一种基于遗传算法（GA）和AdaBoost算法优化的BP神经网络功率短期预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114118533A(43)申请公布日2022.03.01(21)申请号202111309288.7G06Q50/06(2012.01)(22)申请日2021.11.06H02J3/00(2006.01)G06K9/62(2022.01)(71)申请人国网辽宁省电力有限公司盘锦供电G06N3/08(2006.01)公司G06N3/12(2006.01)地址124010辽宁省盘锦市市府大街5号申请人国家电网有限公司(72)发明人朱浩祎李志新王俊吴限刘树森刘少军张林姚欣欣苑婷李金圣刘俐利陶冶李楠(74)专利代理机构辽宁沈阳国兴知识产权代理有限公司21100代理人姜婷婷(51)Int.Cl.G06Q10/04(2012.01)权利要求书2页说明书4页附图3页(54)发明名称一种基于遗传算法（GA）和AdaBoost算法优化的BP神经网络功率短期预测方法(57)摘要本发明涉及一种基于遗传算法（GA）和AdaBoost算法优化的BP神经网络功率短期预测方法。通过采集到的历史输出功率以及温度、湿度、太阳辐射强度等主要的影响因子作为输入变量，通过遗传算法的全局优化对BP神经网络的初始权值和阈值进行改进，同时AdaBoost强预测器通过对弱预测器的预测序列赋予不同的权重综合不同序列的精度优势，实现了AdaBoost强预测器的“优中选优”的目的。本发明的优点：GA‑AdaBoost‑BP模型兼顾了遗传算法以及AdaBoost算法二者的优点，有效提高了BP神经网络模型性能，具有预测精度高、泛化能力强的特点，此模型和方法能够很好的预测光伏输出功率。CN114118533ACN114118533A权利要求书1/2页1.一种基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法，其特征在于包括下述步骤：1)确定以及检验样本，根据样本的输入输出维数来确定神经网络的模型，构建合适的BP神经网络，初始化BP神经网络权值阈值；2)通过遗传算法优化BP神经网络，将BP神经网络的阈值和权值当作遗传算法的染色体，适应度函数用训练数据训练BP神经网络，把预测误差当作个体适应度；3)寻找弱预测器gt(t＝1,2,…,T)。对第t个弱预测器进行训练时，将GA‑BP遗传神经网络用训练数据训练并且预测训练数据输出，得到预测序列g(t)的误差et其中：y为期望分类结果；g(t)为预测分类结果；4)计算预测序列权重，根据预测序列gt的预测误差和et，推算序列的权重at，5)更新权重，下一轮训练样本的权重根据预测序列权重at进行调整式中：Bt是归一化因子，这是为了使分布权值的和为1，其中6)强分类器预测函数，训练T轮之后获得T个弱预测器函数gt(x)(t＝1,2,…,T)，然后由T个目标函数加权组合，就可以得到一个强预测器函数H(x)：2.根据权利要求1所述的基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法，其特征在于所述的步骤1)中，通过采集影响因子作为输入变量，所述的影响因子包括历史光伏输出功率以及温度、湿度、太阳辐射强度。3.根据权利要求1所述的基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法，其特征在于所述的步骤1)中，利用归一化处理将不同种类的变量统一到同一个范围内，所述的范围是(‑1，1)的一个数值区间，转换函数为：2CN114118533A权利要求书2/2页其中max为样本的最大值，min为样本的最小值，x为样本数据的当前值，x′为归一化转换计算之后所得到值，通过归一化的计算有利于加快模型的收敛速度，提高模型的预测精度。4.根据权利要求2所述的基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法，其特征在于包括对光伏输出功率影响进行相关性分析：选取Pearson相关系数5.根据权利要求1所述的基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法，其特征在于判断标准为：MAPE值：MAPE值越低判断为预测效果越好。3CN114118533A说明书1/4页一种基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法技术领域[0001]本发明涉及光伏发电系统功率预测领域，特别涉及一种基于遗传算法(GA)和AdaBoost算法优化的BP神经网络功率短期预测方法。背景技术[0002]当今世界，经济的迅速发展使得能源的消耗逐年增加。与此同时，能源消耗与环境变化是人类所面临的两个相互制约的问题。许多发达国家都己经开展了各自的分布式光伏发电工程，光伏发电已经进入爆发式发展阶段。但是光伏具有随机性、间歇性和波动性等特点，对并网时电力部门的调度以及居民优化调度电力设备