一种利用混合算法选择变量的天牛须优化神经网络风速预测方法
发布时间：2021-01-10 01:09
风速波动本身具有随机性和不确定性,给风速的准确测量产生影响。基于风电场大数据,设计提出一种基于互信息算法和随机森林算法相结合的变量选择方法,并以此为基础建立基于天牛须搜索算法优化的神经网络（BAS-BP）风速预测模型。采用某风电场1. 5 MW机组SCADA历史数据,使用互信息法和随机森林算法进行变量选择,并进行预测模型的训练、测试及评价。验证结果表明:该风速预测模型各项误差评价指标得到提高,预测误差减小明显,模型具有更好的预测精度和效果,验证了方法的正确性和有效性。
【文章来源】：电力科学与工程. 2019,35(12)
【文章页数】：6 页
【部分图文】：
与风速相关性较强的特征重要性评分统计
Rumelha和McClelland提出的BP神经网络作为一种典型前馈型神经网络[14]，凭借强大的非线性映射能力得到广泛应用。BP神经网络拓扑结构包括:输入层、输出层和隐含层。BP神经网络风速模型如图2所示。该预测模型输入变量为8个，分别为发电机输出功率、发电机定子温度、发电机加权平均输出功率、齿轮箱轴承温度、机舱角与风向角偏差度数、总发电量、发电机前轴承温度和偏航角度，输出变量为风速1个，故输入层神经元个数S取8，输出层神经元个数S2取1。隐含层神经元个数S1对建模效果影响较大，根据公式(7)[15]确定隐含层神经元个数范围为1～17，通过依次考察K=1～17时的BP模型预测效果，最终确定隐含层神经元个数S1为7。
(5)算法停止迭代，得到最优解xbest和fbest,xbest代表利用天牛须搜索算法求得的BP神经网络最优初始权值和阈值，此时，将xbest作BP神经网络模型初始权值和阈值再次训练，得到基于天牛须搜索算法优化的BP神经网络(BAS-BP)风速预测模型。预测模型流程图如图3所示。3 模型验证及结果分析
【参考文献】：
期刊论文
[1]基于随机森林的烟草烘丝设备参数数据相关性分析研究[J]. 张雪嫣,黎晓东,孙洁香. 制造业自动化. 2019(08)
[2]基于小波包分解的BP神经网络的短期风速预测[J]. 王宁,罗汝斌,廖俊,李珺,蒋祎,杨泽川,袁俊杰. 控制与信息技术. 2019(04)
[3]基于ABC-BP的短期风速预测研究[J]. 张旸,颜七笙. 江西科学. 2019(01)
[4]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
[5]关于风力发电系统短期风速预测仿真[J]. 王玲,程耕国,袁志强,蒋维. 计算机仿真. 2018(11)
[6]基于风场大数据互信息关联的风电机组性能评估[J]. 李大中,张华英. 科学技术与工程. 2018(29)
[7]基于天牛须搜索的花朵授粉算法[J]. 邵良杉,韩瑞达. 计算机工程与应用. 2018(18)
[8]基于BAS-BP模型的风暴潮灾害损失预测[J]. 王甜甜,刘强. 海洋环境科学. 2018(03)
[9]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]. 叶瑞丽,郭志忠,刘瑞叶,刘建楠. 电工技术学报. 2017(21)
[10]基于修正后ARIMA-GARCH模型的超短期风速预测[J]. 丁藤,冯冬涵,林晓凡,陈靖文,陈丽霞. 电网技术. 2017(06)
硕士论文
[1]基于萤火虫优化算法的BP混合预测模型的建立及其应用[D]. 王增.东北财经大学 2017
[2]基于BP神经网络的SCR脱硝效率预测模型研究[D]. 归毅.华北电力大学 2011
本文编号：2967761
【文章来源】：电力科学与工程. 2019,35(12)
【文章页数】：6 页
【部分图文】：
与风速相关性较强的特征重要性评分统计
Rumelha和McClelland提出的BP神经网络作为一种典型前馈型神经网络[14]，凭借强大的非线性映射能力得到广泛应用。BP神经网络拓扑结构包括:输入层、输出层和隐含层。BP神经网络风速模型如图2所示。该预测模型输入变量为8个，分别为发电机输出功率、发电机定子温度、发电机加权平均输出功率、齿轮箱轴承温度、机舱角与风向角偏差度数、总发电量、发电机前轴承温度和偏航角度，输出变量为风速1个，故输入层神经元个数S取8，输出层神经元个数S2取1。隐含层神经元个数S1对建模效果影响较大，根据公式(7)[15]确定隐含层神经元个数范围为1～17，通过依次考察K=1～17时的BP模型预测效果，最终确定隐含层神经元个数S1为7。
(5)算法停止迭代，得到最优解xbest和fbest,xbest代表利用天牛须搜索算法求得的BP神经网络最优初始权值和阈值，此时，将xbest作BP神经网络模型初始权值和阈值再次训练，得到基于天牛须搜索算法优化的BP神经网络(BAS-BP)风速预测模型。预测模型流程图如图3所示。3 模型验证及结果分析
【参考文献】：
期刊论文
[1]基于随机森林的烟草烘丝设备参数数据相关性分析研究[J]. 张雪嫣,黎晓东,孙洁香. 制造业自动化. 2019(08)
[2]基于小波包分解的BP神经网络的短期风速预测[J]. 王宁,罗汝斌,廖俊,李珺,蒋祎,杨泽川,袁俊杰. 控制与信息技术. 2019(04)
[3]基于ABC-BP的短期风速预测研究[J]. 张旸,颜七笙. 江西科学. 2019(01)
[4]基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 陈婷婷,殷贺,江红莉,王露. 计算机系统应用. 2019(02)
[5]关于风力发电系统短期风速预测仿真[J]. 王玲,程耕国,袁志强,蒋维. 计算机仿真. 2018(11)
[6]基于风场大数据互信息关联的风电机组性能评估[J]. 李大中,张华英. 科学技术与工程. 2018(29)
[7]基于天牛须搜索的花朵授粉算法[J]. 邵良杉,韩瑞达. 计算机工程与应用. 2018(18)
[8]基于BAS-BP模型的风暴潮灾害损失预测[J]. 王甜甜,刘强. 海洋环境科学. 2018(03)
[9]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]. 叶瑞丽,郭志忠,刘瑞叶,刘建楠. 电工技术学报. 2017(21)
[10]基于修正后ARIMA-GARCH模型的超短期风速预测[J]. 丁藤,冯冬涵,林晓凡,陈靖文,陈丽霞. 电网技术. 2017(06)
硕士论文
[1]基于萤火虫优化算法的BP混合预测模型的建立及其应用[D]. 王增.东北财经大学 2017
[2]基于BP神经网络的SCR脱硝效率预测模型研究[D]. 归毅.华北电力大学 2011
本文编号：2967761
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2967761.html
