基于支持向量机的风电功率预测

基于支持向量机的风电功率预测

摘要化石燃料资源逐渐减少以及火电厂发电产生污染严重，开发新能源发电就成了迫在眉睫的事情，风力发电已成为当下一种主流。风力发电主要问题是受环境因素影响较大且不易储存，风力猛烈时出现发电供大于求，在风速较慢甚至没风时就会出现供大于求甚至无法供电的情况。所以风电功率的预测是及其重要的，但风电功率预测较为困难，是全世界相关领域专家学者渴望攻克的难题。本次论文里主要研究的是基于支持向量机的风电功率预测，同时我将采用ARMA模型法和神经网络分析法对风电功率进行预测并与用支持向量机得到的结果进行对比。本次实验我是登录网站/grid/wind-toolkit.html得到的风速与角度数据，是2012年美国100个地点的大气仿真数据。我先对其进行归一化处理，在用LIBSVM工具箱中多种功能函数分别进行训练、预测、参数选择以及预测，最后得到结果。后来我又用遗传算法以及粒子群算法对SVM参数进行优化选择，得到结果并与之前的进行对比。为了证明SVM法的优越性，本次实验又分别使用ARMA法与BP神经网络法对风电功率进行预测，并与SVM结果进行对比，发现SVM法更为优越。关键词：风电功率；支持向量机；参数优化；结果对比

ABSTRACT

目录1绪论 错误!未定义书签。1.1课题背景及意义 错误!未定义书签。1.2对比预测相关理论原理 错误!未定义书签。1.2.1ARMA模型预测相关理论原理 错误!未定义书签。1.2.2神经网络预测法相关理论 错误!未定义书签。1.2.2混合 错误!未定义书签。2XX（标题1） 错误!未定义书签。2.1标题2 错误!未定义书签。2.1.1标题3 错误!未定义书签。3XXX（标题1） 错误!未定义书签。3.1标题2 错误!未定义书签。3.1.1标题3 错误!未定义书签。4XXXX（标题1） 错误!未定义书签。4.1标题2 错误!未定义书签。4.1.1标题3 错误!未定义书签。5XXXXX（标题1） 错误!未定义书签。5.1标题2 错误!未定义书签。5.1.1标题3 错误!未定义书签。6XXXXXX（标题1） 错误!未定义书签。6.1标题2 错误!未定义书签。6.1.1标题3 错误!未定义书签。7XXXXXXX（标题1） 错误!未定义书签。7.1标题2 错误!未定义书签。7.1.1标题3 错误!未定义书签。8XXXXXXXX（标题1） 错误!未定义书签。8.1标题2 错误!未定义书签。8.1.1标题3 错误!未定义书签。9XXXXXXXXX（标题1） 错误!未定义书签。9.1标题2 错误!未定义书签。9.1.1标题3 错误!未定义书签。10XXXXXXXXXX（标题1） 错误!未定义书签。10.1标题2 错误!未定义书签。10.1.1标题3 错误!未定义书签。11XXXXXXXXXXX（标题1） 错误!未定义书签。11.1标题2 错误!未定义书签。11.1.1标题3 错误!未定义书签。12结论与展望 错误!未定义书签。12.1标题2 错误!未定义书签。12.1.1标题3 错误!未定义书签。致谢 错误!未定义书签。参考文献 错误!未定义书签。附录 错误!未定义书签。

1绪论课题背景及研究意义因为化石燃料资源逐渐减少以及火电厂发电产生污染严重，开发新能源发电就成了迫在眉睫的事情，现代社会主要用核能发电、风力发电、光伏发电、热能发电以及水力发电等几种形式。本次论文主要讨论的是风力发电相关问题。我国几个风能丰富带主要分布在东南沿海地区、“三北”地区和内陆局部地区。三北地区包括东北三省、内蒙古、甘肃、青海、西藏和新疆等省级行政区。这一风能丰富带可开发利用的风能储量约2亿kW,占全国可利用储量的80%。又因为这些地区地形平坦且交通较为便利，是中国最大的连片风能资源区，及其有利于大规模建造风电场。风力发电主要问题是受环境因素影响较大且不易储存，风力猛烈时出现发电供大于求，在风速较慢甚至没风时就会出现供大于求甚至无法供电的情况。所以风电功率的预测是及其重要的，但风电功率预测较为困难，是全世界相关领域专家学者渴望攻克的难题。准确预测风电场风电功率有利于电网的灵活调度和安全稳定运行，进而提高风电场穿透功率。本次论文里主要研究的是基于支持向量机的风电功率预测，同时我将采用ARMA模型法和神经网络分析法对风电功率进行预测并与用支持向量机得到的结果进行对比。1.2对比预测相关理论原理1.2.1ARMA模型预测相关理论原理自回归滑动平均模型（英语：Autoregressivemovingaveragemodel，简称：ARMA模型）是研究时间序列的重要方法，由自回归模型（简称AR模型）与移动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。ARMA模型预测的步骤主要包括五个方面：（1）数据处理；（2）模型识别；（3）模型定阶；（4）参数估计；（5）风电功率预测。1.2.2神经网络预测法相关理论动态神经网络的训练过程具体包括：（1）获取风速样本数据并进行预处理，得到风速训练样本数据、风速验证样本数据；（2）设置所述动态神经网络的参数；（3）依据所述风速训练样本数据训练所述动态神经网络；（4）将所述风速验证样本数据输入经过训练的动态神经网络，获得所述经过训练的动态神经网络输出的风速验证值，将所述风速验证值与所述风速验证样本数据中的真实输出值进行比较并计算得到两者之间的误差，通过分析所述误差得到的结果判断所述经过训练的动态神经网络是否满足预设要求；（5）若不满足所述预设要求，则对经过训练的动态神经网络再次进行训练；若满足要求，则结束训练。1.2.3混合粒子群算法（HPPA）HPPA主要包括包括二进制粒子群重力搜索法（BinaryParticleSwarmoptimizationGravitonalSearchAlgorithm,BPSOGSA）和PSOGSA（ParticleSwarmoptimizationGravitonalSearchAlgorithm,BPSOGSA），其中BPSOGSA用于对预测模型输入变量进行特征提取，PSOGSA则对QR-ORELM网络输入权值和隐含层节点偏差进行优化。正因为上述方法都有不同程度不足，SVM是风力发电预测的主流方向。后文我会对此进行阐述和解释。1.3支持向量机相关理论1.3.1支持向量机介绍支持向量机（SupportVectorMachines,SVM）由Vapnik在1964年首先提出，像多层感知器网络和径向基函数网络一样，SVM可用于模式分类和非线性回归。SVM的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；SVM的理论基础是统计学习理论，更准确地说，支持向量机是结构风险最小化的近似实现。这个原理基于这样的事实：学习机器在测试数据上的误差率（即泛华误差率）以训练误差率和一个依赖VC维数（Vapnik—Chervonenkisdimension）的项的和为界，在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。因此，尽管它不利用问题的领域内部问题，但在模式分类问题上SVM提供好的泛化性能，这个属性是SVM独有的。SVM适合处理小样本问题，避免了人工神经网络的结构参数确定难和容易陷入局部最优问题，并克服了维数灾难等问题。SVM回归基本思想是：将输入空间的数据X通过一个非线性映射，映射到高维特征空间M中，并在这个特征空间进行非线性回归分析，找到一个最优的函数,从而利用根据输入量预知输出量。1.3.2支持向量机工具及具体操作使用风电功率预测基于SVM进行回归分析。我们可以用MATLAB完成。这里我们需要一个重要的工具：LIBSVM。LIBSVM是台湾大学林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其他操作系统上应用。目前LIBSVM拥有Java、MATLAN、C#、Ruby、Python、R、Perl、CommonLISP、Labview等数十种语言版本。我们使用的就是MATLAB版本。具体到操作上就是：将train_data(训练集属性矩阵，大小为n×m，n表示样本数，m表示属性数目即维数，数据类型为double)、train_label（训练集标签，大小为n×1,n表示样本数，数据类型double）以及options(参数选项)代入LIBSVM自带的svmtrain函数得到model（训练得到模型，是一个结构体）。当建立好model之后，我们就可以用SVM进行回归分析了。具体到操作上是：将test_data(测试集属性矩阵，大小为,表示测试集样本数，表示属性数目即维数，数据类型为double)与test_label（测试集标签，大小为，表示样本数，数据类型为double）以及modelsvmtrain(训练得到模型)代入LIBSVM自带的svmpredict函数得到predict_label(预测的测试集的标签，大小为，N表示样本数，数据类型为double)、accuracy/mse[一个的列向量，第一个数表示分类准确率（分类问题使用）,第二个数表示mse（回归问题使用），第三个数表示平方相关系数（回归问题使用）]以及dec_value(决策值)。1.4研究现状自80年代起，国外就开始对风电功率预测技术进行了研究。到目前为止，风电输出功率预测技术已将比较成熟的国家有丹麦、瑞典、美国等，他们研制的风电预测系统均已在运。本次实验我就是登录网站/grid/wind-toolkit.html得到的风速与角度数据，是2012年美国100个地点的大气仿真数据。现今，主要研究内容集中于短期和超短期功率预测，短期功率预测可以帮助机组安排发电计划，超短期预测可以帮助电力系统安排调度计划。短期预测或超短期风电功率预测方法主要分为以下四种：物理方法、统计方法、智能方法以及混合方法。（1）物理预测方法物理预测方法主要以风电场周围的气压、气温、湿度、压强、障碍物、等高线等信息为基础，利用数值天气预测NWP模型预测风速、风向等信息，然后依据风电场的功率曲线计算风电场的输出功率。该方法适合于风能资源评估，目前是一种较为准确且适合长期预测的方法。（2）统计预测方法统计预测方法通常不需要知道风速变化的物理过程，而只是在历史数据中寻找天气环境状况与风电场出力之间的函数关系，通过数值天气预报信息和实测数据风电场输出功率，此类方法的预测效果会随着预测时间的增加而变差，比较适合短期预测。（3）智能预测方法智能预测方法主要指人工智能方法或机器学习方法，对非线性问题的拟合更加准确，能够提高预测精度，目前智能预测方法主要包括人工神经网络模型，如径向基神经网络（RBF）、反向传输神经网络（BP）、多层感知器（MLP）、递归神经网络（Hopfield）等，智能优化算法，如粒子群优化算法、遗传算法、蚁群算法、布谷鸟算法等，SVM和小波分析等，在这些智能预测方法中，人工神经网络及其改进算法应用更加广泛，在风电功率领域取得了较好的预测效果。（4）混合预测方法混合预测方法综合不同模型的优势，虽然理论上可以有效提高预测精度，但在解决实际问题时，由于外界多种因素的干扰，可能会使得不同模型的随机混合预测影响预测效果、预测时间和算法复杂度，给预测工作带来极大困难。利用混合方法预测风电功率，更需要挑选合适的模型进行组合才能发挥最好的预测效果，因此如何挑选单一模型，并且挑选好单一模型后如何进行模型之间的组合是非常值得研究的。1.5主要工作和论文结构1.5.1主要工作（1）结合课题任务，学习SVM的基本原理，并对用到的支持向量机回归进行重点学习和掌握。（2）通过查阅相关资料，了解影响风机输出功率的因素。（3）用matlab实现基于SVM的风机功率预测。（4）评估预测效果，改进相关参数，进一步优化预测。（5）分别使用ARMA模型法和神经网络分析法进行风电功率预测，与用SVM得到的结果对比，说明SVM的优越性。1.5.2论文结构第二章根据SVM相关知识建立数学模型，根据已知功率与风速三次方成正比这一点对数据进行处理。第三章用matlab实现基于SVM的风电功率预测，得到初步结果。第四章对初步结果进行分析，改进参数，得到更为精确的预测结果。第五章用matlab实现基于ARMA模型法和神经网络分析法的风电功率预测，与用基于SVM得到的结果进行对比。第六章总结全文工作，并展望下一步需要的研究工作。2数据预处理与模型建立2.1数据预处理2.1.1数据文件类型转换从网站/grid/wind-toolkit.html处得到的数据是2012年美国100个地点的大气仿真数据，每个仿真仪器从2012年1月1日0时0分开始每隔5分钟仿真并记录一次，到2012年12月31日23时55分结束，每个地点包含105120个风速和角度数据。因为所得到数据是Excel表格形式储存，不利于matlab读取，所以将其转为.mat文件。具体到操作就是：先找到Excel文件保存路径，再在matlab命令行执行窗口输入num=xlsread路径存在了num这个矩阵中，然后我们输入命令语句save+文件名，即可看到文件夹中已将Excel文件保存为.mat文件。2.1.2根据公式对数据进行换算风力发电功率与速度关系式为（2-1）式中—单位时间内气流流过截面积（）,即（2-2）—半径即风叶长度—空气密度（）,随海拔升高而降低v—风速（m/s）-风能转化率值，根据贝兹极限，值最高为59%，但目前厂家无法达到这个理论值，根据厂家技术不同，这个值不同，一般做到20%—30%，40%以上很少。根据上述公式我们可以将数据文件中风速数据三次方换算为风电功率数据。2.1.3数据归一化处理为了数据更为直观呈现，这里我们选择matlab中的mapminmax函数对上面得到的风电功率数据进行归一化处理，归一化到[-1,1]上得到结果。2.2模型建立模型目的：利用支持向量机建立的回归模型对风电功率每次仿真数据进行回归拟合。模型假设：假设每次风电功率仿真数据与一定时间前的仿真数据相关，即把一定时间前的风电功率仿真数据作为自变量，当前时刻风电功率仿真数据作为因变量。算法流程如图。2.3本章小结数据预处理与建立模型十分重要，做好有利于程序的编写。

3基于svm的风电功率初步预测3.1根据模型假设选定自变量和因变量并对数据预处理选取一千组数据中奇数项风电功率作为自变量，偶数项风电功率作为因变量，分别对其用mapminmax函数在[-1,1]上进行归一化处理，得到如图（3-1）。图3-1奇数项数据归一化结果由图（3-1）可知，奇数项500组数据中风电功率最大的点约为第54个点，风电功率最小的点约为第110个点。3.2参数选择这里我们用到LIBSVM自带的SVMcgForCalss.m文件，其核心思想：循环呢计算得到不同分类准确率情况下的参数和参数，选取能够达到最高验证分类准确率中参数最小的那组和作为最佳的参数；如果对应最小的有多组g，就选取搜索到的第一组和作为最佳参数。我们编程可以实现先进行粗略的寻找，观察粗略寻找的结果再进行精细寻找。这里我们需要一个重要参数CV。CV是用来验证分类器性能的一种统计分析方法，其基本思想是在某种意义上将原始数据（dataset）进行分组，一部分作为训练集（trainset），另一部分作为验证集（validationset）:先用训练集对分类器进行训练，再利用验证集；来测试训练得到的model，以得到的分类准确率作为评价分类器的性能指标。这里我们用的K-CV法，即把原始数据分为组，将每个子集数据分别做一次验证集，其余的组子集数据作为训练集，这样会得到个模型，用这个模型最终的的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。我值取为3。运行结果如下粗略选择:图3-2SVR参数粗略选择等高线图图3-3SVR参数粗略选择3d图计算结果如下：MSE=0.00094138Best=1.7411Best=0.18946分析：从图3-2我们可以粗略估计到最佳的参数c的范围为，最佳的参数，最佳的参数g的范围为，进而在图3-3中观察到mse值及其近似于0。这与结果也是相符合的。精细选择：图3-4SVR参数精细选择等高线图图3-5SVR参数精细选择3d图计算结果如下：MSE=0.00100008Best=2Best=0.25分析：从图3-4我们可以看出最佳参数c的值为log2c=1,即=2，最佳参数g的值为=-2，即=0.25,再从图3-5可以粗略估计mse的值。这与实际结果也是相符合的。3.3训练得到模型model我们将上述精细选择得到的=2，=0.25，以及另外2个非关键参数=3,=0.01代入一个cmd变量中，cmd即为上述提到的options,再用svmtrain函数训练得到model。这样我们就可以得到回归预测要用的预测模型。3.4回归预测用上述得到的model、test_label、test_data与一非关键参数（可以直接取为0），代入svmpredict函数得到预测的测试集标签predict_label,mse与decsion_values。再编程将预测的测试集标签predict_label与test_label进行对比，绘制出图并计算相关系数与均方误差MSE。结果如下：图3-5预测时域为2h预测数据与原始数据对比分析：最开始时预测数据与原始数据及其接近，这说明此时预测效果较好，但随着时间推移，预测得到的数据与原始数据差异较大，说明此时预测效果较差，猜测原因可能是因为预测时域过大（此时为2小时）。图3-6预测时域为2h预测数据与原始数据之间绝对误差图3-7预测时域为2h预测数据与原始数据之间相对误差计算结果：mse=0.26393=26.2671%分析：综合来看，可以看出预测数据与原始数据相差较大，不管是相对误差还是绝对误差都较大，同时二者之间相关系数较小，考虑到得到的mse数据为都归一化后的结果，实际mse其实较大，这都说明预测效果较差，应该适当将预测时域减小。3.5不同时域误差下原始数据与预测数据对比图3-8预测时域为0.5h预测数据与原始数据对比计算结果：MSE=0.033947=87.9789%分析：可以看出此时回归预测数据与原始数据相比，相差很小，相关系数也较大，接近90%，可以认为预测效果较好图3-9预测时域为1h预测数据与原始数据对比计算结果：均方误差MSE=0.129153相关系数=60.9746%分析：当预测时域1小时时，回归预测数据与原始数据之间存在一定差异但并不算大，相关系数超过60%，可以认为预测效果不错。图3-10预测时域为1.5h预测数据与原始数据对比计算结果：均方误差MSE=0.21116相关系数=39.2715%分析：从图上看，回归预测数据同原始数据之间的差与1小时时相比更大，相关系数已不足40%，此时预测结果已很难说是有效的。预测时域2.5小时图3-11预测时域为2h预测数据与原始数据对比计算结果：均方误差MSE=0.367115相关系数=15.7047%分析：由图可知，回归预测数据与原始数据之间相差巨大，相关系数不足20%，此时预测结果可以基本认为已失效。3.6结论当预测时域不大于1小时，预测结果可以认为有效，超过1.5小时，预测结果与实际之间相差会很大，预测很难认为你有效。这与当今风电预测实际情况相符，因为风速的不确定性，当时间过长时，预测结果很难起到效果，当下国内外风电预测都以短期预测与超短期预测为主4SVM参数优化4.1SVM参数优化基础理论4.1.1核函数的选取SVM在分类和回归问题中的广泛应用得益于核函数的引入。核函数将原样本空间映射到高维空间，通过转换特征空间有效解决了样本分类和回归难的问题。核函数的选取对SVM预测模型的预测性能影响很大。Mercer定理是确定函数是否符合核函数要求的条件，确定核函数的同时也要充分发掘训练样本的分布特征。核函数的选取一直没有定论，应用最广泛的是径向基核函数（RBF），但它存在着对样本区分度不够喝局部泛华风险的问题。我们可以通过经验模态分解（EMD）将风速分解为不同特征尺度的序列，针对不同的序列选取不同的核函数，其中波动频率大的高频分量采用径向基核函数；较平稳的中频分量用多项式核函数；剩余分量采用线性核函数，然后将各个分量的预测结果叠加得到最终预测结果。预测结果，预测精度较传统SVM有明显提高，并进一步说明了选取不同的核函数建模对预测精度提高有很大帮助。4.1.2参数的优化短期风电功率预测模型的参数优化也是影响精度的重要因素之一。基于SVM的短期风速预测模型的具体参数包括：模型参数中的惩罚因子和核函数宽度，特征提取参数中的嵌入维数和时间延迟。传统的短期风电功率预测模型中，只对SVM模型参数进行了优化：对于特征提取参数，通常采用混沌理论中的相空间重构概念来确定。该特征值提取参数的确定只是单独的从时间序列的动力特性的角度考虑，但从短期风电功率预测模型考虑，这只是对SVM模型参数进行了优化，而忽略了特征提取参数的对预测模型的影响，因此并不能保证预测模型的预测精度。有研究人员提出利用PSO对模型参数和特征提取参数共同优化，并结合LS-SVM建立短期风速预测模型。4.2SVM参数寻优方法4.2.1遗传算法参数寻优遗传算法（GeneticAlgorithm,GA）起源于对生物系统所进行的计算机模拟研究。美国Michigan大学的Holland教授及其学生受到生物模拟技术的启发，创造出一种基于生物和进化机制的适合复杂系统优化的自适应概率优化技术——遗传算法。1967年，Holland的学生Bageley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码中使用双倍体的编码方法。从遗传算法的整个发展过程来看，20实际70年代是兴起阶段，20世纪80年代是发展阶段，20世纪90年代是高潮阶段。遗传算法作为一种实用、高效、鲁棒性能强的优化技术，发展极为迅速，已引起国内外学者的高度重视。将对训练集进行CV意义下的准确率作为GA中的适应度函数值，则利用GA对SVM参数进行优化的整体算法如图4-1所示。图4-1利用GA优化SVM参数的算法流程图4.2.2粒子群优化算法参数寻优粒子群优化算法（ParticleSwarmOptimization,PSO）是计算机智能领域除蚁群算法外的一种基于群体智能的优化算法。该算法最早由Kennedy和Eberhart于1995年提出，它的基本概念源于对人工生命和鸟群捕食行为的研究。PSO是一种基于群体智能的演化计算技术，与GA相比，PSO没有选择、交叉、变异的操作，而是通过粒子在解空间追随最优的例子进行搜索。将对训练集进行CV意义下的准确率作为PSO中的适应度函数值，则利用PSO对SVM参数进行优化的整体算法过程如图4-2所示图4-2利用PSO优化SVM参数（）的算法框图

5运用其他方法预测与SVM对比5.1ARMA模型对比5.1.1数据与处理与模型建立在建立时间建模时，首先要检测风速序列是否为平稳随机序列：计算该序列的自相关函数是否迅速衰减到0附近，若是则说明原始序列是平稳序列；若不是则要对原始序列进行平稳化处理，即将该序列转化为均值为0的平稳随机序列。处理方法可采用一阶差分变换。差分后，再次对新序列的自相关函数和偏相关进行计算，判断新序列是否平稳。如果序列还不平稳，则继续重复，直至序列平稳为止。需要注意的是，差分次数最多不超过2次。图5-1ARMA模型预测程序框图5.1.2代码运行结果及分析我分别取了300组，1000组数据进行预测并对比预测效果。图5-2ARMA模型下预测数据原始数据对比（300组）分析：这里我令前250个数据为训练集，后50个数据为测试集，经过训练和预测得到上述结果，可以看出其实预测效果不错，有将近一半的预测值与原始数据基本一致。图5-3ARMA模型预测值与原始数据绝对误差图（300组）图5-4ARMA模型预测值与原始数据相对误差（300组）分析：从图5-2和图5-3看，在300组数据情况中，预测值与原始数据相对误差不超过10%的占比已超过三分之二，且不存在相对误差超过100%的点。这都说明预测效果佳。这是1000组数据时的情况。我令前900个数据为训练集，后100个数据为测试集。图5-5ARMA模型下预测数据原始数据对比（1000组）分析：从图5-4看，1000组数据时预测效果明显比300组时差，可以尝试做数据更多时的仿真预测，观察结果。又因为我还做了数据更多时仿真预测（未附图），发现预测效果都在下降。可以初步认为随着数据量增大，预测效果会降低。图5-6预测值与原始数据绝对误差（1000组）图5-7预测值与原始数据相对误差（1000组）分析：从图5-5和图5-6综合来看，与300组数据时相比，不管是绝对误差还是相对无误差都增大了许多，特别是相对误差最大时达到了700%，并且其周围点相对误差都较大，可以认为此时预测已基本失效。从相对误差较小时点看，其值也比300组数据时大许多。我又做了数据更多时仿真预测，发现预测效果确实在下降。5.3结论当数据较少时，ARMA模型预测效果好，甚至优于SVM预测；当数据较大时，ARMA模型预测效果较差，这时我们运用SVM预测会更好些。5.2BP神经网络5.2.1BP神经网络原理及模型构建BP神经网络是一种多层前馈神经网络，3层BP网络的拓扑结果如图5-2所示，包括输入层、输出层和一个隐含层，各神经元与下一层所有的神经元连接，同层神经元之间无连接。BP神经网络的基本原理是采用梯度下降法调整权值和阈值使得网络的实际输出值和期望输出值得均方误差值最小，标准的BP算法在修正权值时没有考虑以前时刻的梯度方向，从而使学习过程需要发生震荡，收敛缓慢，因此这里采用一种改进的BP学习算法，通过引入动量项来减少学习过程的振荡趋势，改善收敛性。图5-8BP神经定义目标函数为（5-1）式中：akp—输出节点在样本作用时的输出ykp—在样本作用时输出节点的目