基于遺傳算法和模糊聚類算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)

吳鋼，徐楓，王冰，徐偲喆（.江蘇方天電力技術(shù)有限公司 江蘇 南京　0；.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京　00）

基于遺傳算法和模糊聚類算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)

吳鋼1，徐楓2，王冰2，徐偲喆2
（1.江蘇方天電力技術(shù)有限公司 江蘇 南京211102；2.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京211100）

針對(duì)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)中存在的結(jié)構(gòu)不確定以及網(wǎng)絡(luò)過度擬合的問題，利用遺傳算法的全局搜索能力和模糊聚類算法的數(shù)據(jù)篩選能力，分別對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與數(shù)據(jù)進(jìn)行雙重優(yōu)化，提出了基于遺傳算法和聚類算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)方法。仿真表明，改進(jìn)風(fēng)速后的預(yù)測(cè)方法大大提高了風(fēng)速預(yù)測(cè)的準(zhǔn)確性。

短期風(fēng)速預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；聚類算法；二次優(yōu)化

隨著風(fēng)力發(fā)電規(guī)模不斷擴(kuò)大，當(dāng)風(fēng)電穿越功率超過一定值時(shí)，風(fēng)電并網(wǎng)后電網(wǎng)穩(wěn)定和安全問題成為研究者急須解決的新課題［1］。其中風(fēng)電場(chǎng)的短期風(fēng)速預(yù)測(cè)是解決該問題的重要手段之一。

風(fēng)速序列是一種間歇性和隨機(jī)性很強(qiáng)的時(shí)間序列［2］，溫度、陰晴、風(fēng)力等級(jí)等天氣狀況對(duì)其影響很大，歷史數(shù)據(jù)包含了這些因素，因此可以建立一種歷史風(fēng)速和未來風(fēng)速之間的映射，即可以依據(jù)歷史風(fēng)速數(shù)據(jù)對(duì)未來風(fēng)速進(jìn)行預(yù)測(cè)。

目前見諸文獻(xiàn)的風(fēng)速預(yù)測(cè)方法主要有神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)、小波分析以及優(yōu)化算法等。其中神經(jīng)網(wǎng)絡(luò)法是運(yùn)用最為方便也是應(yīng)用最為廣泛的方法。但是，由于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不確定性以及風(fēng)速受溫度、氣壓等自然環(huán)境因素的影響，導(dǎo)致單一神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度往往較低。

針對(duì)單一BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)中存在的問題，本文利用遺傳算法（Genetic Algorithm，GA）對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、初始權(quán)值和閥值進(jìn)行一次優(yōu)化，利用模糊聚類算法（Fuzzy CMeans Algorithm，F(xiàn)CM）來對(duì)BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入進(jìn)行二次優(yōu)化，從而完成了對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)據(jù)的雙重優(yōu)化，并提出了基于遺傳算法和聚類算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)方法，仿真表明，經(jīng)過二次優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)精度明顯優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)。

1　風(fēng)速預(yù)測(cè)原理以及BP網(wǎng)絡(luò)預(yù)測(cè)中的問題

1.1風(fēng)速預(yù)測(cè)原理

風(fēng)速序列是一種間歇性和隨機(jī)性很強(qiáng)的時(shí)間序列，溫度、陰晴、風(fēng)力等級(jí)等天氣狀況對(duì)其影響很大，歷史數(shù)據(jù)包含了這些因素，因此可以建立一種歷史風(fēng)速和未來風(fēng)速之間的映射，即可以依據(jù)歷史風(fēng)速數(shù)據(jù)對(duì)未來風(fēng)速進(jìn)行預(yù)測(cè)：

式中：v?（t+1）為預(yù)測(cè)風(fēng)速，v（t），v（t-1），v（t-2）…v（t-n+1）從t時(shí)刻到t-n+1時(shí)刻的n個(gè)實(shí)測(cè)歷史風(fēng)速數(shù)據(jù)，f為它們之間的映射。由此可知，以t時(shí)刻為基準(zhǔn)，將之前個(gè)時(shí)刻的實(shí)測(cè)歷史風(fēng)速數(shù)據(jù)帶入式（1）中，可以得到的下一時(shí)刻的預(yù)測(cè)值。以此類推，將t+1時(shí)刻的預(yù)測(cè)值帶入式（1）等式右邊，反復(fù)利用，可以得到未來多個(gè)時(shí)刻的風(fēng)速預(yù)測(cè)值。

1.2BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)原理

BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出為0到1之間的連續(xù)量，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。而實(shí)現(xiàn)歷史風(fēng)速和未來風(fēng)速之間的非線性映射，即可用于風(fēng)速預(yù)測(cè)。

對(duì)于風(fēng)速預(yù)測(cè)問題，三層網(wǎng)絡(luò)可以很好的解決［3］，三層BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。

圖1　三層BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

如圖1所示，P為BP神經(jīng)網(wǎng)絡(luò)的輸入向量；O為BP神經(jīng)網(wǎng)絡(luò)輸出向量；n1，n2，n3分別為輸入層維數(shù)、隱含層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)；IW，LW分別表示輸入層到隱層的連接權(quán)值和隱層到輸出層的連接權(quán)值向量；IB，LB分別表示隱層神經(jīng)元閾值和輸出層神經(jīng)元閾值向量。當(dāng)使用單一BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，存在以下幾個(gè)問題：

1）網(wǎng)絡(luò)的輸入和輸出維數(shù)可以依靠BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出直接確定，但神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)沒有直接的、確定的選擇方法，只能依靠經(jīng)驗(yàn)公式對(duì)其進(jìn)行計(jì)算，存在很大的不確定性。

2）BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值全部為隨機(jī)量，而初始權(quán)值和閥值的選擇對(duì)BP神經(jīng)網(wǎng)絡(luò)的收斂性影響很大，如果初始權(quán)值和閥值取值不當(dāng)，那么BP神經(jīng)網(wǎng)絡(luò)將收斂于局部最優(yōu)點(diǎn)上。

3）風(fēng)速序列是一種間歇性和隨機(jī)性很強(qiáng)的時(shí)間序列，不同的天氣條件對(duì)風(fēng)速序列影響很大，大量的歷史風(fēng)速數(shù)據(jù)中包含著各種不同的天氣氣象和風(fēng)速波動(dòng)信息。如果不加篩選的將這些歷史數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的過度擬合，降低了網(wǎng)絡(luò)的泛化能力，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)在進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，也會(huì)產(chǎn)生較大的誤差。

2　BP神經(jīng)網(wǎng)絡(luò)的二次優(yōu)化

針對(duì)單一BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)中存在的初始化不確定和大量歷史數(shù)據(jù)輸入下的網(wǎng)絡(luò)過度擬合問題，分別利用遺傳算法的全局尋優(yōu)能力和模糊聚類算法的數(shù)據(jù)篩選能力對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和數(shù)據(jù)進(jìn)行二次優(yōu)化，以期達(dá)到更準(zhǔn)確的風(fēng)速預(yù)測(cè)結(jié)果。

2.1遺傳算法一次優(yōu)化

首先利用遺傳算法來解決單一BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)中存在的初始化不確定問題。

BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)風(fēng)速之前，必須按照實(shí)際情況進(jìn)行神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定和參數(shù)的初始化，而在確定網(wǎng)絡(luò)結(jié)構(gòu)和初始化參數(shù)的過程中，存在結(jié)構(gòu)和初始權(quán)值、閥值的不確定問題。針對(duì)這兩個(gè)問題，本文提出一種GA-BP算法，利用遺傳算法（GA）的全局尋優(yōu)能力［5］來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始權(quán)值、閥值，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行一次優(yōu)化。

該GA-BP算法實(shí)現(xiàn)步驟如下：

1）種群初始化

染色體實(shí)數(shù)可表示為：

其中，n1，n2，n3分別為輸入層維數(shù)、隱含層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)；IW，LW分別表示輸入層到隱層的連接權(quán)值和隱層到輸出層的連接權(quán)值；IB，LB分別表示隱層神經(jīng)元閥值和輸出層神經(jīng)元閥值。n1，n3為固定值，n2的取值范圍［4］為

2）適應(yīng)度函數(shù)

該算法目的是在使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)值與期望值的殘差盡可能小，因此選擇預(yù)測(cè)樣本的預(yù)測(cè)值與期望值的均方誤差作為目標(biāo)函數(shù)［5］：

式中：v?k為k時(shí)刻的風(fēng)速預(yù)測(cè)值，vk為k時(shí)刻的風(fēng)速實(shí)測(cè)值，n為樣本數(shù)量。

3）選擇操作

選擇操作是從舊群體中以一定概率選擇優(yōu)良個(gè)體組成新的種群，以繁殖得到下一代個(gè)體。個(gè)體被選中的概率跟適應(yīng)度值有關(guān)，個(gè)體適應(yīng)度值越高，被選中的概率越大，個(gè)體i被選中的概率為

其中，F(xiàn)i為個(gè)體i的適應(yīng)度；N為種群數(shù)目。

4）交叉操作

交叉操作就是指從種群中隨機(jī)選擇兩個(gè)染色體，通過兩個(gè)染色體的交換組合，產(chǎn)生新的優(yōu)秀個(gè)體。由于個(gè)體采用實(shí)數(shù)編碼，所以交叉操作采用實(shí)數(shù)交叉法，第k個(gè)染色體ak和第l個(gè)染色體al在j的交叉操作方法是

其中，b是［0，1］區(qū)間的隨機(jī)數(shù)。

5）變異操作

變異操作的主要目的是為了維持種群的多樣性。變異操作從種群中隨機(jī)選取一個(gè)個(gè)體，選擇個(gè)體中的一點(diǎn)進(jìn)行變異以產(chǎn)生更優(yōu)秀的個(gè)體。第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異操作的方法為

其中，amax，amin分別為基因aij的上界和下界；f（g）=r2（1-g/ Gmax）2，r2是一個(gè)隨機(jī)數(shù)；g是當(dāng)前迭代次數(shù)；Gmax是最大進(jìn)化次數(shù)；r為［0，1］之間的隨機(jī)數(shù)。

6）擇優(yōu)

對(duì)于不同種群，重復(fù)3）～5）操作，直到達(dá)到迭代次數(shù)或者目標(biāo)函數(shù)達(dá)到設(shè)定值，停止進(jìn)化并從中選擇最優(yōu)個(gè)體，這時(shí)候算法得到的最優(yōu)個(gè)體就是最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閥值，該個(gè)體中同時(shí)包含了神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)的信息。

7）篩選

10個(gè)不同的種群得到的最優(yōu)權(quán)值和閥值分別初始化10個(gè)隱層為n2（n2取3～12）的BP神經(jīng)網(wǎng)絡(luò)，比較其目標(biāo)函數(shù)，選取目標(biāo)函數(shù)最小的一組作為整個(gè)算法的最優(yōu)值，從中分析神經(jīng)網(wǎng)絡(luò)最優(yōu)隱層神經(jīng)元數(shù)目信息和最優(yōu)權(quán)、閥值信息，完成優(yōu)化。

2.2模糊聚類算法二次優(yōu)化

本節(jié)使用模糊聚類算法對(duì)歷史數(shù)據(jù)進(jìn)行分類篩選來解決大量歷史數(shù)據(jù)輸入下的網(wǎng)絡(luò)過度擬合問題，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行二次優(yōu)化，以求訓(xùn)練樣本與預(yù)測(cè)樣本有更大的相似度，從而提高網(wǎng)絡(luò)的預(yù)測(cè)精度。

設(shè)n個(gè)數(shù)據(jù)樣本為X=｛x1，x2，…，xn｝，c是要將數(shù)據(jù)樣本分成的類型的數(shù)目，｛A1，A2，…，Ak｝表示相應(yīng)的c個(gè)類別，各類別的聚類中心為｛v1，v2，…，vk｝，uk（xi）是樣本 xi關(guān)于聚類中心 vk的相似度（簡寫為uik）。

則模糊C-均值聚類算法的流程如下［6］：

1）隨機(jī)將樣本分為c類，將這c類數(shù)據(jù)的質(zhì)心作為初始聚類中心｛v1，v2，…，vk｝；

2）計(jì)算xi關(guān)于聚類中心vk的歐幾里得距離dik：

其中，m為樣本的特征數(shù)。

3）計(jì)算xi關(guān)于聚類中心vk的相似度uik：

由式（6）可知樣本xi關(guān)于聚類中心vk的歐幾里德距離dik越大，其相似度uik越小，根據(jù)此特性計(jì)算樣本xi關(guān)于所有聚類中心｛v1，v2，…，vk｝的相似度，并將xi歸類于相似度最大的類別Ak；

4）分類后重新計(jì)算各聚類的質(zhì)心，作為新的聚類中心｛v1，v2，…，vk｝；

5）重復(fù)2）～4），不斷計(jì)算修改xi關(guān)于聚類中心vk的相似度uik并修正各類的聚類中心｛v1，v2，…，vk｝，直至聚類中心不再改變或者達(dá)到最大迭代次數(shù)。

經(jīng)過上述二次優(yōu)化，徹底解決了單一BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)中的初始結(jié)構(gòu)確定困難以及大量歷史輸入下的過度擬合問題，大大優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)和數(shù)據(jù)輸入，下一節(jié)將分別給出單一BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)結(jié)果及誤差、一次優(yōu)化網(wǎng)絡(luò)（GA-BP網(wǎng)絡(luò)）預(yù)測(cè)結(jié)果及誤差、二次優(yōu)化網(wǎng)絡(luò)（FCM-GA-BP網(wǎng)絡(luò)）預(yù)測(cè)結(jié)果及誤差以及它們之間的預(yù)測(cè)結(jié)果對(duì)比，以說明本節(jié)兩次優(yōu)化遞進(jìn)的改善了BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。

3　仿真驗(yàn)證

3.1一次優(yōu)化網(wǎng)絡(luò)（GA-BP）風(fēng)速預(yù)測(cè)結(jié)果

以我國寧夏某風(fēng)電場(chǎng)實(shí)測(cè)風(fēng)速數(shù)據(jù)為例［7］，風(fēng)速數(shù)據(jù)為每小時(shí)取樣一次，共計(jì)31天的數(shù)據(jù)。將前30天的數(shù)據(jù)劃分作為訓(xùn)練集，最后一天的數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)。

依然數(shù)據(jù)，對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖2所示，其與未經(jīng)優(yōu)化的單一BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果對(duì)比如圖3所示，預(yù)測(cè)誤差對(duì)比如表1所示。

圖2　BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)比較圖

圖2為GA-BP、BP兩種神經(jīng)網(wǎng)絡(luò)用于短期風(fēng)速預(yù)測(cè)的預(yù)測(cè)曲線比較圖，通過圖上3條曲線的對(duì)比，能夠很直觀的看出，經(jīng)過一次優(yōu)化的網(wǎng)絡(luò)（GA-BP神經(jīng)網(wǎng)絡(luò)）輸出的預(yù)測(cè)曲線更逼近實(shí)際值曲線，預(yù)測(cè)精度大大高于單一的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。說明了通過對(duì)單一BP神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)與初始賦值的一次優(yōu)化可以提高預(yù)測(cè)的精確度，因此優(yōu)化后的網(wǎng)絡(luò)更適合用來對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)。

3.2二次優(yōu)化網(wǎng)絡(luò)（FCM-GA-BP網(wǎng)絡(luò)）風(fēng)速預(yù)測(cè)結(jié)果

仍使用3.1節(jié)所使用數(shù)據(jù)，對(duì)二次優(yōu)化網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并用于預(yù)測(cè)，其風(fēng)速預(yù)測(cè)的仿真結(jié)果如圖3所示。

圖3　3種短時(shí)風(fēng)速預(yù)測(cè)比較圖

表1　3種短時(shí)風(fēng)速預(yù)測(cè)誤差對(duì)比表

從表1中可以看出二次優(yōu)化網(wǎng)絡(luò)（FCM-GA-BP網(wǎng)絡(luò)）預(yù)測(cè)的誤差結(jié)果比沒有經(jīng)過模糊聚類優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差要小，說明先對(duì)歷史數(shù)據(jù)通過模糊聚類技術(shù)進(jìn)行預(yù)處理后再輸入GA-BP神經(jīng)網(wǎng)絡(luò)，能得到更加精確的短期風(fēng)速預(yù)測(cè)值。

圖3給出的是FCM-GA-BP、GA-BP和BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)曲線比較圖。通過以上3條曲線的對(duì)比可以看出，二次優(yōu)化網(wǎng)絡(luò)（FCM-GA-BP神經(jīng)網(wǎng)絡(luò)）輸出的風(fēng)速預(yù)測(cè)曲線與實(shí)際風(fēng)速曲線的擬合度要高于一次優(yōu)化網(wǎng)絡(luò)（GA-BP神經(jīng)網(wǎng)絡(luò)）輸出的風(fēng)速預(yù)測(cè)曲線與實(shí)際風(fēng)速曲線的擬合度。說明先對(duì)歷史風(fēng)速數(shù)據(jù)進(jìn)行模糊聚類預(yù)處理，將大量歷史數(shù)據(jù)依據(jù)聚類相似度進(jìn)行篩選，把與預(yù)測(cè)日相仿的幾日的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入到GA-BP神經(jīng)網(wǎng)絡(luò)中對(duì)短期風(fēng)速進(jìn)行預(yù)測(cè)，可以大大提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。

從以上所有仿真可以看出，一次優(yōu)化網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)結(jié)果要優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，二次優(yōu)化網(wǎng)絡(luò)預(yù)測(cè)結(jié)果要優(yōu)于一次優(yōu)化網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，這說明本文的兩次優(yōu)化過程遞進(jìn)的改善了單一BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)效果，大大挺高了其用于風(fēng)速預(yù)測(cè)的精確度。

4　結(jié)　論

BP神經(jīng)網(wǎng)絡(luò)以其使用方便、適應(yīng)性強(qiáng)、形式多變等特點(diǎn)被廣泛應(yīng)用于風(fēng)速預(yù)測(cè)中，但BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定困難、初值選擇盲目以及大量歷史數(shù)據(jù)下的過度擬合等問題大大影響了BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)的精確度。針對(duì)這些問題，文中首先利用遺傳算法的全局尋優(yōu)能力來解決網(wǎng)絡(luò)的結(jié)構(gòu)和初值選擇的問題，然后利用聚類算法的數(shù)據(jù)篩選能力優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，從而從結(jié)構(gòu)和數(shù)據(jù)兩個(gè)方面對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了雙重改進(jìn)，克服了BP神經(jīng)網(wǎng)絡(luò)自身的缺陷，大大提高了BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)的精確度。

［1］鮑永勝，吳振升.基于SVM的時(shí)間序列短期風(fēng)速預(yù)測(cè)［J］.中國電力，2011，44（9）:61-64.

［2］楊秀媛，肖洋，陳樹勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究［J］.中國電機(jī)工程學(xué)報(bào)，2005，25（11）:1-5.

［3］王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2012，46（5）:837-841.

［4］陳忠.基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法風(fēng)電場(chǎng)超短期風(fēng)速預(yù)測(cè)優(yōu)化研究［J］.可再生能源，2012，30（2）.

［5］Frank H F LEUNG，Lam H K，Ling S H，et al.Tuning of the structure and parameters of a neural networkusing an improved genetic algorithm［J］.IEEETrans on Neural Networks，2003，14（1）:79-88.

［6］U K Saha，S Thotla，D Maity.Optimum designconfiguration of savoniusrotorthrough wind tunnel experiments［J］.Journal of Wind Engineering and IndustrialAerodynamics，2008，96: 1359-1375.

［7］傅蓉，王維慶，何桂雄.基于氣象因子的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)［J］.可再生能源，2009，27（5）:86-89.

The improved BP network wind speed forecasting method based on gemetic algorithm and fuzzy c-means algorithm

WU Gang1，XU Feng2，WANG Bing2，XU Si-zhe2
（1.Jiangsu Fangtian Electric Technology Co Ltd，Nanjing 211102，China；2.College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，China）

Aiming at the structure uncertainty and network overfitting problem of BP neural network used in wind speed forecasting，by using global search ability of genetic algorithm and data filtering capability offuzzy c-means algorithm to optimize structure and data of BP neural network，the improved wind speed forecasting method is proposed based on genetic algorithm and fuzzy c-means algorithm，the simulation results show that，the improved wind speed forecasting method improves the accuracy of wind speed forecasting enormously.

short-term wind speed forecasting；BP neural network；genetic algorithm；fuzzy C-means algorithm；quadratic optimization

TN711

A

1674－6236（2016）11-0120-04

2015-06-29稿件編號(hào)：201506245

國家自然科學(xué)基金（51007019）

吳 鋼（1975—），男，江蘇揚(yáng)州人，高工。研究方向：智能電網(wǎng)產(chǎn)品研究設(shè)計(jì)。