BP神经网络的分层优化研究及其在风电功率预测中的应用北大核心CSCD

为改善BP神经网络算法需要大量训练数据和预测精度有限等问题,提出了以输入层、隐含层和输出层为目标的分层优化思路。首先,利用灰色模型良好的小数据趋势辨别能力对输入层数据进行处理,以更好地提炼数据内部蕴含的数学规律,压缩神经网络所需训练数据样本数量;然后,利用遗传算法优越的全局寻优能力确定隐含层的初始权值和阈值,抑制神经网络隐含层参数无法准确获取所导致的误差较大和泛化能力弱的问题;最后,采用蚁群优化算法对输出层数据进行优化,以进一步改善神经网络模型的计算精度。以波动性较强的风电功率进行算例验证,结果表明,所提基于分层优化思想的神经网络算法,能在减小预测误差的同时,降低神经网络所需样本量并增强其泛化能力。