[基礎(chǔ)科學(xué)]風(fēng)功率預(yù)測(cè)論文(參考版)
2025-01-21 13:13本頁(yè)面
【正文】 ,12) 23 。,39。,12)ylabel(39。,39。,12)xlabel(39。,39。)title(39。,39。legend(39。r:o39。)。endfigure(2)plot(ys((n5):n),39。y(:,1)=y(:,1)。 %網(wǎng)絡(luò)輸出值 yc(i)=ym。 end theta6=(1+exp(w11*t))*(theta5y(1,1))。 %LD層輸出 end theta5=0。 %LC層輸出 end LD_d=0。 %LB層輸出 LC_c(1,1)=LB_b*w2(1,1)。%print dtiff r600 283%根據(jù)訓(xùn)出的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)for i=(n5):n t=i。fontsize39。誤差39。,12)。,39。xlabel(39。fontsize39。訓(xùn)練誤差39。 end w11=w11+a*t*thetaE。 end thetaE=(1/(1+exp(w11*t)))*(11/(1+exp(w11*t)))*thetaE0。 end thetaE0=0。 %計(jì)算誤差 E(j)=E(j)+abs(error)。 yc(i)=ym。 end theta4=(1+exp(w11*t))*(theta3y(1,1))。 end %閥值 theta3=0。 end %LD層輸出 LD_d=0。 %LC層輸出 LC_c(1,1)=LB_b*w2(1,1)。for i=1:(n6) %% 網(wǎng)絡(luò)輸出計(jì)算 t=i。kk=1。for k=1:(m1)theta1=theta1+b(1,k)*y(1,(k+1))/a。endfor k=1:mw3(k)=1+exp(a*t)。w2(1,1)=y(1,1)。end%% 權(quán)值閥值初始化t=1。for k=1:(m1) b(k)=+rand(1)/4。for i=1:n for j=1:m y(i,j)=sum(X(1:i,j))。,num2str(ys(n+1:n+t_test))])。disp([39。%39。百分絕對(duì)誤差為：39。enddet=det/(n1)。det=0。.b39。*r39。yn=ys(2:n+t_test)。endx=1:n。yys(1)=y(1)。i=1:t_test+n。請(qǐng)輸入需要預(yù)測(cè)個(gè)數(shù)：39。t=u/a。a=A(1)。endYN=YN39。endBT=B39。for i=1:(n1)B(i,1)=(yy(i)+yy(i+1))/2。for i=2:nyy(i)=yy(i1)+y(i)。yy=ones(n,1)。 Wave let BP方法比單純的BP網(wǎng)絡(luò)預(yù)測(cè)精度要高, 這是因?yàn)樾〔ǚ纸忸A(yù)測(cè)模型提取了反映風(fēng)速變化的規(guī)律, 將非平穩(wěn)時(shí)間序列分解成多個(gè)比原序列平穩(wěn)得多的序列, 充分展示了風(fēng)功率序列的精細(xì)結(jié)構(gòu), 降低了隨機(jī)成分對(duì)確定性成分的干擾, 提高了數(shù)據(jù)變化的穩(wěn)定程度, 從而提高了預(yù)測(cè)精度。本文采用平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和均方根誤差( RMSE )來(lái)對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。本文選擇逐漸增加隱層節(jié)點(diǎn)數(shù)目的增長(zhǎng)法, 即給定容許誤差, 令N從1開(kāi)始以步長(zhǎng)1逐漸增加, 直到網(wǎng)絡(luò)的輸出滿足要求。隱層節(jié)點(diǎn)數(shù)N 的確定是網(wǎng)絡(luò)訓(xùn)練中的關(guān)鍵內(nèi)容之一。針對(duì)各小波系數(shù)分別計(jì)算自相關(guān)系數(shù)來(lái)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)。m 的確定一般采用以均方根誤差最小化為原則的試湊法, 但該方法需要大量試驗(yàn), 耗時(shí)較多。(3).2 樣本構(gòu)造與處理 在低頻概貌分量和各高頻細(xì)節(jié)分量中分別提取350個(gè)訓(xùn)練樣本對(duì)和50個(gè)測(cè)試樣本對(duì), 做歸一化處理。風(fēng)功率時(shí)間序列記為, {Xt, t=1, 2....n}, 將原數(shù)據(jù)序列進(jìn)行相空間重構(gòu), 構(gòu)造樣本對(duì)( X1, Y1 ) , 其中Xt = { xt m. , xt m + 1...., Xt 1 }, Yt =Xt, m 為輸入向量的維數(shù)。 h(m 2k), g( m 2k)分別為低通濾波器和高通濾波器。 Cj k為低頻系數(shù)。 （2）小波分解與重構(gòu) 運(yùn)用小波多分辨率分析方法對(duì)離散序列進(jìn)行分解與重構(gòu), 可將信號(hào)分解成低頻成份c1 ( t)和高頻成份d1 ( t), 再將低頻成份c1 ( t)進(jìn)一步分解, 如此復(fù)就可得到任意尺度上的高頻成份和低頻成份。 若不是這樣, 而產(chǎn)生了過(guò)調(diào), 那么就應(yīng)該減小學(xué)習(xí)速率的值。為了解決這個(gè)問(wèn)題, 在網(wǎng)絡(luò)訓(xùn)練中采用自動(dòng)調(diào)整學(xué)習(xí)速率的方法, 即自適應(yīng)學(xué)習(xí)速率法。 另外要選擇適當(dāng)?shù)膶W(xué)習(xí)速率比較困難, 因?yàn)樾〉膶W(xué)習(xí)速率導(dǎo)致較長(zhǎng)的訓(xùn)練時(shí)間, 而大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定。 x為網(wǎng)絡(luò)輸入。 ?w 為權(quán)值的增量。 j為隱含層節(jié)點(diǎn)數(shù)。該方法是在反向傳播法的基礎(chǔ)上在每一個(gè)權(quán)值的變化上加上一項(xiàng)正比于前次權(quán)值變化量的值, 并根據(jù)反向傳播法來(lái)產(chǎn)生新的權(quán)值變化。采用附加動(dòng)量法, 防止網(wǎng)絡(luò)陷入局部極小值。 輸出為a2, 目標(biāo)矢量為d, b 為偏移量。輸出層內(nèi)有S2 個(gè)神經(jīng)元, 對(duì)應(yīng)的激活函數(shù)F2 采用線性傳遞函數(shù)。 問(wèn)題三的求解：由于平滑曲線法的精確度的提高對(duì)我們實(shí)屬難事，而灰色預(yù)測(cè)法本身就適合模糊預(yù)測(cè)，不合適提高精度，所以我們對(duì)問(wèn)題一的第三種解法，也就是BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改造。 問(wèn)題二的求解通過(guò)問(wèn)題一中，方案一中得出的四種曲線圖，和上面給出的準(zhǔn)確率表格，我們可以可以看出(Pa,Pb,Pc,Pd)的準(zhǔn)確率明顯要?。≒4，P58)三到四個(gè)百分點(diǎn)，所以我們認(rèn)為普遍規(guī)律是：多個(gè)單臺(tái)電機(jī)組功率的相對(duì)誤差，會(huì)由于風(fēng)的波動(dòng)性的影響互相抵消一部分誤差，從而使得多機(jī)功率誤差較小于單機(jī)功率相對(duì)誤差。(四)設(shè)定網(wǎng)絡(luò)的學(xué)習(xí)精度為0．005(五)創(chuàng)建和訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的MATLAB程序通過(guò)matlab實(shí)現(xiàn)程序，選擇p58的數(shù)據(jù)進(jìn)行分析，可以得到以下圖形： 以上三種方案：，通過(guò)比較三種方案作出的曲線擬合圖，我們可以顯然得出采用第一種方案更為合適。（2） .模型的求解 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)(一)數(shù)據(jù)樣本的預(yù)處理 將樣本分為訓(xùn)練集和測(cè)試集，(二)確定激活函數(shù) 根據(jù)處理后的數(shù)據(jù)范圍，本文選取tansig和purelin作為激活函數(shù)。在具體設(shè)計(jì)時(shí)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過(guò)對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)。根據(jù)歷史數(shù)據(jù)，確定輸入
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1