麻雀搜索算法优化BP神经网络的短期风功率预测

刘 湲, 王 芳

(上海电机学院 电气学院, 上海 201306)

近年来,风力发电技术取得了迅速发展,风电的总装机容量也逐渐增加。风力发电的产出功率存在波动性过大和不平衡等问题,在较大容量的风能接入电网后,对电力系统的安全、稳定产生了很大的挑战。风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测,是实现电网系统安全调度和稳定运行的关键。因此,研究风电功率预测技术,提高风功率预测的精度,具有重要意义[1]。

风功率预测有很多种划分方式,如按预测时间尺度划分,可分为超短期预测、短期预测、中期预测和长期预测等；如按预测模型划分,可分为物理方法、统计方法、学习方法,以及上述模型组合方法等[2]。长期以来,许多研究者致力于风功率预测的研究,并提出了一些预测方法,比较常用的有持续性预测法、人工神经网络法、组合预测法等[3]。刘栋等[4]采用麻雀算法优化极限学习机的组合预测模型对短期内风功率进行预测。栗然等[5]构建了一种卷积长短期记忆神经网络的短期风功率预测模型,采用风电场风功率历史数据及风速、风向等数值天气预报数据为输入,对输出功率进行预测。王宽等[6]则采用经过改进的二阶震荡粒子群计算与BP神经网络相结合,建立了组合模式对风功率做出预测。刘晗等[7]构建了一个深度时间卷积网络的风功率组合预测模型,首先使用自适应集成经验模态分析,对风功率序列进行特征提取,得出了若干个本征模态分量,再利用排列熵关系理论测算各模态分量的复杂性,然后按照复杂度进行排序重构,并输入改进余弦退火算法优化的深度时间卷积网络中进行风功率分析与预测。朱恩文等[8]采用遗传算法与集合经验模态分解算法相结合的方式改进BP算法,建立预测模型对短期风功率进行预测。这些算法的提出提升了模型层面对风功率预测的准确率,但没有结合网络内部参数进行调整。

本文构建了基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化BP(SSA-BP)神经网络的短期风功率预测模型。使用SSA 优化传统BP神经网络的初始参数,有助于解决BP神经网络易陷入局部最优,以及对模型初始连接权值、阈值选择敏感等缺点。采用该预测模型对沿海某风电场的历史数据进行测试验证,并与其他模型进行比较来验证此模型的有效性。

1 SSA-BP神经网络

1.1 BP神经网络算法

BP神经网络是一种按误差逆传递算法训练的多级前馈式网络[9]。以风速、风向、温度等作为BP神经网络模型的输入层,风功率为输出层,隐含层5个,BP神经网络结构如图1所示。

图1 BP神经网络结构图

在BP神经网络的训练过程中,先是把输入信息通过一系列的变换进入到隐含层,然后把变换后所得的训练结果传送到输出层。当输出值和期望值之间的偏差不满足训练精度要求时,就会进入误差信息的反向传输过程[10]。而训练结果的误差信息将由输出层反向传输,再利用梯度下降算法调节各层的权值和阈值。如此循环往复,直至输出值和期望值的差值达到精度要求并满足最大迭代次数。具体实现步骤如下:

步骤1 网络模块的初始化。通过设置网络模块的输入、输出关系确定网络各层的节点个数,初始化参数为权值、阈值、迭代频次、学习速率等。

步骤2 输入训练样本数据。对网络模型进行训练,依次计算网络模型的隐含层、输出层的输入输出,得到模型各层的误差。

步骤3 样本数据信息的正向传递。样本数据信息内容首先由输入层传递,再通过各隐含层的逐层数据处理之后,进入输出层。假设输入层、输出层的实际输入输出与预期输入输出不符,则进入误差的反向传递阶段。

步骤4 计算误差。计算模型的输出误差。

步骤5 权值反向传播。根据误差,更新每层网络的权值。

步骤6 通过迭代的停止或条件判断,确定误差范围是否满足要求,如满足则模型的迭代终止；如果不满足,则退回步骤2。

BP神经网络在风功率预测技术领域中运用非常广泛,其结构简单,适合拟合非线性问题。然而,当BP神经网络中遇到梯度较平缓的位置时,存在解更新的速率较慢、很容易进入某个局部的极小值点等问题[11]。

1.2 SSA

SSA主要模拟了麻雀群体寻找食物的过程,这种过程可以把麻雀群体分成发现者和加入者。为了增加搜索食物时的安全性,在种群中选取一定比例的个体进行侦查预警(警戒者)[12-13]。发现者在觅食的过程中不断更新自身的位置,当警报阈值小于安全阈值时,表示麻雀觅食的周围是安全的。反之,当警报阈值大于等于安全阈值时,表示群体中的部分麻雀已经意识到了周边有捕食者出现[14],并向麻雀群体中其他麻雀发出警告,群体中其他麻雀接收到警告后迅速飞到其他较为安全的区域进行觅食。当适应度值较小的第i个加入者处于非常饥饿的情况时,应前往其他区域进食,以获取更多的能量[15]。

在通常情况下,假定群体中已经意识到威胁的麻雀占全部群体的1/5～2/5,麻雀在觅食过程中随机变换初始位置。当全局最佳适应度值大于最差适应度值时,说明此时有相当一部分个体正处在种群搜索区域的边沿上,极易遭到掠食者的进攻；而当二者相等时,意味着在种群中间的麻雀感受到了捕食者的靠近,需要飞向其他麻雀,来减少它们被捕食者猎杀的可能性。

SSA的具体流程如图2所示。

图2 SSA流程图

1.3 SSA-BP神经网络模型

BP神经网络遇到梯度平缓的位置时,存在解更新的速率比较慢、很容易进入局部最优等问题,不利于全局寻优。SSA 算法不仅具有较高的搜索精度、较快的收敛速率,同时还具有相对较好的稳定性。为此,本文利用SSA对BP神经网络的初始权重和阈值做出优化,从而形成SSA-BP神经网络模型。SSA-BP神经网络建模流程如图3所示。

图3 SSA-BP神经网络建模流程图

其主要步骤如下:

步骤1 建立BP神经网络的网络拓扑结构。

步骤2 初始化种群,设定参数。

步骤3 训练BP神经网络模型,并计算各个麻雀的适应度值。

步骤4 计算并更新发现者、加入者、警戒者的位置。

步骤5 获得当前更新后的位置,计算获得最优个体以及最佳适应度值。

步骤6 当训练后的结果达到设定的参数时,停止计算,执行输出,否则返回步骤3。

步骤7 输出结果。

2 SSA-BP神经网络短期风功率预测模型

本文提供了一个基于SSA-BP神经网络的风功率预报模式。选择我国沿海某风电场某年6月的数值天气预报,以风速、风向、温度为模型的输入样本,风功率作为模型的输出,模型流程如图4所示。

图4 短期风功率预测模型流程图

选取820组数据作为样本,每隔30 min采样一次,随机选取80%的数据组作为训练集,其余用作实验集,并对数据集进行了归一化处理,归一化公式为式中:m为样本个数；yti为风功率的实际值；yfi为风功率的预测值。

3 仿真结果与分析

为了验证SSA-BP神经网络的预测特性,选择BP神经网络、粒子群优化BP神经网络、遗传算法优化BP(GA-BP)神经网络这3种经典预测模型,与SSA-BP神经网络预测模型在同一数据集上进行对比。

BP神经网络是一个具备多维函数映射能力,同时还有更复杂模型分析能力的神经网络模型。在本文中,输入层选取风速、风向、温度等作为输入变量,且选取输入层神经元数量为3；对于隐含层而言,神经元数量则为6；输出层输出为实际风功率的预测值,训练次数为400次,学习速率为0.001,其余值皆为默认。

利用PSO优化的BP神经网络能够有效提高传统BP神经网络计算的收敛速率。本文将PSOBP神经网络预测模型中的两个参数分别设定为:

c1=1.494 45,c2=1.494 45。

GA-BP神经网络预测模型使用GA 计算得到最优预测个体,并对网络的初始权值、阈值进行赋值。主要参数设定为:个体数45,最大遗传迭代次数55次,代沟0.85,交叉概率0.6,变异概率0.022。

SSA-BP神经网络预测模型的参数设定为:麻雀种群规模30,最大迭代次数50次,发现者占种群15%,最大安全阈值0.7。

4种模型的仿真预测结果对比如图5所示。由图可见,相较其他模型,SSA-BP神经网络预测模型可以更好地对风功率进行预测,其风功率预测值整体趋势与风功率实际值更为贴合。在风功率预测中,BP神经网络预测模型的曲线明显滞后于实际曲线,PSO-BP神经网络预测模型和GA-BP神经网络预测模型的曲线都与实际曲线偏离较远。仿真预测结果表明:在4种预测模型中,SSA-BP神经网络预测模型的相对误差最小,预测精度最高。

图5 4种模型的仿真预测结果对比图

为了提高仿真结果的可信度,将4种预测模型的EEMA、EERMS和EEMAP做对比分析。误差评价指标越小,表示预测结果越好,准确度也更高。4种模型的误差指标对比如表1所示。

表1 4种模型的误差指标对比

从表1中的数据可以看出,相较其他模型,SSA-BP神经网络预测模型的EEMA、EERMS和EEMAP都有所下降。对比结果显示:在4种预测模型中,SSA-BP神经网络预测模型的误差最小,而且4种模型的收敛速度基本一致。

4 结 语

针对传统BP神经网络在遇到梯度较平缓的情况时,存在解更新的速率较慢,极易进入局部最优值的弊端,采用SSA对传统的BP神经网络进行优化,给出了一种基于SSA-BP神经网络的短期风功率预测模型,并利用我国沿海某风电场的历史数据进行验证。从总体上来看,本文所给出的SSABP神经网络预测模型的预测准确度较高,具有较好的泛化性能。