1 简介
风能,作为一种重要,有潜力,无污染,可再生、可持续的能源,已经成为全球发电最为迅速的能源之一,越来越受到世界各国的青睐。近年来,为缓解能源短缺问题,改善环境,实现经济乃至人类的可持续发展,世界各国纷纷大力发展风能资源。然而,在实际操作中,风能固有的波动性和间歇性通常会增加风能入网的难度,致使风电场输出功率不稳定,严重影响输出的电能质量,大大增加了电网安全性和稳定性运行风险,因此,风速预测在风电相关工作中至关重要,准确、可靠的预测结果不仅有利于调度人员事先掌握风电场的功率变化情况,及时制定调度运行计划,提高能量转换效率、降低风险,增加发电量等,同时也有利于风电并网稳定运行和有效消纳,对可能存在影响电网安全稳定运行的风险及时预警,从而避免风电功率随机波动造成电能损耗甚至电网崩溃。近年来,国内外学者进行了大量风速预测相关研究,风速预测水平得到一定程度的提升。单一预测模型虽简单容易实施,但其预测精度往往较低,难以满足风电场发电的需求。相比之下,基于优化算法和数据分解法的混合预测模型对风速预测性能有很大的提升。然而,现有的模型只是使用单目标优化算法,针对预测模型精度的提高,很少关注预测结果稳定性的增强,涉及多目标优化算法的混合预测模型更是少之又少。因此,这些模型往往会降低预测结果的稳定性,对风电场发电以及风电并网的安全性和稳定性带来巨大的挑战。针对如上问题,本文构建出一个基于鲸鱼算法和Elman神经网络的混合预测模型，本文所提出的混合预测模型不仅可以降低预测误差,提高风速预测精度,增强预测结果的稳定性,同时对风电场发电的完善,发展以及风电并网安全管理也大有裨益。
遗传算法是一种具有广泛适用性的搜索方法，通过建立在自然选择和群体遗传学机理基础上的随机迭代、进化，所有的自然种类都是适应环境而得以生存，这一自然适应性是遗传算法的主旋律。遗传算法结合了适者生存和随机信息交换，前者消除了解中不适应因素，后者利用了原有解中已有的知识，从而有力地加快了搜索过程。遗传算法具有多点并行搜索的特点，可以避免陷入局部极值点，同时它在使用时需要的信息较少，且放松了对目标函数值的要求，仅通过复制、交叉和变异运算就可以以很大的概率在解空间中搜索到全局最优或次优解。遗传算法优化 Elman 神经网络时首先确定 El- man 神经网络的拓扑结构，Elman 神经网络的拓扑结构是根据样本的输入/输出参数个数确定的，这样就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度。然后遗传算法优化的参数是Elman 神经网络的初始权值和阈值，Elman 神经网络的权值和阈值一般是随机初始化的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阈值，网络的训练结构式一样的，引入遗传算法就是为了优化出最佳的初始权值和阈值。使优化后的 Elman 神经网络能够更好的进行样本预测。
Elman 网络采取的权值更新方法( 梯度下降法) ，其缺陷是容易陷入局部最小值，所以本文借助遗传算法( GA) 来训练优化初始权值，通过选择、复制、交叉、变异这几种进化机制来寻找最优解。因此，遗传算法全局变异算子可以避免陷入局部最优，并且由于其具有并行搜索的特性，保证了算法的快速、稳定。遗传算法优化 Elman 神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子。遗传算法优化 Elman 神经网络的流程图如图 2。遗传算法优化 Elman 神经网络的实现步骤如下:
( 1) 种群初始化。将 Elman 网络的初始随机权值编码为若干和染色体组成的初始种群。个体编码使用二进制编码，每个个体均为一个二进制串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值 4 部分组成，每个权值和阈值使用 M 位的二进制编码，将所有权值的阈值的编码连接起来即为一个个体的编码。
( 2) 选择适应度函数。为了使 Elman 网络在预测时，预测值与期望值的残差尽可能小，所以选择预测样本的预测值与期望值的误差为目标函数的输出。适应度函数采用 f = 1 / E( t) 选择算子
2 部分代码
clc % 清屏
clear all; % 删除workplace变量
close all; % 关掉显示图形窗口
size=30;
codel=3;
minx(1)=zeros(1);
maxx(1)=50*ones(1);
minx(2)=zeros(1);
maxx(2)=50*ones(1);
minx(3)=zeros(1);
maxx(3)=50*ones(1);
kpid(:,1)=minx(1)+(maxx(1)-minx(1))*rand(size,1);
kpid(:,2)=minx(2)+(maxx(2)-minx(2))*rand(size,1);
kpid(:,3)=minx(3)+(maxx(3)-minx(3))*rand(size,1);
G=100;
BsJ=0;
for kg=1:1:G
time(kg)=kg;
for i=1:1:size
kpidi=kpid(i,:);
BsJ=pid_GA(kpidi);
BsJi(i)=BsJ;
end
[OderJi,IndexJi]=sort(BsJi);
BestJ(kg)=OderJi(1);
BJ=BestJ(kg);
Ji=BsJi+1e-10;
fi=1./Ji;
[Oderfi,Indexfi]=sort(fi);
Bestfi=Oderfi(size);
BestS=kpid(Indexfi(size),:);
% select and reproduct operation
fi_sum=sum(fi);
fi_size=(Oderfi/fi_sum)*size;
fi_s=floor(fi_size);
r=size-sum(fi_s);
Rest=fi_size-fi_s;
[Restvalue,Index]=sort(Rest);
for i=size:-1:size-r+1
fi_s(Index(i))=fi_s(Index(i))+1;
end
k=1;
for i=size:-1:1
for j=1:1:fi_s(i)
TempE(k,:)=kpid(Indexfi(i),:);
k=k+1;
end
end
% crossover operation
Pc=0.90;
for i=1:2:(size-1)
temp=rand;
if Pc>temp
alfa=rand;
TempE(i,:)=alfa*kpid(i+1,:)+(1-alfa)*kpid(i,:);
TempE(i+1,:)=alfa*kpid(i,:)+(1-alfa)*kpid(i+1,:);
end
end
TempE(size,:)=BestS;
kpid=TempE;
%Mution operation
Pm=0.1-[1:1:size]*(0.01)/size;
Pm_rand=rand(size,codel);
Mean=(maxx+minx)/2;
Dif=(maxx-minx);
for i=1:1:size
for j=1:1:codel
if Pm(i)>Pm_rand(i,j)
TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5);
end
end
end
%guarantee TempE(size,:)belong tu the best individual
TempE(size,:)=BestS;
kpid=TempE;
end
Bestfi;
BestS;
Best_J=BestJ(G);
figure(1);
plot(time,BestJ,'LineWidth',3);
title('最优个体适应值','fontsize',10);
xlabel('迭代次数');ylabel('适应值');
grid on
3 仿真结果
4 参考文献
[1]朱昶胜, 康亮河, and 冯文芳. "基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法." 计算机应用 40.5(2020):9.
[2]张立军, and 苑迪. "基于GA-Elman动态回归神经网络的股价预测模型研究." 华东经济管理 22.9(2008):4.
