【可再生能源输出功率预测分析案例4100字】

1可再生能源输出功率预测分析案例 1 11.3遗传算法优化BP神经网络预测模型研究 41.1.1微电网中风电光伏功率预测 6 9间的映射关系明显，通常基于历史数据信息对负荷功率进行预测。本章介绍BP神经网络预测算法的基本原理，并针对BP神经易陷入局部最优值的缺点采用遗传算法对其进行改进。基于统计法和数值天气预报，采用遗传算法优化的BP神1.2BP神经网络预测模型研究BP神经网络结构图如下图3-1所示。2input有m个神经元，输出层有p个神经元，隐含层有n个神经元，输入层与隐含层的权值可用权值矩阵W,=[W₁,W₂2…,表示，权值矩阵W中的元素W;可表示为w;=[w₁,,W₂;…wm],隐含层与其中α;;为隐含层内部神经元)的阈值，k为为训练样本的实际输出值。BP神经网络训练样本正向传播过程中，神经网络的3实.际输出值进行比较，根据输出误差反向修正网络中隐含层和输出层各神经元BP神经网络是根据训练样本，重复正向传播与反向传播过程对自身网络参数进行修正，算法流程图如图2-2所示。采用BP神经网络对数据进行预测时，先对神经网络中隐含层和输出层的神经BP神经网络是一种局部优化算法，易陷入局部最优值从而导致训练失败，使开始开始给神经网络权值和阈值赋值输入神经网络训练样本否是权值和阈值误差满足要求?是遗传算法首先是对整个种群进行初始化，得到初始化种群每个染色体个体对5代入目标函数得到新的适应度函数值，通过轮盘赌法对轮盘赌法的目标是选择适应度值较小的个体。假设遗传算法中共有M个染(2)每个染色体个体被选中遗传到下一代的概率为：(3)每个染色体累计概率为：(5)如果r<P(X₁),则此时选择染色体X;否则选择满足下列条件的染色体X利用遗传算法对易陷入局部最优值的BP神经网络进行优化，优化的目标是BP神经网络内部神经元的权值和阈值的初始值，当确定整个预测环节训练样本的输入输出个数时，通过对BP神经网络隐含层层数6神经网络的初始权值和初始阈值。总体而言，采用GA对BP神经网络进行优化时，是用GA.算法代替了神经网络的反向传播过程。遗传算法优化BP神经网络(GA-BP)的流程图如图2-5所示。遗传算法优化BP神经网络可以分为以下几个步骤统计法是基于数值天气预报和对大量的历史数据进行统系。本文采用统计法预测风电和光伏输出功率，所用算法为神经网络预测算法(GA-BP)。使用GA-BP对风电输出经网络对风电功率进行预测的预测结果对比如图3-6所示。风电功率一天的周期内变化较大，在6-8时，风电功率急剧减小，17-19时风电功率快速增大，过快果看，在1-4时，12-16时，19-22时功率变化幅度不大，但是存在波动情况会7GA-BP与BP风电功率预测结果比较时间/h图3-6GA-BP与BP神经网络对风电功率预使用GA-BP算法对风电功率进行预测与使用BP神经网络对风电功率进行预则得到预测误差对比如表3-1所示。均方根误差平均绝对误差比误差均小于采用BP神经网络预测，即证明了GA-BP算法相比于BP神经网络预测算8使用GA-BP算法对光伏功率进行预测与使用BP神经网络对光伏功率进行预测得到预测结果对比如下图3-7所示。GA-BP与BP光伏功率预测结果比较图3-7GA-BP与BP神经网络对光伏功率预测结果对比值为0,所以在计算平均绝对百分比误差时选取的时段为7-19时。使用GA-BP表3-2GA-BP与BP对光伏功率预测误差均方根误差平均绝对误差比误差从图2-7可以看出，光伏的输出功率与时间具有很强的关联性，在1-6时和20-24时，光伏实际输出功率为0,并且在6-13时随时间增大光伏输出功率也逐渐增大，13-20时随时间的增大光伏输出功率逐渐减小，可以看到光伏功率变化较风电功率变化规律性强且变化平缓，这样有利于微电网的优化调度。由表3-29可得使用GA-BP算法对光伏功率进行预测时，得到平均绝对百分比误差MAPE=12.072%,表明GA-BP算法对光伏的功率预测精度较好，可以满足实.际精度要求。综合图2-7与表2-2可以看出，不论是在光