基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的算法在風(fēng)電功率預(yù)測的特點(diǎn)案例分析目錄TOC\o"1-3"\h\u22212基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的算法在風(fēng)電功率預(yù)測的特點(diǎn)案例分析 1311421.1BP神經(jīng)網(wǎng)絡(luò)基本概念 1247051.2BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)造 316951.3BP算法仿真 5267931.2.1BP算法設(shè)計組成 5225391.1.2.BP神經(jīng)網(wǎng)絡(luò)的模型建立 71.1BP神經(jīng)網(wǎng)絡(luò)基本概念神經(jīng)網(wǎng)絡(luò)(NeuralNetworks，NN)，也稱為人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeu-ralNetworks，ANN)，神經(jīng)網(wǎng)絡(luò)具備動物神經(jīng)網(wǎng)絡(luò)行為特點(diǎn)表現(xiàn)，在分布式信息處理算法下，創(chuàng)建對應(yīng)的教學(xué)模型。鑒于神經(jīng)網(wǎng)絡(luò)處理單元保持相互連接關(guān)系，組建多個復(fù)雜的網(wǎng)絡(luò)系統(tǒng)，能妥善應(yīng)對非線性問題。神經(jīng)網(wǎng)絡(luò)是本領(lǐng)域常見的熱點(diǎn)問題，期間需要具備不同學(xué)科的知識點(diǎn)，并且應(yīng)用控制、模式識別、建模等方法進(jìn)行處理。神經(jīng)網(wǎng)絡(luò)基礎(chǔ)是神經(jīng)元神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)包含輸入層、隱含層、輸出層三層結(jié)構(gòu)，其基本結(jié)構(gòu)如圖所示。圖1.1神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.1.1Basicstructureofneuralnetwork神經(jīng)網(wǎng)絡(luò)內(nèi)部通過大量神經(jīng)元組成，是一個多樣化的網(wǎng)絡(luò)結(jié)構(gòu)，應(yīng)用在非線性問題，研究學(xué)者對神經(jīng)元網(wǎng)絡(luò)高度重視，并開展較多的研究，其中就包括不同科目的內(nèi)容，當(dāng)前對建模、模式識別等產(chǎn)生深遠(yuǎn)影響，應(yīng)用場景正不斷增加。1．生物神經(jīng)元人大腦可收集整合大量的外部信息，主要是神經(jīng)元發(fā)揮作用。不同神經(jīng)元間保持相互連接關(guān)系，同時相互結(jié)構(gòu)相對復(fù)雜，能妥善應(yīng)對網(wǎng)絡(luò)相關(guān)問題。單個神經(jīng)元的具體結(jié)構(gòu)如圖3．1所示。它主要由細(xì)胞體、樹突、軸突和突觸(Synapse)組成，包括三個組成部分，不同部門對應(yīng)功能有所差異。圖1.2生物神經(jīng)元Fig.1.2Structuraldiagram2、人工神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)是指諸多神經(jīng)元所組建的網(wǎng)絡(luò)系統(tǒng)，能客觀判斷人腦的基礎(chǔ)特點(diǎn)，神經(jīng)元模型的基本要素如下所示：保持獨(dú)立突觸和聯(lián)接，選擇％進(jìn)行聯(lián)接強(qiáng)度界定，也有部分場景使用權(quán)值。人工神經(jīng)元和生物神經(jīng)元存在根本差異，特別是取值范圍上。擁有生物神經(jīng)元空整合功能的設(shè)備。擁有獨(dú)立激勵函數(shù)滿足制神經(jīng)元輸出限制操作。圖1.3人工神經(jīng)元模型Figure1.3Anartificialneuronmodel1.2BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)造U1，U2……Ui……UJ……xiy激勵函數(shù)f(xi)在激勵函數(shù)、函數(shù)有所差異，將直接影響神經(jīng)元的輸出特征。組建多個神經(jīng)元模型。激勵函數(shù)有顯著的非線性特點(diǎn)，主要類型如下：圖1.4非線性激勵函數(shù)分段曲線Fig.1.4Piecewisecurveofnonlinearexcitationfunction在神經(jīng)網(wǎng)絡(luò)中，d是指輸入層神經(jīng)元數(shù)量，l是指輸出層神經(jīng)元數(shù)量，θi是指輸出層閾值，γh是指h個神經(jīng)元閾值。whi是第h個神經(jīng)元與第i個神經(jīng)元的連接權(quán)重。給定訓(xùn)練集D=x1,（1）網(wǎng)絡(luò)在樣本空間輸出的均方差損失函數(shù)：Ek（2）梯度搜索法進(jìn)行參數(shù)調(diào)整：v=v+?v（3）激活sigmoid函數(shù)：?Ek??Ek?（4）計算梯度?Ek??β?y綜上?E（5）隱藏層閾值梯度?E?b綜上：?Ek（6）結(jié)論：gh基于公式（3-9），公司內(nèi)部上層神經(jīng)元閾值建立梯度，即可評估神經(jīng)網(wǎng)絡(luò)閾值梯度、連接權(quán)值梯度。針對輸出層，可通過式（3-8）進(jìn)行計算，所以可計算出整個網(wǎng)絡(luò)的神經(jīng)元閾值和連接權(quán)值的梯度，實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。綜合應(yīng)用BP算法，能滿足自主學(xué)習(xí)、自適應(yīng)等方面的需求，促進(jìn)非線性映射能力的提升，保持推到的邏輯性，提升泛化效果。除此之外，BP算法也存在局限性和問題，如下：(1)收斂速度嚴(yán)重不足;?(2)算法網(wǎng)絡(luò)功能表現(xiàn)較差;?(3)誤差平方和函數(shù)局限性較強(qiáng)，同時算法缺乏完整性；(4)學(xué)習(xí)率穩(wěn)定性較差。因此我們需要選擇更優(yōu)化的算法提高這些局限性。1.3BP算法仿真1.2.1BP算法設(shè)計組成BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，需要通過誤差逆?zhèn)鞑?、模式順傳播、學(xué)習(xí)收斂、記憶訓(xùn)練四種方法的結(jié)合。（1）模式順傳播。模式順傳播是指自輸入層到輸出層流程，通過在末端輸出量，輸入模式所提供網(wǎng)絡(luò)需自輸入層進(jìn)行核算，輸入層不通過單元對應(yīng)輸入模式的不同元素，輸入模式向量記作x2=(xsj=式(3．3)中：sj是指隱含層輸入值；θj是指隱含層閾值，j=1，2，…p；P是指隱含層單元數(shù)量；a非線性特性需要基于sjbj=f(分析式(3．4)：隱含層射個神經(jīng)單元輸出值，可通過閾值電位進(jìn)行設(shè)計，在具體訓(xùn)練時，不能直接被外部修改，輸出層單元輸入計算如下：Lt=j=1n通過分析(3．5)、(3．6)：vji是指連結(jié)權(quán)值；γt是指閾值,t是指神經(jīng)元個數(shù)；L(2)誤差逆?zhèn)鞑フ`差逆?zhèn)鞑タ蓪?shí)現(xiàn)輸出層輸出值、期望值的誤差傳遞，隨后將其轉(zhuǎn)變?yōu)檫B接權(quán)值。首先，需要計算和分析誤差，誤差逆?zhèn)鞑r，需要以輸出層誤差dj為基礎(chǔ)，隨后向隱含層誤差ej進(jìn)行傳遞，輸出層校正誤差信息如下所示：dtk完成誤差向隱含層傳遞，實(shí)施不同單元校正誤差分析，具體參考下式：?j獨(dú)立中間隱含層單元校正誤差均可通過g個輸出層單元進(jìn)行矯正和分析，在判斷誤差水平后，即可調(diào)整連接權(quán)重、閾值數(shù)據(jù)。ΔvjiΔγtΔWijΔθj其中：a、β為學(xué)習(xí)速率，一般為常數(shù)。0<a<1，0<β<l。（3）記憶訓(xùn)練和學(xué)習(xí)收斂訓(xùn)練過程是指反復(fù)學(xué)習(xí)的過程，基于網(wǎng)絡(luò)實(shí)際輸出量，通過判斷學(xué)習(xí)期望輸出值的誤差水平，進(jìn)行權(quán)值和閾值的調(diào)整。在日常訓(xùn)練時，需要反復(fù)進(jìn)行順傳播過程和誤差逆?zhèn)鞑ス芾?，網(wǎng)絡(luò)實(shí)際輸出量與期望輸出量基本保持相同。正常而言，訓(xùn)練信息需要通過場次的學(xué)習(xí)過程，才能保持收斂情況。參考圖1.5信息，輸入P為R×1維輸入矢量，網(wǎng)絡(luò)層由權(quán)值矩陣和閥值矢量分別記作W、b，分析單元、傳遞函數(shù)運(yùn)算單元情況，S個神經(jīng)元輸出組成獨(dú)立s×1維神經(jīng)網(wǎng)絡(luò)輸出矢量，記作a.RRnWB+++1×R1×1R×11×1P1×1nA=f(Wp+b)圖1.5神經(jīng)網(wǎng)絡(luò)輸入輸出模型Fig.1.5neuralnetworkinput-outputmodel輸入層網(wǎng)絡(luò)權(quán)值矩陣W、閥值矢量b，參考如下：（3-21）（3-21）b1b2b3bsW1.1W1.2W1.3W1.RW2.1W2.2W2.3W2.RW1.1W1.2W1.3W1.RWS.1WS.2WS.3WS.RW=b=學(xué)習(xí)特征能為神經(jīng)神經(jīng)網(wǎng)絡(luò)創(chuàng)建基礎(chǔ)值，應(yīng)用調(diào)整網(wǎng)絡(luò)權(quán)值、閾值提供神經(jīng)網(wǎng)絡(luò)訓(xùn)練?；趯W(xué)習(xí)流程，創(chuàng)建獨(dú)特的組織管理模式，學(xué)習(xí)方法可劃分為兩種類型，監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)?；趫D1.6內(nèi)容，BP神經(jīng)網(wǎng)絡(luò)（誤差反向傳播算法）屬于較典型監(jiān)督學(xué)習(xí)算法，網(wǎng)絡(luò)往往是一定數(shù)量的訓(xùn)練樣本進(jìn)行訓(xùn)練。訓(xùn)練樣本通常由輸入向量和目標(biāo)向量組成。學(xué)習(xí)管理時，對比分析神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出、目標(biāo)輸出數(shù)據(jù)，判斷數(shù)據(jù)的誤差范圍，結(jié)合特定的運(yùn)算邏輯調(diào)整閾值，確保網(wǎng)絡(luò)與目標(biāo)值貼合。神經(jīng)網(wǎng)絡(luò)（由大量神經(jīng)元，相互連接的權(quán)值和閥值構(gòu)成）神經(jīng)網(wǎng)絡(luò)（由大量神經(jīng)元，相互連接的權(quán)值和閥值構(gòu)成）比較輸出目標(biāo)權(quán)值/閥值調(diào)節(jié)權(quán)值/閥值調(diào)節(jié)圖1.6監(jiān)督學(xué)習(xí)算法Fig1.6supervisedlearningalgorithm1.1.2.BP神經(jīng)網(wǎng)絡(luò)的模型建立通過前一章節(jié)已經(jīng)建立好的局地效應(yīng)模型考慮了風(fēng)速風(fēng)向，溫度，與壓力等多種因素對輸出風(fēng)電功率限制，進(jìn)行數(shù)據(jù)管理，具體流程參考圖1.7。初始數(shù)據(jù)選取一天為代表，每15分鐘測量一次各項(xiàng)數(shù)據(jù)，記錄如表，訓(xùn)練流程如下。表1.1初始數(shù)據(jù)表Table1.1initialdatatable當(dāng)前時間氣象風(fēng)速風(fēng)機(jī)風(fēng)速偏差絕對值當(dāng)前壓力當(dāng)前溫度當(dāng)前濕度預(yù)測功率置信上限置信下限12:15:00AM7.477.4587.47869.226-9.5357.4738.1745.80430.53612:30:00AM7.47.43707.4869.293-9.6557.8437.9945.58830.39212:45:00AM7.337.54307.33869.355-9.7658.237.9645.55230.3681:00:00AM7.267.5397.26869.409-9.8858.5738.0945.70830.4721:15:00AM7.177.6957.17869.455-1058.9538.3646.03230.6881:30:00AM7.087.7897.08869.49-10.1259.3538.7746.52431.0161:45:00AM6.987.5786.98869.512-10.2559.7839.347.1631.442:00:00AM6.867.2236.86869.52-10.3960.2539.9647.95231.9682:15:00AM6.77.038336.7869.508-10.5460.840.7248.86432.5762:30:00AM6.476.9766.47869.473-10.7161.4641.5749.88431.2562:45:00AM6.186.736676.18869.421-10.962.242.5251.02434.0163:00:00AM5.866.588675.86869.356-11.0962.9941.5352.23634.8243:15:00AM5.56.525675.5869.283-11.2961.844.6151.53235.6883:30:00AM5.156.527335.15869.204-11.4964.6145.7354.87636.5843:45:00AM4.86.430674.8869.126-11.6965.3746.8956.26837.5124:00:00AM4.476.059334.47869.052-11.8766.0648.0757.68438.4564:15:00AM4.185.896334.18868.987-12.0466.6649.2559.139.44:30:00AM1.945.575671.94868.935-12.1867.1250.4460.52840.3524:45:00AM1.775.555671.77868.901-12.3167.4251.6161.93241.2885:00:00AM1.695.521331.69868.889-12.467.5252.7561.342.25:15:00AM1.655.365671.65868.901-12.4767.4851.8564.6241.085:30:00AM1.635.267671.63868.936-12.5467.3654.9165.89241.9285:45:00AM1.614.840671.61868.99-12.6167.1655.9167.09244.7286:00:00AM1.594.703671.59869.058-12.6866.8956.8568.2245.486:15:00AM1.584.604331.58869.139-12.7466.5557.7169.25246.1686:30:00AM1.574.597671.57869.227-12.7966.1558.5170.21246.8086:45:00AM1.564.5611.56869.32-12.8465.6959.2371.07647.3847:00:00AM1.544.6651.54869.413-12.8865.1759.8971.86847.9127:15:00AM1.534.865671.53869.503-12.9264.660.4772.56448.3767:30:00AM1.515.2421.51869.587-12.9461.9860.9971.18848.7927:45:00AM1.485.567671.48869.66-12.9661.3261.4671.75249.1688:00:00AM1.455.8451.45869.72-12.9762.6261.8874.25649.5048:15:00AM1.386.0731.38869.773-12.8261.3962.2774.72449.8168:30:00AM1.246.211.24869.828-12.4159.2462.6375.15650.1048:45:00AM1.066.276331.06869.884-11.7856.3662.9875.57650.3849:00:00AM2.836.359672.83869.939-10.9952.9261.3375.99650.6649:15:00AM2.596.429672.59869.992-10.0649.0961.6976.42850.9529:30:00AM2.336.2832.33870.043-9.0545.0664.0676.87251.2489:45:00AM2.075.842672.07870.089-840.9964.4677.35251.56810:00:00AM1.835.555331.83870.13-6.9637.0764.977.8851.9210:15:00AM1.635.1621.63870.163-5.9631.4765.3678.43252.28810:30:00AM1.465.000671.46870.189-5.0730.3765.8579.0252.6810:45:00AM1.354.6931.35870.205-4.3127.9466.3679.63251.08811:00:00AM1.314.751331.31870.211-1.7426.3566.8880.25651.50411:15:00AM1.385.140671.38870.165-1.2725.2767.480.8851.9211:30:00AM1.565.211671.56870.036-2.824.2367.9181.49254.32811:45:00AM1.845.125331.84869.84-2.3421.2468.3882.05654.70412:00:00PM2.195.022672.19869.592-1.8922.3168.882.5655.0412:15:00PM2.594.949332.59869.307-1.4621.4569.1582.9855.32否否是結(jié)束是否開始網(wǎng)絡(luò)連接初始化閾值樣本輸入計算輸出層與中間層的輸出輸入層輸出層誤差校正調(diào)整連接各層的權(quán)重與裕度限制訓(xùn)練樣本更新樣本是否訓(xùn)練完畢訓(xùn)練次數(shù)更新訓(xùn)練次數(shù)＞預(yù)定值誤差＜限定額度圖1.7神經(jīng)網(wǎng)絡(luò)算法邏輯圖例Fig.1.7Logicallegendofneuralnetworkalgorithm通過參考圖1.7內(nèi)容，可獨(dú)立生成基于BP神經(jīng)網(wǎng)路的訓(xùn)練六成都，建模處理時需要選用模型參數(shù)如表2。神經(jīng)網(wǎng)絡(luò)算法下需要進(jìn)行參數(shù)設(shè)置，步幅=10、動量因子=0.01，訓(xùn)練次數(shù)=10000，目標(biāo)誤差=0.01，輸入層節(jié)點(diǎn)=14，隱藏層節(jié)點(diǎn)=7，傳遞函數(shù)分別為：logsig和tansig函數(shù)。在MATLAB中進(jìn)行迭代得到模型最佳驗(yàn)證性能，預(yù)測結(jié)果如圖1.8所示。圖1.8BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂過程Fig.1.8Trainingconvergenceprocessof8BPneuralnetwork其中仿真參數(shù)如圖所示