基于ISSA-BP神经网络的短期风电功率预测_梁志洋.pdf

工业控制计算机2023年第36卷第2期摘要：准确的风电功率预测对电网调度和风电消纳有着重要意义，为提高风电功率预测精度，建立一种改进的麻雀搜索算法（Sparrow Search Algorithm，SSA）优化BP神经网络的短期风电功率预测模型。采用Tent混沌映射初始化麻雀种群，以提高麻雀种群多样性和分布均匀性，增强模型的全局搜索和跳出局部最优的能力；引入黄金正弦和线性递减策略改进发现者和警戒者位置更新公式，并采用高斯变异和混沌扰动方法，提高模型的局部搜索能力，加快收敛速度。利用改进后的SSA算法去优化BP神经网络的初始权值阈值，建立ISSA-BP神经网络预测模型。经仿真验证，ISSA-BP预测模型可有效提高风电功率预测精度。关键词：风电功率预测；BP神经网络；麻雀搜索算法；黄金正弦算法；Tent混沌Abstract:An improved sparrow search algorithm(SSA)is established to optimize the short-term wind power predictionmodel of BP neural network in his paper.The Tent chaos map is used to initialize the sparrow population to improve the di-versity and distribution uniformity of the sparrow population,and enhance the ability of the model to search globally andjump out of local optimization.The golden sinusoidal and linear decreasing strategies are introduced to improve the discov-erer and warner position update formulas,and the Gaussian variation and chaotic perturbation methods are used to improvelocal search ability of the model and accelerate the convergence speed.The improved SSA algorithm is used to optimizethe initial weight threshold of the BP neural network,and the prediction model of the ISSA-BP neural network is established.After simulation verification,ISSA-BP prediction model can effectively improve the accuracy of wind power prediction.Keywords:wind power prediction,BP neural network,sparrow search algorithm,golden sine algorithm,Tent chaos随着能源清洁化成为普遍趋势，截止2021年，我国风电装机容量已突破3亿kW，发电量超过6000亿kWh。风电并网的快速增加，风电出力的波动性与不确定性造成了电力系统多个时间尺度上的电力电量不平衡，为电网的供需平衡带来了挑战。准确的风电功率预测是保障电力系统安全稳定运行的重要手段1。神经网络被广泛应用于非线性建模问题，在风电功率预测方面有很好的表现。文献2针对海上天气环境复杂等特点，提出改进长期循环卷积神经网络（LRCN）预测模型，能有效用于海上风电功率预测；文献3提出了弹性网稀疏核主成分分析（EN-SKP-CA）降维方法，对气象因素降维，并采用花授粉算法优化LSTM神经网络的超参数，提高了模型预测精度。文献4提出了针对BP神经网络拓扑结构的分层优化思想，采用灰色模型处理输入层数据，选择遗传算法和蚁群算法分别对隐含层的初始权值阈值和输出层数据进行优化；文献5-6将粒子群算法和遗传算法与BP神经网络相结合，均有效提高了BP神经网络的预测精度。本文采用改进的麻雀搜索算法（Improve Sparrow SearchAlgorithm，ISSA）对BP神经网络的初始权值和阈值进行寻优操作，以提高风电功率预测模型的精度，利用实际风电场历史数据进行仿真实验，证明了该预测模型的有效性。1改进SSA算法1.1麻雀搜索算法麻雀搜索算法（SSA）是2020年由文献7提出的一种群智能优化算法。算法核心是模拟麻雀在自然界中的觅食和反捕食行为，在觅食过程中麻雀会分工为发现者、加入者、警戒者三种，发现者负责寻找食物并提供觅食方向，加入者会跟随发现者同时去争夺食物资源，警戒者一般为种群边缘的麻雀，在觅食过程中发现危险会发出警示，使种群远离危险。在SSA中，用一个nd维矩阵X来表示麻雀种群，d表示待优化问题变量的维数，n是麻雀的数量，麻雀的初始位置如公式（1）：X=x11x12x1dx21x22x2d xn1xn2xnd（1）麻雀的种群适应度值F如公式（2）：F=f（X1）f（X2）f（Xn）T（2）式中：f（X）为适应度函数，Xi为第i只麻雀的位置。发现者位置更新如公式（3）：Xi，jt+1=Xi，jtexp-iM()，R2STXi，jt+QL，R2ST（3）式中：Xi，j为第i只麻雀在第j维中的位置，t表示当前迭代次数，（0，1，是随机数，M为设定的迭代次数上限，Q是随机数，且服从标准正态分布，L是1d的元素都为1的矩阵，R2（R20，1）和ST（ST0.5，1）分别代表预警值和安全值。当R2n2XPt+1+Xi，jt-XPt+1A+L，in2（4）式中：Xworstt表示当前全局最差位置，XP是当前发现者所处的最优位置，A为1d的矩阵，其中元素都为1或-1，A+=AT（AAT）-1。基于 ISSA-BP 神经网络的短期风电功率预测*梁志洋李萍简定辉黄宇航（宁夏大学物理与电子电气工程学院，宁夏 银川750021）Short-term Wind Power Forecasting Based on ISSA-BP Neural Network*宁夏自然科学基金项目（2021AAC03073）95基于ISSA-BP神经网络的短期风电功率预测通常选择占种群总数量10%20%的麻雀作为警戒者，其位置更新如公式（5）：Xi，jt+1=Xbestt+Xi，jt-Xbestt，fifgXi，jt+KXi，jt-Xworstt（fi-fw）+()，fi=fg（5）式中：Xbestt表示当前全局最优位置；是步长参数，是服从正态分布的随机数；K（K-1，1）为步长控制参数，是随机数；fi是当前麻雀个体适应度值，fw是最差适应度值，fg为目前全局最优适应度值；代表最小的常数，为避免分母为0。当fifg时，表示麻雀处在危险位置，当fi=fg时，表示处在中心的麻雀意识到了危险，需要向其他区域移动。1.2改进麻雀搜索算法（1）Tent混沌混沌是一种非线性系统动态行为，具有随机性，规律性和遍历性等特点，近年来被广泛应用于优化搜索问题8。原始SSA算法采用随机数初始化种群，利用Tent混沌映射初始化麻雀种群可以提高初始种群的多样性和分布均匀性，使其具有更好的全局搜索能力。Tent映射表达式如公式（6）：Hi+1=Hi/，Hi（0，（1-Hi）/（1-），Hi（，1（6）式中：Hi为i时刻的混沌映射数值；为混沌系数。为使麻雀个体避免陷入局部最优，提高算法的全局搜索能力和精度，引入Tent混沌扰动。步骤如下：步骤1：应用式（6）产生混沌变量Hd，并将其映射回到待求解问题的解空间中：Xnewd=lb+（ub-lb）*Hd（7）式中：lb和ub分别为第d维变量Xnewd的最大和最小值。步骤2：在每一轮迭代完成后，用式(8)对个体进行混沌扰动：Xnew=（X+Xnew）/2（8）式中：Xnew为经过混沌扰动后的个体；X是需要进行扰动的个体；Xnew为产生的混沌扰动量。引入混沌扰动可以有效提高算法避免陷入局部最优的能力，同时还能提高算法的全局搜索能力和寻优精度。（2）黄金正弦策略黄金正弦算法（Golden Sine Algorithm，Golden-SA）是文献9提出的一种新型元启发式算法，构造正弦函数模型求解优化问题。在麻雀搜索算法迭代过程中，发现者常处于适应度较高的位置，领导麻雀种群觅食，但在发现者群体间却缺少足够的信息交流。引入黄金正弦策略后，每次迭代麻雀个体都会与最优个体进行信息交流，可以更好地引导发现者向全局最优位置移动。黄金正弦算法的核心过程是其位置更新方式，算法先随机产生n个个体，设每个个体的位置对应一个初始解，然后通过式（9）更新每个个体的位置。Xit+1=Xitsin（r1）-r2sin（r1）c1Pit-c2xit（9）式中：Xit=Xi，1t，Xi，2t，Xi，dt，（i=1，2，n），Xi，dt表示第i个个体在第t次迭代时位于d维解空间上的位置；r1、r2分别是取值范围在0，2和0，的随机数，r1决定下一次迭代时个体i的移动距离，r2控制下次迭代时个体i的移动方向；Pit是第t次迭代时的全局最优位置；根据黄金分割系数（=（5-1）/2）得到的系数c1=-+（1+）*2，c2=-+*2，可以有效缩小搜索空间，同时使个体在迭代过程中逐渐向全局最优位置靠近，从而加快算法收敛速度，也提高了收敛精度。改进后的发现者位置更新如公式（10）：Xi，jt+1=Xi，jtsin（r1）-r2sin（r1）c1Pit-c2xi，jt，R2STXi，jt+QL，R2ST（10）（3）警戒者数量控制引入线性递减方式在每次迭代过程中对麻雀种群中的警戒者数量进行更新，在算法迭代前期能保证其搜索能力，同时在算法后期可以减少警戒者的数量，加快收敛速度10。警戒者数量线性更新如公式（11）：N=int1-tM()*Ni()+1（11）式中：N为更新后警戒者数量；Ni表示设定的警戒者数量。（4）高斯变异策略根据正态分布特性，高斯变异主要搜索当前最优个体附近的局部区域，以期搜索到更优位置，引入高斯变异可有效提高算法的局部搜索能力和收敛速度。具体操作指用一个符合正态分布的随机数，替换SSA算法中的原有参数11。高斯变异公式为：Tg=T*（1+Gaussian（，2）（12）式中：T是个体原来的位置，Tg表示个体变异后的位置，Gaus-sian（，2）是满足高斯分布的随机变量。改进后的SSA算法运行流程如下：步骤一：初始化算法参数，设置最大迭代次数、麻雀种群规模、发现者和加入者比例等；步骤二：利用Tent混沌映射初始化麻雀种群，计算麻雀个体适应度值并排序，找到当前最优适应度个体和最差适应度个体；步骤三：根据设置的发现者比例，选择适应度值高的麻雀作为发现者，其余的作为加入者，并根据式（10）和式（4）更新发现者与加入者的位置；步骤四：按设置比例在种群中随机选择警戒者，每次迭代根据式（11）更新警戒者数量，并根据式（5）更新其位置；步骤五：每次迭代完成后，计算所有麻雀个体适应度值fi和种群平均适应度值favg，若fifavg，表示麻雀种群出现聚集现象，利用式（12）进行高斯变异，变异后更优则更新；若fifavg，表示麻雀种群出现发散现象，利用式（8）进行Tent混沌扰动，扰动后更优则更新；步骤六：确定麻雀种群中适应度最差和最优的个体及其位置；步骤七：判断是否达到算法最大迭代次数，若是，结束循环并输出最优结果，否则跳转执行步骤三。2改进SSA-BP神经网络预测模型BP神经网络具有很好的多维函数映射能力，且灵活性较强，被广泛应用于短期风电功率预测中12。BP神经网络包含输入层、隐含层和输出层，本文隐层神经元映射函数采用Log-sigmoid传递函数，输出层采用Purelin函数。一个三层BP神经网络结构如图1所示：图1中，ij和jk为权重矩阵。Xi为输入层神经元，Hi为隐藏层神经元，Yi为输出层神经元。图1BP神经网络结构96工业控制计算机2023年第36卷第2期BP神经网络的训练与权值阈值的调整过程可认为由两个步骤组成，分别是信号的正向传播与误差的反向传播。BP神经网络中初始化权值阈值通常是随机生成或手动设置的，导致网络模型预测精度较低，收敛速度慢。因此，利用ISSA算法对BP神经网络的权值和阈值进行寻优，可以有效提高预测结果的精确度和可靠性。ISSA-BP模型预测流程如图2所示：图2改进SSA算法优化BP神经网络模型流程图3算例分析为验证ISSA-BP模型对风电功率的预测效果，选择BP神经网络、SSA-BP神经网络进行仿真对比。选取Kaggle平台提供的位于土耳其的风电场单台风机2018年1月内11天的历史数据，采样时间间隔为10分钟，去掉如功率为负、风速为零时功率为正等明显误差值后共保留1514组数据，包含对应时刻风速、风向和风电输出功率。将最后的100组数据作为测试样本，其余作为训练样本测试选择的模型。确定BP神经网络结构为2-3-1，迭代轮数为500，学习率为0.02，设定精度为0.00001。麻雀搜索算法初始种群数量为30，最大迭代次数为30，初始警戒者数量为种群的20%。预测结果如图3所示，预测结果相对误差如图4所示。由图3、图4可知，与BP神经网络和SSA-BP神经网络的预测值相比，ISSA-BP神经网络的风电功率预测值更接近实际值，预测精度更高，预测结果误差更小，拟合效果更好。以均方根误差RMSE、平均绝对误差和相关系数R作为评价指标来评估各个预测模型的预测精度，分别将算法执行10次后取平均值得到评估结果如表1所示：表1各模型评价指标结果对比由表1可以看出，ISSA-BP预测模型的两项误差指标，平均绝对误差和均方根误差都明显低于另外两种模型，说明改进后的模型预测误差更小，预测精度更高；相关系数更接近1，说明改进后的模型拟合效果更好。4结束语本文策略改进麻雀搜索算法有效解决了传统BP神经网络预测模型在风电功率预测上预测精度较低的问题，经仿真实验证明，改进后的模型在短期风电功率预测方面有更好的效果。参考文献1朱琼锋，李家腾，乔骥，等.人工智能技术在新能源功率预测的应用及展望J/OL.中国电机工程学报:1-23（20220426）2022-07-20.https:/doi.org/10.13334/j.0258-8013.pcsee.2131142周勇良，余光正，刘建锋，等.基于改进长期循环卷积神经网络的海上风电功率预测J.电力系统自动化，2021，45（3）：183-1913张淑清，杨振宁，姜安琦，等.基于EN-SKPCA降维和FPA优化LSTMNN的短期风电功率预测J.太阳能学报，2022，43（6）：204-2114朱显辉，于越，师楠，等.BP神经网络的分层优化研究及其在风电功率预测中的应用J.高压电器，2022，58（2）：158-163，1705王粟，邱春辉，曾亮.自适应变异粒子群优化BP的短期风电功率预测模型J.华侨大学学报（自然科学版），2020，41（1）：90-956王冰冰，赵天乐.基于遗传算法改进BP神经网络的风电功率预测研究J.电工电气，2019（12）：16-217XUE J,SHEN B.A novel swarm intelligence optimization ap-proach:sparrow search algorithm J.Systems Science&Control Engineering,2020,8(1):22-348吕鑫，慕晓冬，张钧，等.混沌麻雀搜索优化算法J.北京航空航天大学学报，2021，47（8）：1712-17209TANYILDIZI E,DEMIR G.Golden sine algorithm:A novelmath-inspired algorithmJ.Advances in Electrical and Com-puter Engineering,2017,17(2):71-7810汤安迪，韩统，徐登武，等.基于混沌麻雀搜索算法的无人机航迹规划方法J.计算机应用，2021，41（7）：2128-213611王耀国，李勇永，郭涛.基于改进的SSA优化BP神经网络的导水断裂带高度预测J/OL.煤矿安全:1-8（20220620）2022-07-04.https:/doi.org/10.13347/ki.nkaq.2023.02.00112王宽，李萍，汤航，等.基于改进粒子群算法优化BP网络的短期风电功率预测J.工业控制计算机，2021，34（11）：119-121收稿日期：2022-08-18图3三种模型预测结果对比图4三种模型预测结果相对误差对比97