摘 要

本文运用了选择性集成的方法，以BP神经网络作为个体网络，再应用遗传算法选择最优的个体神经网络进行集成的风速预测模型的研究。集成学习算法能够显著提高神经网络的泛化能力，但集成学习法计算量太大，所需存储空间太大。选择性集成算法在满足集成学习算法的良好泛化能力的同时，增加了预测的速度并降低了存储容量。遗传算法具有全局搜索能力，基于遗传算法的选择性神经网络集成的风速预测系统，能够更精确的，更迅速的对风速进行预测。这对于风力发电系统有重要的指导意义。

论文主要研究基于遗传算法的选择性集成算法，设置输入数据集、预测数据集、测试数据集，以BP神经网络作为主要研究的个体网络训练风速样本，再应用遗传网络的全局搜索能力对所得的个体神经网络进行选择，最终应用集成算法原理进行集成，得到的预测数据与测试数据进行对比分析选择性神经网络集成的预测精度。

通过对比实验结果表明，基于遗传算法的选择性神经网络集成算法具有预测精度高，速度快的优点，其预测精度高于其他神经网络集成算法的精度。

关键字：选择性集成；BP神经网络；遗传算法；风速预测

Abstract

This paper uses the method of selective ensemble, a BP neural network as the individual network, the individual network using genetic algorithm to select the optimal integration of wind speed forecast model research. Ensemble learning algorithm can significantly improve the generalization ability of neural networks, but the integrated learning method to calculate the amount is too large, the required storage space is too large. At the same time selective ensemble algorithm in good generalization ability to meet the integrated learning algorithm, increases the prediction speed and reduce the storage capacity. The genetic algorithm has the global search ability of genetic algorithm, prediction system based on neural network ensemble is the wind speed, can be more accurate, more quickly into the wind speed For prediction. This has an important guiding significance for the wind power generation system.

Selective ensemble algorithm based on genetic algorithm research, set the input data set, the prediction data set, test data sets, using BP neural network as the training speed of the individual network main research sample, global search ability and application of genetic network for the individual neural network, finally integrated application integration algorithm principle, the forecast data and the test data were compared and analyzed the prediction accuracy of neural network ensemble.

By comparing the experimental results show that the prediction accuracy of neural network ensemble algorithm based on genetic algorithm The prediction accuracy is higher than that of other neural network ensemble algorithms with high speed and high speed.

Keywords: selective integration; BP neural network; genetic algorithm; wind speed prediction

目录

第1章 绪论 1

1.1 课题研究的背景、目的及意义 1

1.2 国内外研究现状综述 1

1.3 课题研究的内容、目标 2

第2章 基于遗传算法的选择性神经网络集成 3

2.1 BP神经网络基本原理 3

2.2 遗传算法基本原理 4

2.3 选择性神经网络集成原理 5

2.4 基于遗传算法的选择性神经网络集成原理 8

第3章 基于遗传算法的选择性神经网络集成的风速预测系统 10

3.1 系统基本原理及设计步骤 10

3.2 系统组成结构框图及函数分析 12

3.2.1 BP神经网络的结构及MATLAB函数分析 12

3.2.2 遗传算法的结构框图MATLAB函数分析 13

3.2.3 系统的结构框图 15

3.3 实验仿真与结果分析 16

第4章 总结与展望 22

参考文献 23

致谢 24

附录

第1章 绪论

本文应用以BP神经网络作为基本对象网络，运用遗传算法的全局搜索能力对最优个体网络进行选择通过集成算法原理进行集成的方法于风速预测系统研究中，尽可能的降低了风速预测的误差并加快了预测速度，为风力发电提供了重要支持。

1.1 课题研究的背景、目的及意义

能源是我们生活不可或缺的东西，随着人类的发展，许多能源已经逐渐枯竭。风能作为一种可再生能源，储量也非常富足，是最重要的新能源之一。众所周知，风能可以用于发电，所以我们对风电厂风速进行比较准确的预测就可以保障风电场的正常运行，就有利于我们对风电场的电力调度^[2]。近年来,风力发电发展特别的迅速,但风速的不确定性严重影响了电力系统运行的安全性能。为了使我们对风速的预测更加精确，使电力系统安全平稳运行，对风速预测有很重要的意义。

怎样能够对风速进行准确的预测是我们需要研究的重要问题。近年来，集成学习成了机器学习领域的一大热点。利用集成学习算法能显著提高神经网络的泛化能力,但如果神经网络数目增多,集成学习的计算量就会增大,其所需的存储空间也会随之增大。选择性集成算法的提出解决了这个问题，选择性集成算法不但能进一步改善集成学习的预测精度,还加快了预测速度,降低了存储需求^[1]。本课题研究基于遗传算法的选择性神经网络集成的风速预测研究就是应用集成学习算法的泛化能力来预测风速，采用BP神经网络训练随机生成的多个风速样本,再由遗传算法的全局搜索能力选择最优个体神经网络，最后通过集成算法进行集成运算。这种方法的预测能力优于其他方法的预测能力,用该方法预测的泛化误差低于用单一BP神经网络进行预测的泛化误差,使我们对风电场风速预测更加的准确。基于遗传算法的选择性神经网络集成算法的研究对风速预测有着十分重要的价值。