周一至周五 | 9:00—22:00

基于改进神经网络和IOWA算子的风速组合预测

作者:未知

  摘要:为了对风速进行准确的预测,本文提出一种计算智能改进神经网络和IOWA算子的组合预测方法。实验表明,与单项预测模型相比,该算法有更高的预测精度。
  关键词:计算智能 神经网络  IOWA算子
  中图分类号:TM715 文献标识码:A 文章编号:1007-9416(2014)09-0071-01
  1 引言
  本文提出采用IOWA算子将各计算智能改进神经网络单项预测结果集成,对风电场风速进行组合预测的方法。通过对某风电场四个季节中4天24小时的风速预测结果表明,与单项模型预测方法相比,本文所提出的方法能有效提高预测精度。
  2 基于计算智能改进的神经网络
  本文利用遗传、免疫和粗糙集等计算智能算法具有的不同优势,对神经网络结构进行改进,进而构成单项预测模型。
  2.1 遗传神经网络
  采用遗传算法确定拓扑结构固定的神经网络连接权重,具体步骤如下:
  Step 1:采用实数编码。
  Step 2:将染色体上表示的各连接权值按对应方式分配到给定的网络结构,网络以训练集样本为输入输出,计算Ffitness=1/(1+Emse)值。
  Step 3:网络权值初始化。按式pinitial=±exp(-│γ│),│γ│<4随机确定网络权值。
  Step 4:采用联赛方式选择遗传操作个体。
  Step 5:对权值采用有效线性交叉操作p1g+1=αp1g+(1-α)p2g,p2g+1=αp2g+(1-α)p1g,α∈(1.2,1.5),p1g和p2g为上一代两个个体,p1g+1和p2g+1为经过交叉操作后的两个新个体,α为常数。
  Step 6:高斯变异进行变异操作,β为常数系数,μ(0,1)为高斯算子。
  Step 7:按和
  更新交叉率和变异率,kc和km为小于1的常数,fc为欲进行交叉的两个个体中适应度值较大者,fm为欲进行变异操作的个体适应度值,fmax和f为群体的最大和平均适应度值。
  2.2 免疫神经网络
  为了利用待求解问题的特征信息提高网络的处理能力,将神经网络神经元的激励,函数设计成带有一系列参数的函数族,输出单元设计成“疫苗接种单元”。
  2.3 粗糙神经网络
  基于粗糙神经网络的每个神经元由上近似元和下近似元组成,分别代表粗糙集的上下近似。这里神经元之间的连接方式按文献[2]选取。
  3 基于IOWA算子的组合预测方法
  基于IOWA(Induced Ordered Weighted Averaging)算子的组合预测模型,通过引进IOWA算子,对每个单项预测方法在样本区间上各个时点的拟合精度的高低按顺序赋权,以误差平方和为准则建立组合预测模型,可以提高预测精度[2]。
  4 实例分析
  本文选取某风电场采样时间间隔1小时的预测期前的800个实测风速数据为训练样本,单项预测模型采用第2节中的改进神经网络,并按第3节基于IOWA算子的组合预测模型对当年4个季节中的4天24小时的风速值进行预测风速进行组合预测。将本文方法与各单项预测模型预测结果进行比较,本文所提出方法MAE和MAPE均较小,如表1所示。
  5 结语
  为了对风速进行准确的预测,本文提出采用遗传算法、免疫算法和粗糙集对神经网络结构进行改进构成单项预测模型,然后采用IOWA算子对预测结果进行集成。实验表明,与单项预测模型相比,该算法有更高的预测精度。
  参考文献
  [1]魏建明.基于集成计算智能的图像信息融合技术研究[D].上海:上海大学,2005.
  [2]敖培,牟龙华.基于环境特性网的负荷组合预测[J].煤炭学报,2011,36(9):1575-1580.


常见问题解答