反向传播神经网络（Back-PropagationNeural）风速预测研究存在必要性

摘要：短期风速预测是电网系统调度和维护的有力依据,高精度的短期风速预测直接影响着风电场的各项指标短期风速预测时间,因此风速预测研究存在必要性。反向传播神经网络（Back-Propagation Neural Network,BPNN）作为具有误差校正的前馈网络,擅长处理小样本非线性问题。卷积神经网络（Convolutional Neural Networks,CNN）用于权值更新的优化算法是对BPNN中梯度下降法（Gradient Decrease,GD）深刻的拓展和应用。本文以CNN和BPNN为基础,结合数据预处理模块构建短期风速集成预测模型,实现对短期风速大小高精度预测。首先,本文结合自适应奇异谱分析和经验小波变换（Empirical Wavelet Transform,EWT）组成混合数据预处理方法。具体是利用自适应奇异谱分析对原始风速降噪,并经EWT分解为多个时间序列分量。计算分量间的皮尔逊系数,以此为依据合并相关分量得到风速子序列。其次,构建基于CNN的特征提取器和基于改进BPNN的预测网络。利用CNN对风速子序列进行特征提取短期风速预测时间,使原序列特征增强。并引入预训练思想对BPNN做出改进。具体过程是:利用改进鲸鱼优化算法优化BPNN的初始权重和偏置,得到一组接近最优值的初始数值以完成BPNN预训练;接着通过监督学习对BPNN的参数做出微调;最后用训练好的网络对风速做出预测。此外,为解决标准鲸鱼优化算法（Whale Optimization Algorithm,WOA）收敛速度慢和易陷入局部最优的问题,本文运用logistic映射产生初始种群来代替随机产生的方式并引入差分进化算子,增加全局搜索阶段的粒子多样性,有效改善陷入局部最优问题,加快收敛速度。最后,通过不同算法对比验证改进WOA（MWOA）的有效性,并通过实现多种不同预测模型,从精确性、稳定性、差异性、平均运行时间等指标分析并验证了本文所提预测模型的优越性。更多还原