摘 要 :針對風(fēng)力發(fā)電不穩(wěn)定、易受環(huán)境干擾、難以并入電網(wǎng)等問題,提出使用 PCA-GA-BP 算法對風(fēng)力發(fā)電功率進(jìn)行預(yù)測,該方法使用遺傳算法對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,使用 PCA 主成分分析對風(fēng)力渦輪機(jī)輸出功率的影響因素數(shù)據(jù)進(jìn)行降維,將降維數(shù)據(jù)作為輸入,將預(yù)測結(jié)果作為輸出。最后,通過仿真將該方法和傳統(tǒng)算法進(jìn)行對比。結(jié)果表明,該模型可以快速準(zhǔn)確地預(yù)測不同天氣狀況下的風(fēng)電輸出功率。
0 引 言
基于風(fēng)力發(fā)電的能源正在成為住宅、商業(yè)和工業(yè)應(yīng)用中最有前途的能源之一。風(fēng)力發(fā)電由于其非理想的特性,已經(jīng)引起了廣大研究人員的關(guān)注 [1-2]。準(zhǔn)確預(yù)測風(fēng)力發(fā)電短期輸出功率,對于電網(wǎng)生產(chǎn)、輸送、存儲的日 / 時效管理,以及能源市場決策具有重要意義。近年來,有許多研究人員對風(fēng)力發(fā)電功率進(jìn)行了預(yù)測。趙海琦 [3] 等使用 BP 神經(jīng)網(wǎng)絡(luò)算法預(yù)估了風(fēng)電運行表現(xiàn)。郭志剛 [4] 研究了如何使用 BP 神經(jīng)網(wǎng)絡(luò)算法準(zhǔn)確預(yù)測風(fēng)電功率,卻沒有考慮使用單一 BP 神經(jīng)網(wǎng)絡(luò)算法可能會導(dǎo)致訓(xùn)練的權(quán)值閾值局部最優(yōu)。賈蒙蒙 [5] 使用蟻群算法尋找最優(yōu)的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),對短期風(fēng)速進(jìn)行了預(yù)測。何廷一 [6] 使用蜂群算法尋找神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值,但沒有考慮對初始數(shù)據(jù)進(jìn)行優(yōu)化。
PCA 主成分分析 [7-8] 是對數(shù)據(jù)進(jìn)行分析降維的一種方法,BP 神經(jīng)網(wǎng)絡(luò) [9] 是一種通過數(shù)據(jù)訓(xùn)練并不斷反饋修正的多層神經(jīng)網(wǎng)絡(luò),是預(yù)測分析中使用較為廣泛的神經(jīng)網(wǎng)絡(luò)算法。遺傳算法是一種群智能搜索算法 [10],能夠?qū)?shù)較多或較難選取的算法進(jìn)行參數(shù)尋優(yōu)等。結(jié)合以上研究進(jìn)展和技術(shù)手段,提出先使用 PAC 降維,再使用 GA 優(yōu)化神經(jīng)網(wǎng)絡(luò)建立模型,從而快速準(zhǔn)確的根據(jù)天氣數(shù)據(jù)對風(fēng)電輸出功率進(jìn)行短期預(yù)測的構(gòu)想。
1 算法結(jié)構(gòu)
1.1 PCA 主成分分析
PCA 主成分分析就是用數(shù)據(jù)里最主要的成分代替原始數(shù)據(jù)。對于 m×n 維的數(shù)據(jù)矩陣 :
樣本量為 n,m 為數(shù)據(jù)的維數(shù),先將 A 進(jìn)行中心化:
得到的中心化矩陣為 :
求得協(xié)方差矩陣為 :
求 C 的 m 個特征向量按照特征值大小排列組成矩陣 W,只取 W 前 l 列 :
將 m×n 維數(shù)據(jù)降維到 l×n 維。
1.2 GA-BP 神經(jīng)網(wǎng)絡(luò)算法
GA-BP 神經(jīng)網(wǎng)絡(luò)算法使用遺傳算法得到最優(yōu)的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),再進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,選取測試集進(jìn)行測試。算法流程如圖 1 所示。
2 實驗分析
測試所用數(shù)據(jù)來自于西北某風(fēng)電廠一風(fēng)力渦輪機(jī)一年的數(shù)據(jù),數(shù)據(jù)集每一小時記錄一次渦輪機(jī)功率、風(fēng)速、風(fēng)向等數(shù)據(jù),數(shù)據(jù)集數(shù)據(jù)較多,維數(shù)較大,直接帶入模型訓(xùn)練時間較長,使用 PCA 主成分分析法可以降低數(shù)據(jù)維數(shù),加快訓(xùn)練速度。
使用 PCA 主成分分析法計算可以得到主成分貢獻(xiàn)率表,見表 1 所列。
可以發(fā)現(xiàn)前 4 個主成分就可以描述數(shù)據(jù)的 93.004 97%,我們選取前 4 個主成分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練,將數(shù)據(jù)集維數(shù)降為 4維。將功率輸出分為 4 個區(qū)間,使用 PCA 主成分分析可以得到如圖 2 所示的 PCA 置信圖。
首先根據(jù) 4 維數(shù)據(jù)輸出和單數(shù)據(jù)輸出確定 BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),隱含層神經(jīng)元個數(shù)和輸入層元關(guān)系為 :
可以得到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 4-9-1,共有 45 個權(quán)值,9 個閾值,遺傳算法優(yōu)化的參數(shù)為 54 個,使用降維訓(xùn)練集樣本進(jìn)行訓(xùn)練,再使用測試集樣本進(jìn)行誤差測試。使用誤差的范數(shù)衡量網(wǎng)絡(luò)能力,通過誤差范數(shù)計算適應(yīng)度。遺傳算法進(jìn)化的適應(yīng)度曲線如圖 3 所示。
神經(jīng)網(wǎng)絡(luò)的隱含層傳遞函數(shù)采用 S 型正切函數(shù),輸出層使用 S 型對數(shù)函數(shù),將輸出區(qū)間固定為 0 ~ 1,將遺傳算法優(yōu)化的初始權(quán)值和閾值交給 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后將預(yù)測結(jié)果和測試集數(shù)據(jù)進(jìn)行比較??梢园l(fā)現(xiàn),圖 4 所示的預(yù)測結(jié)果和真實值幾乎保持一致,達(dá)到了算法的目的。
GA-BP 的預(yù)測誤差百分比如圖 5 所示,可以看到,誤差保持在 10% 以內(nèi)。
選用算法運行速度、決定系數(shù)和算法準(zhǔn)確度 3 個評價指標(biāo)分別對本算法和其他傳統(tǒng)算法進(jìn)行評價,指標(biāo)的計算公式如下。算法準(zhǔn)確度 :
決定系數(shù) :
算法準(zhǔn)確度越高,算法性能越好,決定系數(shù)在 0 ~ 1 之間,越接近 1 性能越好。
PCA-GA-BP 與傳統(tǒng)算法的性能比較見表 2 所列。
可以發(fā)現(xiàn),使用主成分分析后的算法準(zhǔn)確率下降,但運行時間縮短,使用主成分分析的遺傳神經(jīng)網(wǎng)絡(luò)算法達(dá)到了最佳性能。
3 結(jié) 語
本文基于 PCA-GA-BP 神經(jīng)網(wǎng)絡(luò)算法對采集的風(fēng)力渦輪機(jī)天氣數(shù)據(jù)和對應(yīng)的功率輸出數(shù)據(jù)進(jìn)行訓(xùn)練,再使用測試集數(shù)據(jù)進(jìn)行測試,結(jié)果發(fā)現(xiàn),使用 PCA-GA-BP 算法的短時風(fēng)力渦輪機(jī)可以快速準(zhǔn)確地預(yù)測輸出功率。相比傳統(tǒng)的 BP、GA-BP、PSO-BP 算法預(yù)測精度更高、預(yù)測時間更短。注:本文通訊作者為朱傳奇。
審核編輯:湯梓紅
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4798瀏覽量
102485 -
算法
+關(guān)注
關(guān)注
23文章
4688瀏覽量
94480 -
風(fēng)力發(fā)電
+關(guān)注
關(guān)注
6文章
248瀏覽量
32549
原文標(biāo)題:論文速覽 | 基于 PCA-GA-BP 算法的風(fēng)力發(fā)電功率預(yù)測
文章出處:【微信號:iotmag,微信公眾號:iotmag】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
淺談小型風(fēng)力發(fā)電技術(shù)
[分享]風(fēng)力發(fā)電的原理
基于Matlab的雙饋異步風(fēng)力發(fā)電機(jī)風(fēng)電場仿真 相關(guān)資料分享
谷歌DeepMind將AI應(yīng)用于風(fēng)力發(fā)電機(jī) 提供36小時風(fēng)力預(yù)測 精選資料分享
谷歌DeepMind將AI應(yīng)用于風(fēng)力發(fā)電機(jī) 提供36小時風(fēng)力預(yù)測 精選資料分享
您家的小型發(fā)電站——風(fēng)力發(fā)電 精選資料分享
風(fēng)電功率短期預(yù)測系統(tǒng)
基于灰色模型的風(fēng)速風(fēng)電功率預(yù)測研究

基于GA_BP算法的鋼結(jié)構(gòu)企業(yè)安全庫存的預(yù)測_雷兆明
PCA_BP神經(jīng)網(wǎng)絡(luò)在降水預(yù)測中的應(yīng)用研究_季剛
并網(wǎng)型光伏電站光功率及其發(fā)電量的預(yù)測方法介紹

風(fēng)電功率實時預(yù)測

基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測的詳細(xì)中文資料概述

基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的光伏發(fā)電預(yù)測模型
功率器件應(yīng)用-風(fēng)力發(fā)電

評論