基于缎蓝园丁鸟算法优化卷积神经网络CNN的风电场发电功率预测

基于缎蓝园丁鸟算法优化卷积神经网络CNN的风电场发电功率预测

1.CNN原理

卷积神经网络（Convolutional Neural Network，CNN）是一种广泛应用于图像和视频处理任务的神经网络模型[13]。 CNN 模型通常由多个卷积层、激活函数、池化层和全连接层组成，通过反向传播算法进行训练。在训练过程中，CNN 通过调整权重参数来最小化损失函数，以使模型能够更好地预测目标。CNN 模型的网络结构如图 1 所示。

卷积计算方法：
$$Y_i=f\left({\mathrm{X}}_i\otimes w_i+b_b\right)\text{\hspace{1em}(1)}$$

式中，$\otimes$ 为卷积操作； ${\mathrm{X}}_i$ 为卷积计算的序列；$w_i$ 为卷积核的权重；$b_b$ 表示偏移量；$f(\cdot )$ 为激活函数。

2.风电功率预测

2.1 数据集

数据集为2019年风电功率数据，数据集如下：

数据特征除时间意外，一共包含14维特征

我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。实际应用中，Windowsize的大小可根据实际情况进行修改。

3.基于缎蓝园丁鸟算法优化的CNN

缎蓝园丁鸟算法原理请参考：https://blog.csdn.net/u011835903/article/details/107857884
由前文可知，CNN的参数设置具有满目性。本文利用缎蓝园丁鸟算法对CNN的参数（学习率，CNN神经元个数，正则化参数）进行优化。适应度函数设计为训练集的MAPE平均百分比误差：
$$fitness=argmin(MAPEpridect)$$

适应度函数选取训练后的MAPE误差。MAPE误差越小表明预测的数据与原始数据重合度越高。最终优化的输出为最佳学习率，CNN神经元个数，正则化参数。然后利用最佳学习率，CNN神经元个数，正则化参数训练后的网络对测试数据集进行测试。

4.实验结果

5.Matlab代码