風(fēng)速波動(dòng)本身具有隨機(jī)性和不確定性,給風(fēng)速的準(zhǔn)確測(cè)量產(chǎn)生影響�；陲L(fēng)電場(chǎng)大數(shù)據(jù),設(shè)計(jì)提出一種基于互信息算法和隨機(jī)森林算法相結(jié)合的變量選擇方法,并以此為基礎(chǔ)建立基于天牛須搜索算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（BAS-BP）風(fēng)速預(yù)測(cè)模型。采用某風(fēng)電場(chǎng)1. 5 MW機(jī)組SCADA歷史數(shù)據(jù),使用互信息法和隨機(jī)森林算法進(jìn)行變量選擇,并進(jìn)行預(yù)測(cè)模型的訓(xùn)練、測(cè)試及評(píng)價(jià)。驗(yàn)證結(jié)果表明:該風(fēng)速預(yù)測(cè)模型各項(xiàng)誤差評(píng)價(jià)指標(biāo)得到提高,預(yù)測(cè)誤差減小明顯,模型具有更好的預(yù)測(cè)精度和效果,驗(yàn)證了方法的正確性和有效性。 

【文章來(lái)源】：電力科學(xué)與工程. 2019,35(12)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

與風(fēng)速相關(guān)性較強(qiáng)的特征重要性評(píng)分統(tǒng)計(jì)

Rumelha和McClelland提出的BP神經(jīng)網(wǎng)絡(luò)作為一種典型前饋型神經(jīng)網(wǎng)絡(luò)[14]，憑借強(qiáng)大的非線性映射能力得到廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包括:輸入層、輸出層和隱含層。BP神經(jīng)網(wǎng)絡(luò)風(fēng)速模型如圖2所示。該預(yù)測(cè)模型輸入變量為8個(gè)，分別為發(fā)電機(jī)輸出功率、發(fā)電機(jī)定子溫度、發(fā)電機(jī)加權(quán)平均輸出功率、齒輪箱軸承溫度、機(jī)艙角與風(fēng)向角偏差度數(shù)、總發(fā)電量、發(fā)電機(jī)前軸承溫度和偏航角度，輸出變量為風(fēng)速1個(gè)，故輸入層神經(jīng)元個(gè)數(shù)S取8，輸出層神經(jīng)元個(gè)數(shù)S2取1。隱含層神經(jīng)元個(gè)數(shù)S1對(duì)建模效果影響較大，根據(jù)公式(7)[15]確定隱含層神經(jīng)元個(gè)數(shù)范圍為1～17，通過(guò)依次考察K=1～17時(shí)的BP模型預(yù)測(cè)效果，最終確定隱含層神經(jīng)元個(gè)數(shù)S1為7。

(5)算法停止迭代，得到最優(yōu)解xbest和fbest,xbest代表利用天牛須搜索算法求得的BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值，此時(shí)，將xbest作BP神經(jīng)網(wǎng)絡(luò)模型初始權(quán)值和閾值再次訓(xùn)練，得到基于天牛須搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(BAS-BP)風(fēng)速預(yù)測(cè)模型。預(yù)測(cè)模型流程圖如圖3所示。3 模型驗(yàn)證及結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的煙草烘絲設(shè)備參數(shù)數(shù)據(jù)相關(guān)性分析研究[J]. 張雪嫣,黎曉東,孫潔香.  制造業(yè)自動(dòng)化. 2019(08)
[2]基于小波包分解的BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)[J]. 王寧,羅汝斌,廖俊,李珺,蔣祎,楊澤川,袁俊杰.  控制與信息技術(shù). 2019(04)
[3]基于ABC-BP的短期風(fēng)速預(yù)測(cè)研究[J]. 張旸,顏七笙.  江西科學(xué). 2019(01)
[4]基于天牛須搜索的粒子群優(yōu)化算法求解投資組合問(wèn)題[J]. 陳婷婷,殷賀,江紅莉,王露.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[5]關(guān)于風(fēng)力發(fā)電系統(tǒng)短期風(fēng)速預(yù)測(cè)仿真[J]. 王玲,程耕國(guó),袁志強(qiáng),蔣維.  計(jì)算機(jī)仿真. 2018(11)
[6]基于風(fēng)場(chǎng)大數(shù)據(jù)互信息關(guān)聯(lián)的風(fēng)電機(jī)組性能評(píng)估[J]. 李大中,張華英.  科學(xué)技術(shù)與工程. 2018(29)
[7]基于天牛須搜索的花朵授粉算法[J]. 邵良杉,韓瑞達(dá).  計(jì)算機(jī)工程與應(yīng)用. 2018(18)
[8]基于BAS-BP模型的風(fēng)暴潮災(zāi)害損失預(yù)測(cè)[J]. 王甜甜,劉強(qiáng).  海洋環(huán)境科學(xué). 2018(03)
[9]基于小波包分解和改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)速和風(fēng)電功率預(yù)測(cè)[J]. 葉瑞麗,郭志忠,劉瑞葉,劉建楠.  電工技術(shù)學(xué)報(bào). 2017(21)
[10]基于修正后ARIMA-GARCH模型的超短期風(fēng)速預(yù)測(cè)[J]. 丁藤,馮冬涵,林曉凡,陳靖文,陳麗霞.  電網(wǎng)技術(shù). 2017(06)

碩士論文
[1]基于螢火蟲(chóng)優(yōu)化算法的BP混合預(yù)測(cè)模型的建立及其應(yīng)用[D]. 王增.東北財(cái)經(jīng)大學(xué) 2017
[2]基于BP神經(jīng)網(wǎng)絡(luò)的SCR脫硝效率預(yù)測(cè)模型研究[D]. 歸毅.華北電力大學(xué) 2011



本文編號(hào)：2967761