清洁能源CleanEnergy第28卷第2期电网与清洁能源年2月文章编号：1674-3814（2012）02-0080-04中图分类号：TM615文献标志码：A基于AdaBoost与BP神经网络的风速预测研究柳玉1,2，郭虎全1（1华北电力大学，控制与计算机工程学院，北京102206;2新能源电力系统国家重点实验室，北京102206）WindSpeedPredictionBasedonAdaBoostandBPNeuralNetworksLIUYu1，2，GUOHu-quan1（,NorthChinaElectricPowerUniversity,Beijing102206,China;,Beijing102206,China）ABSTRACT：ThispaperintroducesanAdaBoost-basedmulti-但是其低阶模型预测精度低，高阶模型参数整定难度大；卡尔曼滤波法[7-8]是在假定已知噪声统计特性resultofthepredictionbytheensemblemethodistheoretically的情况下得出预测值，事实上噪声的统计特性难以andempiricallyprovedtobesuperiortothosebyotherm估计；空间相关性法[9]则是利用风场和邻近点的风,back-propagation速数据做预测，其预测效果较好，但原始数据收集neuralnetworks(BPNN)aregenerated;eachfortrainingona量较大。
randomsetofexamplesonwindspeeddata,thentheresultsof由于风速序列的高度非线性，如ARMA的线性eachbaselearnerwillbecombinedtoformthefinalhypothesis.模型不能进行很好地预测。神经网络[10-11]则能够很Thepredictionerrorbythismethodissmallerthanthatby好地逼近非线性函数。其处理非线性问题所表现出singleBPneuralnetwork,andtheanalysisandsimulationresultssuggestthattheproposedapproachresultsinbetterperformance.很强的优越性。然而神经网络也存在明显的不足，KEYWORDS:AdaBoost;BPneuralnetwork;short-termwind一些研究表明，对网络的配置和训练是NP问题，其speedforecasting自身缺乏严格的理论指导。如何最优地构造和训练摘要：介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果，这一点在理论一个神经网络，保证神经网络的泛化能力，更多的上和经验上已经得到证明。
AdaB取决于使用者的经验和不断的试凑。1990年，Hansenoost是适用于时间序列预测的集成方法。基于AdaBoost算法，采用多个BP神经网络训练和Salamon[12]证明：通过训练多个神经网络并将其集随机生成的风速样本，再由多个训练结果生成最终的风速预成输出，会显著地提高神经网络的泛化能力。测值。用该方法预测的误差低于用单一BP神经网络进行的预本文用测，其分析和仿真结果表明了其优越性。AdaBoost算法的思想集成多个神经网络关键词：的输出。即把BP神经网络作为弱预测器，通过反复AdaBoost；BP神经网络；短期风速预测的训练BP神经网络预测输出，最终得到由多个BP神近年来，风力发电机组单机容量和大型并网风经网络组成的强预测器。电场的发电总量迅速增长[1-2]，影响了电力系统的安全平稳运行[3]。因此，进行风速预测很有意义。1预测模型短时期的预测需要基于对过去和现在的数据进行推广的统计技术。最简单的统计预测方法是持神经网络续预测法[4]，这种方法一般是将最后一步的测量数BP神经网络即采用误差反向传播算法的多层据作为下一步预测数据的输入部分，由于只考虑上前向神经网络。其重要特点是信号前向传递，误差一步测量值，模型的预测误差较大，预测结果不稳反向传播。
前向传递中，输入信号从输入层经隐含定；时间序列法[5-6]利用历史测量值建立线性模型，层逐层处理，直至输出层。相邻两层神经元完全互——————————基金项目：国家重点基础研究发展计划项目（973项目）连，不相邻层无连接。每一层的神经元状态只影响（2012CB215203）。下一层神经元状态，如果输出层得不到期望输出，NationalBasicResearchProgramofChina(973Program)(2012CB215203).则转入反向传播，根据预测误差调整网络权值和阀清洁能源CleanEnergy第28卷第2期电网与清洁能源81值，使BP神经网络预测输出不断逼近预测输出。其输出最终的预测函数为网络结构如图1所示。H（x）=sig移Tn[琢th（tx）]（2）t=12实例分析数据的预处理根据GB/T18710-2002标准规定：风电场测风数据检验的内容包括数据的完整性检验和合理性检验，合理性检验包括合理性范围的检验、趋势性检图1BP神经网络结构验等。根据GB/T18710-2002标准规定，合理性检验内算法容主要有：AdaBoos（tAdaptiveBoost）是Boosting算法的一1）合理性检验范围:按标准规定，小时平均风种[13]，其主要思想是获取各学习样本的权重分布，最速和风向的合理范围在0~40m/s，0~360毅，认为是合初所有权重被赋予相等的数值，但在训练过程中，这些样本权重被不断调整：预测精度低的样本权重理的。
超出范围的，认为是不合理的。得到加强，预测精度高的样本权重则被减弱。最终，2）趋势性的合理范围:按标准规定，1h平均风弱预测器加强了对难以预测的样本的学习。这种思速差的合理范围应小于6m/s。想源于V风速数据归一化aliant提出的PAC（ProbablyApproximatelyCorrect，可能近似正确）学习模型[14]。这样，达到一定x軃i=xi-xmin，i=1，…，m（3）预测精度的弱预测器，经组合后形成的强预测器就xmax-xmin具有很高的预测精度。由于AdaBoost算法不要求事式中，x軃为归一化后的风速值；ix为原始风速；ixmax、xmin先知道弱学习算法预测精度的下限而非常适用于分别为原始风速序列中的最大值和最小值，单位为m/s。实际问题中。风速预测AdaBoost算法可描述为：本文从某风电场小时级平均风速选取1300组给定学习样本数据样本。由于不需要事先知道弱学习算法正确率（x1，y1），…，（xm，ym），xi沂x，yi沂y，i=1，…，m的下限，对弱预测器，即BP神经网络结构可设置为给定样本初始权重6-6-1，过去6h的风速数据作为输入，隐层结点数为D（1i）=1/m，i=1，…，m（1）当6个，预测输出为下一小时的风速值。
网络函数参考t=1，2，…，T文献[15]，即网络隐层神经元传递函数采用tansig函1）利用样本权重D训练弱学习器；t数，输出层采用purelin函数。训练步数定为50步。为2）获取弱学习器的预测函数h：tX寅Y，并用着t=Pri~Dt[h（）txi屹yi]表示对应的预测误差；了增加泛化能力，每个弱预测器的训练样本是从前700组风速数据中随机选择500组进行训练。取着t=1，3）选取琢t=11-着tln蓸蔀；2着t共训练生成不同权重下的10个BP神经网络弱预测4）更新样本权重：器，最后由10个弱预测器组成一个强预测器对风速扇设-琢）设t设设eh（tx）i=yDit+（1i）=D（ti伊i）进行预测。测试样本则是按照时间序列对第701组exp[-琢ty缮i设=D（th（）txi]Z设设琢ttZ墒设eh（样本后的50组样本进行测试，图2所示为AdaBoost-tx）i屹ytiBP预测模型示意图，图3所示为原始风速序列。式中，Z为归一化因子，以使t移mD）t+（1i=1。由图4可知bp预测风速程序，用AdaBoost结合BP神经网络的预i=1清洁能源CleanEnergy82柳玉，等：基于AdaBoost与BP神经网络的风速预测研究测误差整体低于用弱预测器的BP神经网络的平均绝对误差。
图2AdaBoost-BP预测模型示意图图4AdaBoost-BP与BP绝对误差对比-BPandBPabsoluteerrorcomparison图5最大权重预测结果图图3原始风速序列图5、图6分别为权重最大和权重最小的BP神经网络与AdaBoost-BP的比较，从图上可以直观的看到，AdaBoost-BP预测结果还是优于单独的BP神经网络，尤其在峰值处AdaBoost-BP明显优于BP神经网络。图7为AdaBoost-BP预测结果的相对误差，除个别点相对误差较大外，80%的测点的相对误差在20%以内。本文对701组以后的50组样本做了测试，平均相对误差和平均相对方差AdaBoost-BP优于BP神经网络的平均值。按照时间顺序往后顺推100组，即图6最小权重预测结果图100h，并对预测误差做了对比，101-150组数据波清洁能源CleanEnergy第28卷第2期电网与清洁能源832）相对于BP神经网络而言，AdaBoost-BP提升了泛化能力。随着时间的推移，AdaBoost-BP模型的预测结果的优越性体现的更为明显，除个别组风速数据的波动性较大，使预测结果相对不理想。在本文的基础上bp预测风速程序，可采用多个不同结构的弱预测器有利于风电场的安全运行。参考文献[1]2009年世界风能报告[EB/OL]援
发表评论