基于多预测模型与非线性组合的神经网络风速预测

doi:10.11959/j.issn.2096-3750.2021.00221

物联网学报 ›› 2021, Vol. 5 ›› Issue (4): 81-89.doi: 10.11959/j.issn.2096-3750.2021.00221

基于多预测模型与非线性组合的神经网络风速预测

王家君¹, 曹薇², 张贵龙², 张淮智¹, 凌子兴¹, 赵小强¹

¹ 西安邮电大学，陕西西安 710121
² 雅砻江流域水电开发有限公司，四川成都 610051

修回日期:2021-11-08 出版日期:2021-12-30 发布日期:2021-12-01
作者简介:王家君（1997− ），男，西安邮电大学通信与信息工程学院硕士生，主要研究方向为物联网技术及应用、风能资源在线测量等
曹薇（1982− ），女，雅砻江流域水电开发有限公司高级工程师、主任工程师，主要研究方向为战略规划、新能源管理等
张贵龙（1985− ），男，雅砻江流域水电开发有限公司高级工程师，主要研究方向为电气工程与自动化、太阳能和风力发电等
张淮智（1996− ），男，西安邮电大学通信与信息工程学院硕士生，主要研究方向为物联网技术及应用、风能资源在线测量等
凌子兴（1998− ），男，西安邮电大学通信与信息工程学院硕士生，主要研究方向为物联网技术及应用、神经网络等
赵小强（1977−2021），男，博士，西安邮电大学教授，主要研究方向为物联网技术及应用、智慧农业、环境监测及风能资源在线测量等
基金资助:
国家自然科学基金-雅砻江联合基金资助项目(U1965102);陕西省创新人才推进计划-物联网科技创新团队(2019TD-028)

Neural network wind speed prediction based on multiple prediction model and nonlinear combination

Jiajun WANG¹, Wei CAO², Guilong ZHANG², Huaizhi ZHANG¹, Zixing LING¹, Xiaoqiang ZHAO¹

¹ Xi'an University of Posts and Telecommunications, Xi’an 710121, China
² Yalong River Basin Hydropower Development Co., Ltd., Chengdu 610051, China

Revised:2021-11-08 Online:2021-12-30 Published:2021-12-01
Supported by:
The Yalong River Joint Funds of the National Natural Science Foundation of China(U1965102);The IoT Innovation Team for Talent Promotion Plan of Shanxi Province(2019TD-028)

摘要/Abstract

摘要：

针对复杂山地风速在时空特性上存在强随机性的问题，为了提高风速数据预测的准确性，提出一种基于多预测模型与非线性组合的神经网络风速预测算法。在算法第一层，利用灰狼优化器（GWO）并引入动态收敛因子改进鲸鱼优化算法（WOA），将改进后的 WOA 应用于反向传播神经网络（BPNN）权值及偏置项的更新过程。同时，基于改进后的鲸鱼优化算法的反向传播神经网络（IWOABP）、极限学习机（ELM）和长短期记忆（LSTM） 3种优势互补的方法构建组合预测方法，并在此基础上利用算法第二层的ELM混合机制，以非线性方式学习第一层与最终结果的关系。仿真结果表明，所提算法相较于BPNN、小波神经网络（WNN）及灰狼优化器导向的BPNN （GWOBP），预测误差均有所降低。

关键词: 复杂山地, 风速预测, 鲸鱼优化算法, 神经网络

Abstract:

For the problem of strong randomness in space-time characteristics of wind speed in complex mountains，in order to improve the accuracy of wind speed data prediction, a neural network wind speed prediction algorithm based on multi prediction model and nonlinear combination was proposed.In the first layer of the algorithm, the grey wolf optimizer (GWO) and the dynamic convergence factor were used to improve the whale optimization algorithm (WOA), and the improved WOA was applied to the updating process of BPNN weights and bias items.At the same time, the improved whale optimiza-tion algorithm of back propagation neural network (IWOABP), ELM and LSTM three complementary single methods were constructed to build a combination prediction method, and on this basis, the ELM mixing mechanism of the second layer of the algorithm was utilized to learn the relationship between the first layer and the final result in a non-linear way.Simulation results show that compared with BPNN, WNN and GWOBP, the proposed algorithm has lower prediction errors.

Key words: complex mountain areas, wind speed prediction, whale optimization algorithm, neural network

中图分类号:

TP183

王家君, 曹薇, 张贵龙, 张淮智, 凌子兴, 赵小强. 基于多预测模型与非线性组合的神经网络风速预测[J]. 物联网学报, 2021, 5(4): 81-89.

Jiajun WANG, Wei CAO, Guilong ZHANG, Huaizhi ZHANG, Zixing LING, Xiaoqiang ZHAO. Neural network wind speed prediction based on multiple prediction model and nonlinear combination[J]. Chinese Journal on Internet of Things, 2021, 5(4): 81-89.

图/表 14

图1

图2

图3

图4

图5

图6

表1

图7

表2

图8

表3

图9

表4

图10

参考文献 9

[9]	WEI Y Z , XU X N . Ultra-short-term wind speed prediction model using LSTM networks[J]. Journal of Electronic Measurement and Instrumentation, 2019,33(2): 64-71.
[10]	张露, 卢继平, 梅亦蕾 ,等. 基于不同优化准则的风电功率预测[J]. 电力自动化设备, 2015,35(5): 139-145.
	ZHANG L , LU J P , MEI Y L ,et al. Wind power forecasting based on different optimization criterions[J]. Electric Power Automation Equipment, 2015,35(5): 139-145.
[11]	MIRJALILI S , LEWIS A . The whale optimization algorithm[J]. Advances in Engineering Software, 2016,95: 51-67.
[12]	BURKARD M , WHITWORTH D , SCHIRMER K ,et al. Establishment of the first humpback whale fibroblast cell lines and their application in chemical risk assessment[J]. Aquatic Toxicology, 2015,167: 240-247.
[13]	MIRJALILI S , MIRJALILI S M , LEWIS A . Grey wolf optimizer[J]. Advances in Engineering Software, 2014,69: 46-61.
[14]	AL-ABOODY N A , AL-RAWESHIDY H S , . Grey wolf optimization-based energy-efficient routing protocol for heterogeneous wireless sensor networks[C]// 2016 4th International Symposium on Computational and Business Intelligence (ISCBI). Piscataway:IEEE Press, 2016: 101-107.
[15]	王海峰, 李萍, 王博 ,等. 灰狼算法优化BP神经网络的图像去模糊复原[J]. 液晶与显示, 2019,34(10): 992-999.
	WANG H F , LI P , WANG B ,et al. Image deblurring restoration of BP neural network based on grey wolf algorithm[J]. Chinese Journal of Liquid Crystals and Displays, 2019,34(10): 992-999.
[16]	喻华, 卢继平, 曾燕婷 ,等. 基于不同优化准则和广义回归神经网络的风电功率非线性组合预测[J]. 高电压技术, 2019,45(3): 1002-1008.
[1]	王雪芹 . 风电项目运营期生态影响分析探讨[J]. 环境与发展, 2018,30(5): 10-11,25.
	WANG X Q . Analysis and discussion on the ecological impact of wind power project in operation period[J]. Environment and Development, 2018,30(5): 10-11,25.
[2]	杜云, 黎发贵, 胡荣 ,等. 测风塔在风电场风能资源评估中的重要性和代表性[J]. 水力发电, 2018,44(7): 97-99.
	DU Y , LI F G , HU R ,et al. The importance and representation of wind measuring tower in wind energy resources assessment[J]. Water Power, 2018,44(7): 97-99.
[3]	DAI J C , TAN Y Y , YANG W X ,et al. Investigation of wind resource characteristics in mountain wind farm using multiple-unit SCADA data in Chenzhou:a case study[J]. Energy Conversion and Management, 2017,148: 378-393.
[4]	BIZRAH A , AL-MUHAINI M , . The impact of seasonal ARMA wind speed modeling on the reliability of power distribution systems[C]// 2017 IEEE Power ＆ Energy Society General Meeting. Piscataway:IEEE Press, 2017: 1-5.
[5]	ZHANG Y G , ZHAO Y , KONG C H ,et al. A new prediction method based on VMD-PRBF-ARMA-E model considering wind speed characteristic[J]. Energy Conversion and Management, 2020,203: 112254.
[6]	LIU G B , ZHOU J Z , JIA B J ,et al. Advance short-term wind energy quality assessment based on instantaneous standard deviation and variogram of wind speed by a hybrid method[J]. Applied Energy, 2019,238: 643-667.
[7]	AHADI A , LIANG X D . Wind speed time series predicted by neural network[C]// 2018 IEEE Canadian Conference on Electrical ＆ Computer Engineering (CCECE). Piscataway:IEEE Press, 2018: 1-4.
[8]	ZHANG Y G , CHEN B , ZHAO Y ,et al. Wind speed prediction of IPSO-BP neural network based on Lorenz disturbance[J]. IEEE Access, 2018,6: 53168-53179.
[16]	YU H , LU J P , ZENG Y T ,et al. Nonlinear combined model for wind power forecasting based on different optimization criteria and generalized regression neural network[J]. High Voltage Engineering, 2019,45(3): 1002-1008.
[9]	魏昱洲, 许西宁 . 基于LSTM长短期记忆网络的超短期风速预测[J]. 电子测量与仪器学报, 2019,33(2): 64-71.

名称	参数	参数值
通用参数	噪声强度	0.01 dB
	最大迭代次数	1 000
	误差精度	0.65×10^-4
MPM-NC-NN	鲸鱼种群数量	20只
	学习率	0.05
	输入层	6层
	输出层	1层
	隐含层	3层
LSTM	学习率	0.04
	输入层	6层
	输出层	1层
	隐含层	5层
ELM	灰狼种群数量	20只
	学习率	0.03
	输入层	6层
	输出层	1层
	隐含层	7层
IWOABP	学习率	0.03
	输入层	6层
	输出层	1层
	隐含层	3层

名称	参数	参数值
通用参数	噪声强度	0.01 dB
	最大迭代次数	1 000
	误差精度	0.64×10^-4
MPM-NC-NN	鲸鱼种群数量	20只
	学习率	0.05
	输入层	6层
	输出层	1层
	隐含层	3层
BPNN	学习率	0.03
	输入层	6层
	输出层	1层
	隐含层	3层
灰狼优化器导向的BPNN	灰狼种群数量	20只
（GWOBP, grey wolf optimizer	学习率	0.07
backpropagation neural）	输入层	6层
	输出层	1层
	隐含层	3层
小波神经网络	学习率	0.04
（WNN, wavelet neural network）	输入层	6层
	输出层	1层
	隐含层	2层

算法	BPNN	GWOBP	WNN	MPM-NC-NN
绝对误差	1.635	0.817	0.316	0.322

算法	MAE	RMSE	MSE
BPNN	1.447	1.492	0.149
GWOBP	1.155	1.341	0.134
WNN	1.122	1.426	0.142
MPM-NC-NN	0.118	0.154	0.015

基于多预测模型与非线性组合的神经网络风速预测

Neural network wind speed prediction based on multiple prediction model and nonlinear combination

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 9

相关文章 9

Metrics

推荐阅读 0

[1]	苏麟, 党小超, 郝占军, 汝春瑞, 尚旭. 基于WPT-MEC的动态自适应卸载方法[J]. 物联网学报, 2022, 6(4): 128-138.
[2]	郅佳琳, 滕颖蕾, 张新阳, 牛涛, 宋梅. 基于DNN卷积核分割的边缘协作推理性能分析[J]. 物联网学报, 2022, 6(4): 72-81.
[3]	李国权, 徐永海, 林金朝, 黄正文. 基于Res-DNN的端到端MIMO系统信号检测算法[J]. 物联网学报, 2022, 6(1): 65-72.
[4]	周毅, 胡姝婷, 李伟, 承楠, 路宁, 沈学民. 图神经网络驱动的交通预测技术：探索与挑战[J]. 物联网学报, 2021, 5(4): 1-16.
[5]	魏泽发,崔华. 基于SqueezeNet卷积神经网络的车辆检测[J]. 物联网学报, 2020, 4(3): 120-125.
[6]	桑永胜,李仁昊,李耀仟,王蔷薇,毛耀. 神经形态视觉传感器及其应用研究[J]. 物联网学报, 2019, 3(4): 63-71.
[7]	金驰,李志军,孙大洋,胡封晔. 基于空间特征的无线体域网人体姿态识别算法[J]. 物联网学报, 2019, 3(3): 70-75.
[8]	于天琪,朱咏絮,王现斌. 基于边缘计算的物联网监测系统中利用自编码神经网络实现的异常检测[J]. 物联网学报, 2018, 2(4): 14-21.
[9]	张雪,石志国,刘璇. 面向不平衡数据的多层神经网络模型[J]. 物联网学报, 2018, 2(2): 65-72.