基于蚁群优化BP神经网络的短期风速预测模型

贾蒙蒙（云南机电职业技术学院电气工程系，云南昆明，650203）



基于蚁群优化BP神经网络的短期风速预测模型

贾蒙蒙
（云南机电职业技术学院电气工程系，云南昆明，650203）

摘要：为了提高风电场短期风速预测精度，实现对风速的短期预测，本文建立了蚁群算法和反向传播（BP）神经网络的短期风速预测模型。该模型以风电场采集的历史时刻风速（采样间隔30min）作为BP神经网络预测模型的输入变量；并利用蚁群算法优化BP神经网络的初始权值和阙值；采用蚁群优化的BP神经网络模型对未来1h风速进行预测。仿真结果表明，该方法较BP神经网络具有预测精度高、收敛速度快的优点。

关键词：风力发电；短期风速预测；蚁群优化；BP神经网络

0 引言

目前，风速预测的方法有时间序列法、卡尔曼滤波法、人工神经网络法、空间相关法、支持向量机法等等。由于反向传播（back propagation， BP）神经网经只要有足够多的隐含层和隐节点，就可以以任意的精度逼近非线性映射关系，其BP学习算法属于全局逼近的方法，有较好的泛化能力，因此可以用于风电场短期风速预测模型的辨识。但是BP神经网络初始的权值和阈值是随机选取的，倘若这些参数的位置选择不当，则会导致网络的收敛速度慢、陷入局部最优值。本文利用风电场风速数据，基于蚁群算法（ACA）理论和BP神经网络理论对风速进行短期预测，尝试利用蚁群算法优化BP神经网络初始权值和阙值，进一步提高风速预测的精度，算例仿真验证了该模型的有效性。

1 基于蚁群优化BP神经网络的预测模型

蚁群BP算法优化三层前向神经网络参数的数学模型如下：

2 仿真实例

本文的原始数据来自风电场记录的平均风速（采样间隔30min），选择200组数据作为样本数据，50组数据作为检测数据。利用蚁群算法进行参数优化选取时的参数初始化为：设置最大循环次数，蚂蚁数目s=20，信息素残留度=0.7，=70； 设定神经网络训练的目标误差为0.01，学习速率为0.1，最大训练步数为1 000。为了说明本文算法的有效性，将采用BP神经网络模型与采用蚁群优化BP神经网络模型分别对风速进行提前1h预测。预测曲线图如图2所示

图1 风速预测曲线

为了更加准确的验证本文算法的有效性，以相对百分误差（RPE）、平均绝对百分比误差（MAPE）和均方根相对误差（RMSE）这3个指标来定量评判模型的性能：

由图2可以看出BP神经预测模型相对误差较大，而蚁群优化BP神经网络预测模型对风速的预测除少数点的相对预测误差较大，大部分数据点的预测比较准确。可看出经过蚁群优化的BP神经网络的误差、训练次数K明显少于BP神经网络，说明经过蚁群算法优化后的BP神经网络初始权值和阈值位置比较合理，经过训练后，预测模型的精度更高。所以基于蚁群优化的BP神经网络的预测效果，比未采用蚁群算法，仅采用BP神经网络的预测效果好，收敛速度快。

3 结束语

本文建立了基于蚁群优化BP神经网络理论风速预测模型，利用蚁群算法对BP神经网络的初始权值和阙值进行优化，实现了对风速的短期预测，仿真结果表明该模型具有较高的预测精度及较快的收敛速度，验证了蚁群优化BP神经网络理论在风速预测中的可行性。

图2 两种预测方法相对误差比较图

中图分类号：TM614

Short-term wind speed forecast model for wind farms based on ant colony optimization BP neural network

Ja Mengmeng
（Yunnan Vocational College of Mechanical and Electrical Technology，Yunnan Kunming，650203，China）

Abstract：To improve the short-term wind speed forecasting accuracy of wind farms，a prediction model based on back propagation（BP）neural network combining ant colony algorithm was built to predict shortterm wind speed.The input variables of BP neural network predictive model were historical wind speeds，temperature，and air pressure. ant colony algorithm was used to optimize the weights and bias of BP neural networks.

Keywords：wind power generation；short-term wind speed prediction；BP neural network；ant colony optimization