【可再生能源输出功率预测分析案例4100字】

可再生能源输出功率预测分析案例目录TOC\o"1-3"\h\u12623可再生能源输出功率预测分析案例 114151.1引言 1172531.3遗传算法优化BP神经网络预测模型研究 4325571.1.1微电网中风电光伏功率预测 6155801.4小结 91.1引言微电网优化是在可再生能源功率预测基础上制定调度计划，微电网中的光伏和风电输出功率受环境因素影响较大,波动性较强，目前针对风电和光伏功率预测主要有物理法、统计法和综合法;微电网中的负荷功率规律性较强，与时间之间的映射关系明显，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神经网络预测算法对微电网中的光伏、风电进行预测。1.2BP神经网络预测模型研究BP神经网络(Back

Propagation

Neural

Network，BPNN)是一种智能算法，内部是由大量神经元构成，可以实现任何非线性关系之间的映射，神经网络通过训练样本对自身网络数据不断训练，可以模拟人体大脑对信息的处理过程，BP神经网络的训练过程是不断更新内部的权值与阈值，实现对输入数据与输出数据之间函数关系的非线性拟合，最终取得良好的预测效果。

BP神经网络结构图如下图3-1所示。图2-1BP神经网络结构图BP神经网络由输入层、隐含层、输出层组成，图3-1的BP神经网络输入层有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,表示，权值矩阵中的元素;可表示为，隐含层与输出层的权值可用权值矩阵表

示，权值矩阵中的元素可表示为。

其中;为隐含层内部神经元的阈值，为输出层内部神经元的阈值，

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，神经网络的预测输出与训练样本的实际输出比较得到预测误差，神经网络根据预测误差通过反向传播过程修正网络中的权值与阈值，神经网络通过重复训练，直到相邻两次预测输出误差差别很小。神经网络的正向传播

神经网络的输入信号在正向传播过程中,输入信号进入隐含层，隐含层的神经

元对输入信号进行线性加权求和，然后加入阈值与通过函数变换得到隐含层输出。

令输入层的输入矩阵为,则隐含层神经元的输出可表示为:(2)神经网络的反向传播BP神经网络的反向传播过程是将BP神经网络对训练样本的预测输出值与实.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的权值和阈值。训练样本中某组训练数据的输出误差可表示为: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

元的权值和阈值进行初始化赋值，对神经网络的训练样本进行筛选，然后通过神经网络的正向传播对训练样本的输入信号进行处理，依次得到神经网络的隐含层和输出层的输出值，训练样本输出层的输出值与训练样本的实际输出值做差得到输出层误差，神经网络采用梯度下降法根据输出误差反向修正隐含层和输出层各神经元的的权值与阈值，重复以上正向传播与反向传播，直至满足训练次数且差满足要求时程序结束。

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

预测结果与实际存在较大偏差，因此可以采用其它算法对BP神经网络进行优化，

提高其预测性能。图3-2BP神经网络算法流程图1.3遗传算法优化BP神经网络预测模型研究遗传算法(Genetic

Algorithm，GA)是

模拟生物进化过程的一种智能优化算法,通过将优化问题中的变量行矩阵中的每一个元素等效为生物的一个基因，整个变量行矩阵等效成生物的一个染色体，所有的染色体组成了一个种群，将优化目标函数称为适应度函数，通过对染色体进行选择、交叉、变异等操作，以适应度函数值为导向,在迭代过程中选择种群中适应度较好的个体，整个染色体种群通过不断迭代，最终得到适应度函数值最优的染色体个体。

遗传算法是对整个染色体种群进行操作，不是通过数学推导计算,是通过染色

体之间交叉和变异在变量空间内对变量进行搜索，所以整个算法不易陷入局部最

优解，是一种良好的全局优化算法。

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应的适应度函数，通过轮盘赌法进行筛选之后保留的种群进入迭代循环，遗传算法的编码过程就是通过特定的表达方式对染色体中的变量进行表示，方便后面的染色体之间的交叉和变异，常见的编码方式有二进制编码和浮点数编码，交叉操作是在迭代过程中,变量行矩阵之间某--串元素之间进行了交换,变异操作是变量行矩阵中的某一位元素值发生了突变,交叉和变异操作直接导致了变量值发生了变化，相当于变量在变量空间上进行搜索,通过交叉和变异之后得到的新的变量代入目标函数得到新的适应度函数值，通过轮盘赌法对适应度函数值进行筛选，得到适应度值较好的染色体个体,通过不断的迭代筛选最终得到优化问题的最优解。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个染色体个体.图中的每--块区域代表种群中染色体被选中的概率。轮盘赌法的具体步骤如下所示。（1）令 ，其中 （2）每个染色体个体被选中遗传到下一代的概率为:（3-1）每个染色体累计概率为：在(0,1)区间内随机生成实数;如果,则此时选择染色体X;否则选择满足下列条件的染色体（6）重复(4)(5)步操作。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和每层神经元数量进行设置，就可以确定整个网络的权值和阈值数量，将神经网络的权值和阈值的初始值作为遗传算法的染色体变量,将训练样本的输出误差作为遗传算法的适应度函数,通过不断迭代优化，得到输出误差最小时所对应的染色体变量,从而确定整个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(1)通过训练样本确定神经网络的输入与输出;(2)确定神经网络层数;(3)根据输入输出数目确定神经网络隐含层的神经元个数;(4)采用遗传算法对神经网络的权值与阈值的初始值进行优化;(5)优化后的神经网络对样本进行训练，得到预测输出。1.1.1微电网中风电光伏功率预测微电网中的风机、光伏功率输出受环境因素影响较大,风电和光伏输出功率的较大波动会对微电网稳定运行造成不利影响，所以基于微电网中风电和光伏功率的预测结果制定微电网调度计划显得尤为重要，影响风电和光伏功率的环境因素随机性强，预测难度大、精度低，所以目前主要是采用数值天气预报的方法来获取风速、风向、温度、光照强度等信息,然后分别对风电和光伏的输出功率进行预测。对风电和光伏输出功率的预测方法按照输入类型分类主要有物理法、统计法、综合法三种。

统计法是基于数值天气预报和对大量的历史数据进行统计，进而预测风电和

光伏输出功率。统计法优点是不需要大量的运算过程，求解速度快，但是需要大量的历史数据，常用神经网络等智能算法得到环境变量与输出功率之间的映射关系。本文采用统计法预测风电和光伏输出功率，所用算法为遗传算法优化的BP神经网络预测算法(GA-BP)。使用GA-BP对风电输出功率进行预测与使用BP神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，过快的功率变化不仅使预测难度增加，并且还会对微电网造成较大的冲击，从预测效果看，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使预测误差增大。图3-6GA-BP与BP神经网络对风电功率预测结果对比使用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。表3-1

GA-BP与BP对风电功率预测误差均方根误差平均绝对误差平均绝对百分比误差GA-BP2.72311.80550.12072BP1.33452.17440.14802表3-1预测误差可看出使用GA-BP算法对风电功率预测的平均绝对百分比误

差MAPE=15.003%，预测结果较好，可以满足实际精度要求。在10-18时风电功率波动较大时，使用GA-BP算法的预测效果明显好于使用BP神经网络对风电功率.进行预测。且从预测误差进行比较，GA-BP预测的RMSE、MAE、MAPE误差值，

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

法的优越性。

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。图3-7GA-BP与BP神经网络对光伏功率预测结果对比使用GA-BP算法对光伏功率进行预测时，光伏功率在1-6时和20-24时实际值为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分别得到预测误差如表3-2所示。表3-2

GA-BP与BP对光伏功率预测误差均方根误差平均绝对误差平均绝对百分比误差GA-BP6.64524.79040.17937BP6.88665.53960.21455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3-2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，不论是在光伏功率实际值为0的时段还是在10-15时光伏功率实际值最大的时段，使用GA-BP的预测效果都好于使用BP神经网络进行预测，即证明了对BP神经网络预测算法进行优化的必要性。1.4小结随着时代的发展，绿色能源也越来越受重视，对可再生能源的预测的精度要求也更高。本章基于风电、光伏的历史功率信息，将遗传算法应用于BP神经网络对风电、光伏和对应的环境信息、历史