wǎng)絡(luò)一般由三層組成，包括：輸入層、隱含層、輸出層，其中輸入層有m個(gè)節(jié)點(diǎn)，隱含層有n個(gè)節(jié)點(diǎn)，輸出層有q個(gè)節(jié)點(diǎn)，ωmn和ωnq分別為輸入層與隱含層之間、隱含層與輸出層之間的連接權(quán)值，bn和bq分別為隱含層與輸出層各層節(jié)點(diǎn)之間的閾值。

設(shè)一組輸入向量為x＝(x1,x2,…xm)，輸出層輸出向量為y＝(y1,y2,…yq)，期望輸出向量為o＝(o1,o2,…oq)。bp神經(jīng)網(wǎng)絡(luò)工作流程如下：

首先對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練的過程分為信息正向傳遞和誤差反向傳播兩個(gè)過程，對(duì)于信息正向傳遞有：

隱含層的第n個(gè)節(jié)點(diǎn)輸入有：

其輸出表達(dá)式為：

其中f(hn)為隱含層的激勵(lì)函數(shù)(這里將激勵(lì)函數(shù)設(shè)為sigmoid型函數(shù))用來描述層與層之間的關(guān)系，輸出層第q個(gè)節(jié)點(diǎn)的輸入：

其輸出表達(dá)式為：

當(dāng)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出不一致或者誤差大于設(shè)定值時(shí)，bp神經(jīng)網(wǎng)絡(luò)將誤差反向傳播分?jǐn)偨o各層的所有單元，通過各層單元的誤差信號(hào)修正各單元權(quán)值和閾值，傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)采用按梯度下降的誤差函數(shù)調(diào)整權(quán)值閾值，對(duì)于k個(gè)訓(xùn)練樣本，誤差函數(shù)如下：

各權(quán)值閾值的修正量(d為wmn、wnq、bn、bq統(tǒng)稱)

當(dāng)網(wǎng)絡(luò)輸出的誤差減少到要求范圍內(nèi)或達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)時(shí)訓(xùn)練停止。

值得注意的是，對(duì)于確定模型的bp神經(jīng)網(wǎng)絡(luò)，其輸入層與輸出層節(jié)點(diǎn)數(shù)已經(jīng)確定，而隱含層神經(jīng)元初始節(jié)點(diǎn)數(shù)目則需根據(jù)經(jīng)驗(yàn)如下公式確定，然后采用“試湊法”逐步增大和減小隱含層節(jié)點(diǎn)數(shù)目使得神經(jīng)網(wǎng)絡(luò)的誤差最小，最終確定。

其中a的取值范圍為1～10。

粒子群優(yōu)化算法(particleswarmoptimization，pso)由dr.eberhart與dr.kennedy于1995年提出，其基本思想是從隨機(jī)解出發(fā)，找尋通過個(gè)人和團(tuán)體之間的協(xié)作和信息共享實(shí)現(xiàn)的最優(yōu)解。在運(yùn)用pso求解優(yōu)化問題時(shí)，算法初始化一群隨機(jī)的粒子，每一個(gè)粒子都有自己的速度與位置，粒子通過每次迭代更新自己的速度與位置，每個(gè)粒子根據(jù)兩個(gè)簡單的規(guī)則分別來更新其速度和位置：

1)遵循粒子本身找到的最佳方案移動(dòng)，由此得到個(gè)體最優(yōu)值；

2)跟隨在全體粒子中表現(xiàn)最好的粒子，由此得到全局最優(yōu)值。根據(jù)粒子位置計(jì)算粒子的適應(yīng)度值，從而衡量該粒子的優(yōu)劣，通過這種方法，所有的粒子到達(dá)到全局最優(yōu)解。

第i個(gè)粒子的速度與位置更新公式如下：

vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))

xi(t+1)＝xi(t)+vi(t+1)

式中：vi(t)為第i個(gè)粒子在第t次迭代中的速度；ω為慣性權(quán)重；c1、c2分別為認(rèn)知學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子，一般取c1＝c2＝2；r1與r2為[0,1]之間的隨機(jī)數(shù)；pg(t)為第t次迭代中的個(gè)體最優(yōu)值；pg(t)為第t次迭代中的全局最優(yōu)值。

其中，ω的大小決定了粒子更偏向于全局搜索還是局部搜索，c1決定了粒子對(duì)自身依賴的程度，c2決定了粒子對(duì)全局依賴的程度。

本發(fā)明所提改進(jìn)粒子群優(yōu)化算法(modifiedparticleswarmoptimization，mpso)：粒子群算法的主要特點(diǎn)是原理簡單，參數(shù)少，收斂速度較快，易于實(shí)現(xiàn)，但其存在如易陷入局部最優(yōu)解難以跳出等缺陷，當(dāng)前對(duì)粒子群算法的改進(jìn)主要集中在讓慣性權(quán)重ω隨迭代次數(shù)線性減小，該方式根據(jù)粒子群的缺陷對(duì)粒子群算法作出如下改進(jìn)：

其中，ωmax,ωmin分別為慣性權(quán)重的最大值與最小值，t為當(dāng)前迭代次數(shù)，t為最大迭代次數(shù)。

這種改進(jìn)使粒子搜索步長隨迭代次數(shù)增加而逐步減小，可以在一定程度上避免粒子陷入局部極值，但一旦陷入仍很難跳出，且這種算法中ω的變化只與迭代次數(shù)線性相關(guān)，不能更好地適應(yīng)具有復(fù)雜非線性變化特征的優(yōu)化問題。為此本發(fā)明提出以下根據(jù)適應(yīng)度值調(diào)整的粒子群算法：

其中n為粒子總數(shù)，ft(xi)為第t次迭代時(shí)第i個(gè)粒子對(duì)應(yīng)的適應(yīng)度值，ft(xbest)為第t次迭代時(shí)最優(yōu)粒子對(duì)應(yīng)的適應(yīng)度值。

式中kt用來判斷第i個(gè)粒子在第t次迭代中適應(yīng)度值的離散程度，kt越大說明本次迭代中粒子越發(fā)散，越小則說明本次迭代中粒子越趨近于最優(yōu)粒子。ωt以e為底數(shù)，采用kt與kt-1的比值作為參考，由指數(shù)函數(shù)性質(zhì)可知這樣可以將ω限制在[0,1]區(qū)間，為了使粒子群算法更高效，在全局搜索時(shí)步長更大，在式中加入其中α為[0,1]區(qū)間的隨機(jī)數(shù)，拓寬ω范圍至[0,1.5]區(qū)間。

對(duì)于ωt，若kt>kt-1，即kt/kt-1>1則說明第t次迭代相對(duì)于第t-1次發(fā)散，此時(shí)kt/kt-1比值越大ωt越小，即搜索步長越小，粒子群越趨向于局部搜索；若kt<kt-1，即kt/kt-1<1則說明第t次迭代相對(duì)于第t-1次收斂，此時(shí)kt/kt-1比值越小ωt越大，即搜索步長越大，粒子群越趨向于全局搜索。這使得ω不是一味隨著迭代次數(shù)的增加而減小，而是根據(jù)具體函數(shù)適應(yīng)度值來確定。采用這種方式改進(jìn)后的粒子群算法收斂速度加快，且不易陷入局部極值。

bp神經(jīng)網(wǎng)絡(luò)采用按梯度下降的誤差函數(shù)調(diào)整連接權(quán)值ω和閾值b，故存在學(xué)習(xí)過程收斂速度慢、網(wǎng)絡(luò)訓(xùn)練易陷入局部極值、網(wǎng)絡(luò)的結(jié)構(gòu)難以確定、網(wǎng)絡(luò)泛化能力很難保證等缺陷。針對(duì)上述問題，本文將bp神經(jīng)網(wǎng)絡(luò)和改進(jìn)粒子群算法結(jié)合起來，用粒子群優(yōu)化算法代替bp算法中的梯度下降法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)，來改善bp算法的性能，使其不易陷入局部最小，增強(qiáng)泛化能力，達(dá)到優(yōu)化網(wǎng)絡(luò)的目的。

如圖2所示，一種基于改進(jìn)粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法，具體步驟如下：

步驟(1)：將bp神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值編為粒子，并對(duì)其進(jìn)行初始化，初始化內(nèi)容包括粒子種群規(guī)模，初始位置與初始速度；

步驟(2)：以bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練所得結(jié)果與期望值之差作為適應(yīng)度函數(shù)，計(jì)算每個(gè)粒子適應(yīng)度值；

步驟(3)：將每個(gè)粒子的適應(yīng)度值與個(gè)體最優(yōu)粒子進(jìn)行比較，若優(yōu)于個(gè)體最優(yōu)則將該粒子設(shè)為個(gè)體最優(yōu)，再將個(gè)體最優(yōu)與全局最優(yōu)進(jìn)行比較，若優(yōu)于全局最優(yōu)則將該粒子設(shè)為全局最優(yōu)；

步驟(4)：根據(jù)規(guī)則更新粒子速度與位置；

步驟(5)：判斷所得全局最優(yōu)粒子是否滿足終止條件，若滿足設(shè)定條件，則停止運(yùn)算輸出優(yōu)化結(jié)果，否則返回步驟(2)迭代運(yùn)算；

步驟(6)：利用上述獲得的最優(yōu)權(quán)值閾值連接bp神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層與輸出層，根據(jù)bp神經(jīng)網(wǎng)絡(luò)結(jié)果預(yù)測(cè)得到結(jié)果。

下面以仿真證明：

為了證明所提算法的有效性，本文以國電濟(jì)南長清風(fēng)電場(chǎng)為例，采用matlab語言編寫算法程序，分別構(gòu)建了三種預(yù)測(cè)模型：bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(pso-bp)，改進(jìn)粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(mpso-bp)，對(duì)其一段時(shí)間內(nèi)的風(fēng)電輸出功率進(jìn)行預(yù)測(cè)仿真。功率樣本為國電濟(jì)南長清風(fēng)電場(chǎng)2015年1月1日零時(shí)起，對(duì)未來72個(gè)小時(shí)每隔十五分鐘采集一次的數(shù)據(jù)。利用前260個(gè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，后28個(gè)數(shù)據(jù)用來預(yù)測(cè)，即訓(xùn)練樣本260組，測(cè)試樣本總數(shù)k為28組，經(jīng)過實(shí)驗(yàn)調(diào)試，隱含層最終確定為8個(gè)節(jié)點(diǎn)。其中設(shè)定bp網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為2000，訓(xùn)練精度0.002，學(xué)習(xí)速率0.01。對(duì)預(yù)測(cè)結(jié)果的性能評(píng)價(jià)采用平均絕對(duì)誤差mape，均方根誤差mse以及相關(guān)度r²。

其中ess為回歸平方和，tss為總體平方和。

分別對(duì)bp、pso-bp、mpso-bp三種模型進(jìn)行仿真，三種模型的預(yù)測(cè)結(jié)果分別如圖3，圖4，圖5所示。圖6為三種模型絕對(duì)誤差的對(duì)比。圖7與圖8分別表示了應(yīng)用于bp網(wǎng)絡(luò)時(shí)粒子群算法與改進(jìn)后的粒子群算法的收斂性。三種模型各運(yùn)行20次的結(jié)果如表1所示。

表1三種模型運(yùn)行20次的結(jié)果分析

圖3為bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)的結(jié)果，計(jì)算可得其平均絕對(duì)誤差mape為0.0507，均方根誤差mse為0.0692，預(yù)測(cè)曲線與期望輸出曲線的擬合度r2為0.8980；圖4為使用粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測(cè)的結(jié)果，計(jì)算可得其平均絕對(duì)誤差mape為0.0327，均方根誤差mse為0.0469，預(yù)測(cè)曲線與期望輸出曲線的擬合度r2為0.9655；圖5為使用改進(jìn)的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測(cè)的結(jié)果，計(jì)算可得其平均絕對(duì)誤差mape為0.0248，均方根誤差mse為0.0346，預(yù)測(cè)曲線與期望輸出曲線的擬合度r2為0.9809。顯然，使用改進(jìn)的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化預(yù)測(cè)的結(jié)果優(yōu)于粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)與單一bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果。從圖6可以看出使用改進(jìn)的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化預(yù)測(cè)的結(jié)果相對(duì)于其他兩種誤差整體更小，更平穩(wěn)。而通過圖7與圖8的對(duì)比則說明了本文所提的改進(jìn)粒子群算法相對(duì)于基本粒子群算法收斂速度更快。通過表1也可看出多次使用改進(jìn)的粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化預(yù)測(cè)的結(jié)果相對(duì)于其他兩種更穩(wěn)定。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。