蜂群算法改進的BP神經(jīng)網(wǎng)絡風電功率預測

提出一種采用bp神經(jīng)網(wǎng)絡算法來預測深基坑沉降的方法,結合具體工程實例,構建了預測深基坑周邊地表沉降具體bp神經(jīng)網(wǎng)絡模型,預測結果表明,該模型有較高的預測精度,可作為預測沉降的一種新方法。

將bp神經(jīng)網(wǎng)絡用于電力負荷預測。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡構造及預測結果評價方法。在南京市夏季電力負荷統(tǒng)計數(shù)據(jù)集上面的實驗結果表明,bp神經(jīng)網(wǎng)絡能夠?qū)﹄娏ω摵蛇M行較好地預測。

風能作為一種清潔環(huán)保的新能源,有著無污染、低成本、可再生等眾多優(yōu)點。目前我國擁有豐富的風能,有著巨大的發(fā)展前景,目前風力發(fā)電已有一定規(guī)模。但是,由于風電的隨機性和間歇性的特點,輸出功率很不穩(wěn)定,易對電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運行。通過準確地預測風電功率,提前采取相應措施,是減少對電網(wǎng)沖擊的有效措施。本文研究風電的短期功率預測,在確定影響變量的基礎上,利用神經(jīng)網(wǎng)絡中的rbf神經(jīng)網(wǎng)絡進行風電功率預測。通過預測結果與實際功率的比較,得到誤差小較理想的預測結果,預測結果較好。

風能作為一種清潔環(huán)保的新能源,有著無污染、低成本、可再生等眾多優(yōu)點。目前我國擁有豐富的風能,有著巨大的發(fā)展前景,目前風力發(fā)電已有一定規(guī)模。但是,由于風電的隨機性和間歇性的特點,輸出功率很不穩(wěn)定,易對電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運行。通過準確地預測風電功率,提前采取相應措施,是減少對電網(wǎng)沖擊的有效措施。本文研究風電的短期功率預測,在確定影響變量的基礎上,利用神經(jīng)網(wǎng)絡中的rbf神經(jīng)網(wǎng)絡進行風電功率預測。通過預測結果與實際功率的比較,得到誤差小較理想的預測結果,預測結果較好。

風能作為一種清潔環(huán)保的新能源,有著無污染、低成本、可再生等眾多優(yōu)點。目前我國擁有豐富的風能,有著巨大的發(fā)展前景,目前風力發(fā)電已有一定規(guī)模。但是,由于風電的隨機性和間歇性的特點,輸出功率很不穩(wěn)定,易對電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運行。通過準確地預測風電功率,提前采取相應措施,是減少對電網(wǎng)沖擊的有效措施。本文研究風電的短期功率預測,在確定影響變量的基礎上,利用神經(jīng)網(wǎng)絡中的rbf神經(jīng)網(wǎng)絡進行風電功率預測。通過預測結果與實際功率的比較,得到誤差小較理想的預測結果,預測結果較好。

針對風電場發(fā)電功率短時間預測問題，根據(jù)風能的“間歇性”和“隨機性”的特點，依據(jù)真實數(shù)據(jù)，以“時間序列分析”，“神經(jīng)網(wǎng)絡系統(tǒng)”，“小渡分析”等數(shù)學模型思想為基礎，分別建立了“時間序列分析模型（ar模型）”，“時間序列分析模型（arm模型）＋小波分析模型”與“神經(jīng)網(wǎng)絡系統(tǒng)模型”對我國大唐赤峰東山風電場風電功率進行實時預測。最后，根據(jù)國家能源局頒布的相應指標對這三種模型進行分析和評估。

風能是一種清潔的可再生能源,由于風力發(fā)電的波動性、間歇性,能使大容量風力發(fā)電并網(wǎng)對電力系統(tǒng)可靠、經(jīng)濟運行產(chǎn)生消極影響。為保證電力系統(tǒng)運行的穩(wěn)定性,合理制定調(diào)度計劃,根據(jù)已有的4臺風電機組的實測功率,提出對原始數(shù)據(jù)進行平滑化處理和基于灰色預測模型gm(1,1)的預測方法。即以風電機組第23d前若干天的功率數(shù)據(jù)為原始數(shù)據(jù),對4臺風電機組分別進行未來24h(第23d)的功率進行預測,并按國家標準公式計算預測準確率。根據(jù)仿真結果確定最佳預測用原始數(shù)據(jù),預測準確率達到國家標準,驗證了該方法的有效性和可行性。

針對bp神經(jīng)網(wǎng)絡訓練過程中的訓練時間較長、完全不能訓練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經(jīng)網(wǎng)絡的流程,克服bp算法的一些缺陷。并通過湖北省人口預測問題進行效果檢驗,得到滿意的結果。

負荷預測是電力規(guī)劃的基礎,傳統(tǒng)的神經(jīng)網(wǎng)絡預測方法存在對初始網(wǎng)絡權值設置敏感、收斂的速度慢、容易陷入局部極小值等缺點。文中引入遺傳算法先對神經(jīng)網(wǎng)絡的初始值進行優(yōu)化,再通過神經(jīng)網(wǎng)絡進行學習和訓練,得出的結果再經(jīng)bagging方法集成,目的是提高其準確率。通過matlab仿真進行實驗,結果表明,基于bagging算法集成遺傳神經(jīng)網(wǎng)絡,能夠克服傳統(tǒng)bp神經(jīng)網(wǎng)絡的缺點,可較快收斂又不易陷入到局部極值中,具有較強的泛化能力,同時也大大提高了網(wǎng)絡的預測精度。

邊坡的實時變形一直是巖土工程界關心的問題,由于不同工程的條件不同,影響邊坡位移的因素較多,進而使其變化趨勢復雜.為了得到邊坡位移與穩(wěn)定性的關系,采用bp神經(jīng)網(wǎng)絡算法與強度折減法綜合對土質(zhì)邊坡安全系數(shù)進行預測.結果顯示:通過強度折減法計算出邊坡位移,并獲取較完善的bp神經(jīng)網(wǎng)絡樣本數(shù)據(jù),當?shù)螖?shù)達到足夠時,完全可以忽略預測結果與實際結果的誤差；通過實際工程中的邊坡監(jiān)測數(shù)據(jù),然后由建立的bp神經(jīng)網(wǎng)絡能夠較為準確的輸出邊坡的強度折減系數(shù),進而得到相應的安全系數(shù).

在對某基坑工程采用bp神經(jīng)網(wǎng)絡模型預測基坑開挖引起地表變形的分析中,考慮到現(xiàn)有模型可能會遇到預測結果跳不出訓練樣本以及訓練時間較長的問題,提出采用matlab中的mapminmax函數(shù)進行歸一化處理,并基于牛頓法、共軛梯度法和l-m法三種數(shù)值優(yōu)化方法對bp網(wǎng)絡訓練算法進行了改進.研究結果表明:與常用的基于梯度下降原則相比,改進后的bp神經(jīng)網(wǎng)絡在訓練時間和預測誤差方面均有明顯的優(yōu)勢,采用l-m法的神經(jīng)網(wǎng)絡在訓練樣本時的迭代次數(shù)最少為74次,采用共軛梯度法的預測結果與實測結果的誤差最大為2.4％,而采用牛頓法神經(jīng)網(wǎng)絡的預測值則比較均衡,預測結果相對最佳.

bp神經(jīng)網(wǎng)絡是分析處理復雜非線性問題的一種有效方法,是目前廣泛應用的一種神經(jīng)網(wǎng)絡,已被逐漸應用于對宏觀經(jīng)濟問題的研究中。本文有機地整合了計量經(jīng)濟學與bp神經(jīng)網(wǎng)絡,建立了基于因果關系理論來確定bp網(wǎng)絡的輸入變量,基于協(xié)整理論來分析bp網(wǎng)絡系統(tǒng)的可靠性,基于學習率可變的動量bp算法的用于研究經(jīng)濟領域問題的改進bp神經(jīng)網(wǎng)絡預測模型,加強了網(wǎng)絡模型的理論基礎,提高了網(wǎng)絡模型的質(zhì)量,并將其應用于西北建筑業(yè)的預測和控制中,取得了令人滿意的效果。

針對傳統(tǒng)方法單獨采用bp神經(jīng)網(wǎng)絡算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡,并將其應用于mimo-ofdm系統(tǒng)信號檢測中。該方法將遺傳算法與神經(jīng)網(wǎng)絡相結合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡初始值,使bp網(wǎng)絡快速收斂到最優(yōu)解,避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明所提出的方法在誤碼率方面有比較好的性能。

針對風電功率超短期預測精度不高的問題,提出了一種結合theil不等系數(shù)與改進誘導有序加權算子的組合預測方法.由于預測時刻的實際風電功率值未知,因此無法直接利用該方法進行預測.文章利用各單項預測模型的前幾個時刻的預測精度均值作為預測時刻風電功率的誘導值,對誘導有序加權算子進行了改進,解決了預測時刻誘導值未知的問題.采用誤差信息矩陣對單項模型進行冗余度分析,得到優(yōu)選單項模型,然后建立基于theil不等系數(shù)和3種改進誘導有序加權算子的組合預測模型.通過分析和實例驗證表明,結合theil不等系數(shù)和誘導有序加權算數(shù)平均算子(iowa)的組合模型能有效地提高風電功率預測精度.

為克服傳統(tǒng)bp神經(jīng)網(wǎng)絡方法在建筑能耗預測的不足,提出了一種基于時間序列自相關分析的人工魚群神經(jīng)網(wǎng)絡預測模型。對建筑標準能耗進行自相關分析,確定輸入變量的維數(shù),結合人工魚群算法尋優(yōu)速度快、易跳出極值等優(yōu)點,對bp神經(jīng)網(wǎng)絡的初值權值和閾值進行優(yōu)化,建立能耗預測模型,并用模型對西安某高校建筑一個月的能耗值進行預測。結果表明,較傳統(tǒng)的bp神經(jīng)網(wǎng)絡模型,人工魚群神經(jīng)網(wǎng)絡預測模型具有更快的收斂速度,預測精度在±1%左右,預測誤差隨著迭代次數(shù)的增加而降低。

目前，我國風電已進入較為快速的發(fā)展時期。而伴隨著風電領域的發(fā)展，風電輸出功率預測作為一個新的研究領域，越來越受人們的重視。風電功率預測預報系統(tǒng)的設計，不僅提供了風電運行的調(diào)度技術，也有利于風電調(diào)度安排系統(tǒng)進行發(fā)電計劃的制定，大大降低了風電運行的備用容量及運行的成本。與此同時，能夠確保電力系統(tǒng)的運行安全穩(wěn)定，對整個電力市場的有效管理具有重大作用。

為解決bp神經(jīng)網(wǎng)絡應用于入侵檢測時檢測率較低、訓練時間過長的問題,對改進差分進化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡并用于入侵檢測的可行性進行研究.該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對差分進化算法進行改進以提高其全局尋優(yōu)能力.用改進后的算法優(yōu)化bp神經(jīng)網(wǎng)絡權值閾值.通過逐次的迭代訓練使bp神經(jīng)網(wǎng)絡收斂,將優(yōu)化過的bp神經(jīng)網(wǎng)絡用于入侵檢測.仿真實驗結果顯示,優(yōu)化的bp網(wǎng)絡在收斂速度和精度方面有明顯提升,用于入侵檢測時提高了檢測準確率,縮短了訓練時間.

為解決bp神經(jīng)網(wǎng)絡應用于入侵檢測時檢測率較低、訓練時間過長的問題,對改進差分進化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡并用于入侵檢測的可行性進行研究。該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對差分進化算法進行改進以提高其全局尋優(yōu)能力。用改進后的算法優(yōu)化bp神經(jīng)網(wǎng)絡權值閾值。通過逐次的迭代訓練使bp神經(jīng)網(wǎng)絡收斂,將優(yōu)化過的bp神經(jīng)網(wǎng)絡用于入侵檢測。仿真實驗結果顯示,優(yōu)化的bp網(wǎng)絡在收斂速度和精度方面有明顯提升,用于入侵檢測時提高了檢測準確率,縮短了訓練時間。

優(yōu)化電解碲電源對電解行業(yè)節(jié)能增效、提高電解產(chǎn)品質(zhì)量和改善電網(wǎng)環(huán)境具有重要意義.電源前級采用三相電壓型pwm整流器；在建立pwm整流器數(shù)學模型的基礎上；通過改進雙閉環(huán)pi控制策略；即外環(huán)基于并行搜索全局尋優(yōu)的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡權值和閾值的智能控制方法；分析網(wǎng)側(cè)電流波形和諧波含量；可得到所需的額定電解電壓和電流；以matlab/simulink軟件為平臺進行仿真計算.結果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應速度快、超調(diào)量小、抗干擾性強等優(yōu)點.

為使地鐵隧道在施工中沉降監(jiān)測數(shù)據(jù)具有一定的預見性,分別采用了bp神經(jīng)網(wǎng)絡改進算法的預測模型、傳統(tǒng)bp神經(jīng)網(wǎng)絡預模型以及基于時間序列的三次指數(shù)平滑法預測模型對地鐵隧道施工中的沉降監(jiān)測數(shù)據(jù)進行了預測。對其預測結果進行分析,得出了bp神經(jīng)網(wǎng)絡改進算法模型預測精度優(yōu)于傳統(tǒng)bp神經(jīng)網(wǎng)絡模型以及基于時間序列的三次指數(shù)平滑法模型預測精度的結論。

針對傳統(tǒng)bp神經(jīng)網(wǎng)絡存在的缺點,提出基于遺傳優(yōu)化的變梯度反向傳播的bp神經(jīng)網(wǎng)絡預測方法,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡的初始權重,建立路基沉降預測模型。該模型可克服bp神經(jīng)網(wǎng)絡模型存在的收斂速度慢、易陷入局部極小點等缺點。結合現(xiàn)場實測數(shù)據(jù),將該優(yōu)化模型與指數(shù)曲線模型、雙曲線模型、灰色預測模型和傳統(tǒng)bp神經(jīng)網(wǎng)絡預測模型對比,結果表明改進的bp神經(jīng)網(wǎng)絡在路基沉降預測中精度最高,適宜于廣泛推廣應用。

針對傳統(tǒng)的bp神經(jīng)網(wǎng)絡存在的缺點,提出了用附加動量法、自適應學習速率和l-m優(yōu)化算法等幾種算法進行優(yōu)化。通過對比分析,證明了采用l-m優(yōu)化和附加動量因子算法相結合取得了最優(yōu)的預測效果。該方法克服了bp神經(jīng)網(wǎng)絡模型存在的收斂速度慢、易陷入局部極小點的缺點。結合現(xiàn)場實測數(shù)據(jù),將該優(yōu)化模型與傳統(tǒng)的bp神經(jīng)網(wǎng)絡預測模型對比,預測結果表明改進的bp神經(jīng)網(wǎng)絡在路基沉降預測中精度最高,適宜廣泛采用。