• 基于改进神经网络的风电功率预测(Matlab代码实现)


    💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

    🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者

    ⛳️座右铭:行百里者,半于九十。

    目录

    💥1 概述

    📚2 运行结果

    2.1 初始BP神经网络

    2.2 GA-BP神经网络​

    🎉3 参考文献

    🌈4 Matlab代码实现

    💥1 概述

    ​      ​国民经济可持续发展要求国家进一步深化能源结构改革,扩大可再生能源规模。风能作为一种重要的清洁能源,近年来发展迅速。然而风电固有的间歇性、随机性和波动性的特点给大规模风电并网的安全调度和平稳运营带来挑战。风电功率预测技术能够预测未来一段时间风电机组的输出功率情况,能够为控制人员保障电网平稳运行提供有效依据,且有助于降低风力发电成本,为提高风电并网规模创造条件。因此,风电输出功率预测技术是国家电网安全调度与平稳运行的关键,提升风电功率预测的精度具有重要的意义。

    📚2 运行结果

    2.1 初始BP神经网络

    2.2 GA-BP神经网络​

     

    部分代码:

    %{
    _train:训练
    _test:测试
    _norm:归一化,数据位于(0,1)
    tic和toc用来记录matlab命令执行的时间
    %}

    % 初始化
    tic 
    clear;
    clc;

    % 数据
    input = load('input.txt');
    output = load('output.txt');
    save data input output

    % 数据初始化
    input_train = input(1:150,:)';
    output_train = output(1:150,:)';
    input_test = input(151:186,:)';
    output_test = output(151:186,:)';

    % 训练数据归一化
    [input_norm, is] = mapminmax(input_train);    %is:输入数据归一化参数
    [output_norm, os] = mapminmax(output_train);  %os:输出数据归一化参数

    % BP初始化
    input_num = 3;
    hidden_num = 6;
    output_num = 1;

    % 建立网络
    TF1 = 'tansig'; TF2 = 'purelin';
    net = newff(input_norm, output_norm, hidden_num, {TF1 TF2}, 'trainlm');


    % 遗传参数初始化
    iteration_num = 10; %进化次数,即迭代次数
    popsize = 30; %种群规模,自定义
    pc = 0.3; %交叉概率
    pm = 0.1; %变异概率


    numsum=input_num*hidden_num+hidden_num+hidden_num*output_num+output_num;
    lenchrom=ones(1,numsum);       
    bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围
    individuals=struct('fitness',zeros(1,popsize), 'chrom',[]);  %将种群信息定义为一个结构体


    %各种群适应度计算 
    for i=1:popsize
        individuals.chrom(i,:) = Code(lenchrom, bound);  %编码
        x = individuals.chrom(i,:);
        %计算适应度
        individuals.fitness(i) = fun(x,input_num,hidden_num,output_num,net,input_norm,output_norm);
    end

    [bestfitness, bestindex] = min(individuals.fitness);
    bestchrom = individuals.chrom(bestindex,:);  %最好的染色体
    %-------以上:完成第一次的适应度计算即存储,接下来选择交叉变异从而获得更好的个体,迭代十次---------%


    % 选择,交叉,变异
    for i=1:iteration_num
        % 选择  
        individuals=select(individuals,popsize);
        % 交叉  
        individuals.chrom=Cross(pc,lenchrom,individuals,popsize,bound);  
        % 变异  
        individuals.chrom=Mutation(pm,lenchrom,individuals,popsize,i,iteration_num,bound);
        
        % 计算适应度
        for j=1:popsize
            x = individuals.chrom(j,:); %个体,本段与上面一样,但无需编码,要做的是计算选择/交叉/变异之后的适应度值
            %计算适应度
            individuals.fitness(j) = fun(x,input_num,hidden_num,output_num,net,input_norm,output_norm);
        end    
        %找到最小适应度的染色体及它们在种群中的位置
        [newbestfitness,newbestindex] = min(individuals.fitness);
        [worestfitness,worestindex] = max(individuals.fitness);
        % 代替上一次进化中最好的染色体
        if newbestfitness < bestfitness
           bestfitness = newbestfitness;
           bestchrom = individuals.chrom(newbestindex,:);
        end
        individuals.chrom(worestindex,:) = bestchrom;
        individuals.fitness(worestindex) = bestfitness;   %把最糟糕的用最好的替换
    end


    % 判断是否达标,已达标,进入下一步

    % 获得最佳初始阀值权值

    x = bestchrom;
    w1 = x(1:input_num*hidden_num);
    B1 = x(input_num*hidden_num+1:input_num*hidden_num+hidden_num);
    w2 = x(input_num*hidden_num+hidden_num+1:input_num*hidden_num+hidden_num+hidden_num*output_num);
    B2 = x(input_num*hidden_num+hidden_num+hidden_num*output_num+1:input_num*hidden_num+hidden_num+hidden_num*output_num+output_num);

    net.iw{1,1} = reshape(w1,hidden_num,input_num);
    net.lw{2,1} = reshape(w2,output_num,hidden_num);
    net.b{1} = reshape(B1,hidden_num,1);
    net.b{2} = reshape(B2,output_num,1);

    % BP网络训练
    % 网络参数
    net.trainParam.epochs=1000;
    net.trainParam.lr=0.1;
    net.trainParam.goal=0.0001;

    net.divideFcn = ''; % 为和书本一致,对于样本极少的情况,不要再三分了

    %网络训练
    [net,tr]=train(net,input_norm,output_norm);

    %数据归一化
    input_test_norm = mapminmax('apply',input_test,is);
    an = sim(net,input_test_norm); %归一化的预测结果
    output_test_BP = mapminmax('reverse',an,os); %预测结果
    error = output_test_BP-output_test;

    % 画图
    figure(1)
    plot(output_test_BP,':og','LineWidth',1.5)
    hold on
    plot(output_test,'-*','LineWidth',1.5);
    legend('预测输出','期望输出')
    grid on
    set(gca,'linewidth',1.0);
    xlabel('样本','FontSize',15);
    ylabel('函数输出','FontSize',15);
    set(gcf,'color','w')
    title('GA-BP 网络','Color','k','FontSize',15);

    toc

     

    🎉3 参考文献

    [1]赏益. 基于改进神经网络的风电功率预测研究[D].南京信息工程大学,2020.DOI:10.27248/d.cnki.gnjqc.2020.000066.

    [2]寇金驰. 基于改进神经网络的风电功率预测系统设计[D].沈阳工程学院,2021.DOI:10.27845/d.cnki.gsygc.2021.000022.

    [3]刘增里,杨静,刘亚林,熊力.基于改进BP神经网络的风电功率超短期预测[J].船舶工程,2019,41(S1):282-287.DOI:10.13788/j.cnki.cbgc.2019.S1.069.

    🌈4 Matlab代码实现

  • 相关阅读:
    第7章 模式匹配与正则表达式
    【附源码】计算机毕业设计SSM商品测试应用管理系统
    DIY 万利 ST-LINK II 更改成 ST-Link V2
    ME21N 采购订单新增页签增强
    Vue学习笔记
    18-JSON和浏览器数据存储
    MATLAB——一维连续小波的分解
    Docker从入门到上天系列第三篇:docker官网介绍与docker的三要素
    说说mybatis中的#{} 和 ${}
    融合与创新:数据堂骨龄标注工具为医生赋能
  • 原文地址:https://blog.csdn.net/weixin_46039719/article/details/127617783