[基礎(chǔ)科學(xué)]風(fēng)功率預(yù)測(cè)論文-閱讀頁(yè)
2025-02-02 13:13本頁(yè)面
【正文】 ，所以我們推薦第二種方案。預(yù)期：增加電機(jī)組，可以減小總功率的誤差。：（1）隱含層內(nèi)有S1 個(gè)神經(jīng)元, 激活函數(shù)F1 采用Sigmoid 型傳遞函數(shù)。輸入為p, 輸入神經(jīng)元有R1 個(gè)。本文采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò), 采取加入動(dòng)量因子和自適應(yīng)學(xué)習(xí)速率的方法來(lái)克服BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小、收斂速度慢的缺陷。附加動(dòng)量法使網(wǎng)絡(luò)在修正其權(quán)值時(shí), 不僅考慮誤差在梯度上的作用, 而且考慮在誤差曲面上變化趨勢(shì)的影響。帶有附加動(dòng)量因子的權(quán)值調(diào)節(jié)公式為:式中: i為隱含層數(shù)。 k為訓(xùn)練次數(shù)。 η 為學(xué)習(xí)速率，δ為網(wǎng)絡(luò)學(xué)習(xí)誤差。 m 為動(dòng)量因子。并且, 對(duì)訓(xùn)練初期功效較好的學(xué)習(xí)速率, 不見得對(duì)后來(lái)的訓(xùn)練合適。自適應(yīng)學(xué)習(xí)速率法的準(zhǔn)則是: 檢查權(quán)值的修正值是否真正降低了誤差函數(shù), 如果確實(shí)如此, 則說(shuō)明所選取的學(xué)習(xí)速率值小了, 可以對(duì)其增加一個(gè)量。自適應(yīng)學(xué)習(xí)速率的調(diào)整公式為:式中: SSE為誤差函數(shù)。算法為式中k, m 為平移系數(shù)。 dj k為高頻系數(shù)。利用分解后的小波系數(shù)可以重構(gòu)原始序列, 小波系數(shù)的重構(gòu)形式可表示為下式:（3）小波 BP神經(jīng)網(wǎng)絡(luò)(Wavelet BP)風(fēng)速預(yù)測(cè)通過(guò)數(shù)據(jù)對(duì)上述方法進(jìn)行驗(yàn)證。（3）.1風(fēng)速序列小波分解采用近似對(duì)稱、光滑的緊支撐雙正交小波db2作為母小波, 對(duì)風(fēng)速原始序列進(jìn)行二尺度分解, 獲得該序列的低頻概貌分量和二尺度下的高頻細(xì)節(jié)分量dd2。(3).3 BP網(wǎng)絡(luò)構(gòu)造 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的確定目前尚缺乏嚴(yán)格的理論指導(dǎo), 網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)等于輸入樣本的維數(shù)m。風(fēng)速時(shí)間序列能夠預(yù)測(cè)的原因在于其相鄰數(shù)值間的自相關(guān)性。當(dāng)自相關(guān)系數(shù)降至1 e 1時(shí)的延時(shí)步長(zhǎng)確定為輸入樣本的維數(shù)m, 即輸入層節(jié)點(diǎn)數(shù)。目前常用方法有試湊法、經(jīng)驗(yàn)公式法、增長(zhǎng)法、修剪法、交叉驗(yàn)證法、最小二乘法、模糊聚類法和黃金分割法等。(3).4 網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè) 對(duì)三個(gè)風(fēng)速小波系數(shù)分別建立改進(jìn)型BP網(wǎng)絡(luò)模型, 采用數(shù)據(jù)滾動(dòng)方法對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè), 即將本點(diǎn)的預(yù)測(cè)數(shù)據(jù)視為已知數(shù)據(jù)滾入訓(xùn)練樣本集, 同時(shí)將距離目前時(shí)間最遠(yuǎn)點(diǎn)的數(shù)據(jù)刪除, 重新訓(xùn)練網(wǎng)絡(luò),以進(jìn)行后1小時(shí)的風(fēng)速預(yù)測(cè), 依此類推完成全部的風(fēng)速預(yù)測(cè), 這樣使網(wǎng)絡(luò)能夠反應(yīng)風(fēng)速的最新變化規(guī)律。即其中, N 為樣本個(gè)數(shù), WR 為實(shí)測(cè)值, WF 為預(yù)測(cè)值。 參考文獻(xiàn)[ 1]吳國(guó)旸, 肖洋, 翁莎莎. 風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)探討[ J]. 吉林電力, 2005, [ 2]丁明, 張立軍, 吳義純. 基于時(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)模型[ J] . 電力自動(dòng)化設(shè)備, 2005, .[ 3]蔣宗禮. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M ]. 北京: 高等教育出版社, 2001[ 4]楊秀媛, 肖洋, 陳樹勇. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究 . [ 5]潘迪夫, 劉輝, 李燕飛. 風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法[ J] . 中國(guó)電機(jī)工程學(xué)報(bào), [ 6]張彥寧, 康龍?jiān)? 周世瓊, 等. 小波分析應(yīng)用于風(fēng)力發(fā)電預(yù)測(cè)控制系統(tǒng)中的風(fēng)速預(yù)測(cè)[ J]. 太陽(yáng)能學(xué)報(bào), 附錄 ：function []=greymodel(y)n=length(y)。yy(1)=y(1)。endB=ones(n1,2)。B(i,2)=1。for j=1:n1YN(j)=y(j+1)。A=inv(BT*B)*BT*YN。u=A(2)。t_test=input(39。)。yys(i+1)=(y(1)t).*exp(a.*i)+t。for j=n+t_test:1:2ys(j)=yys(j)yys(j1)。xs=2:n+t_test。plot(x+1960,y,39。,xs+1960,yn,39。)。for i=2:ndet=det+abs(yn(i)y(i))。%disp([39。,num2str(det),39。])。預(yù)測(cè)值為： 39。：clcclearload data%% 數(shù)據(jù)累加作為網(wǎng)絡(luò)輸入[n,m]=size(X)。 endend%% 網(wǎng)絡(luò)參數(shù)初始化a=+rand(1)/4。end%% 學(xué)習(xí)速率初始化for k=1:(m1) u(k)=。w11=a。for k=2:mw2(k)=2*b(k1)/a。endtheta1=0。endtheta2=(1+exp(a*t))*(theta1y(1,1))。%% 循環(huán)迭代for j=1:10%循環(huán)迭代E(j)=0。 %LB層輸出 LB_b=1/(1+exp(w11*t))。 for k=2:m LC_c(k)=y(i,k)*LB_b*w2(1,k)。 for k=1:m LD_d=LD_d+w3(1,k)*LC_c(1,k)。 for k=2:m theta3=theta3+w2(1,k)*y(i,k)/2。 %網(wǎng)絡(luò)輸出值 ym=LD_dtheta4。 %% 權(quán)值修正 error=ymy(i,1)。 %誤差求和 %計(jì)算誤差 for k=1:m errorr(k)=error*(1+exp(w11*t))。 for k=1:m thetaE0=thetaE0+w2(1,k)*errorr(1,k)。 %修改權(quán)值 for k=2:m w2(1,k)=w2(1,k)u(k1)*errorr(1,k)*LB_b。endend %畫誤差隨進(jìn)化次數(shù)變化趨勢(shì)figure(1)plot(E)title(39。,39。,12)。進(jìn)化次數(shù)39。fontsize39。ylabel(39。,39。,12)。 LB_b=1/(1+exp(w11*t))。 %LC層輸出 for k=2:m LC_c(1,k)=y(i,k)*LB_b*w2(1,k)。 for k=1:m LD_d=LD_d+w3(1,k)*LC_c(1,k)。 for k=2:m theta5=theta5+w2(1,k)*y(i,k)/2。 %閥值 ym=LD_dtheta6。endyc=yc*10。%計(jì)算預(yù)測(cè)for j=n:1:2 ys(j)=(yc(j)yc(j1))/10。*39。hold onplot(X((n5):n,1),39。)。預(yù)測(cè)值39。實(shí)際值39?；疑窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)39。fontsize39。x39。fontsize39。y39。fontsize
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1