利用BP神经网络进行预测

BP神经网络 （Error Back Propagation Network） 是在1986 年， 由Rumelhant和McClelland提出的，是一种多层网络的 “逆推” 学习算法。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，周而复始地进行。权值不断调整的过程，也就是网络学习训练的过程。此过程一直进行到网络输出的误差减少到可以接受的范围，或进行到预先设定的学习次数为止。图3-6是一个BP神经网络的结构图，由图可知BP 神经网络由输入层 （N1）、隐层 （N2） 和输出层（N3）构成。

图3-5　神经网络学习过程

图3-6　BP神经网络结构

3.2.2.1　优点

BP神经网络是目前应用最为广泛和成功的神经网络之一，这是由于它具有以下优点：

（1）极强的非线性映射能力。BP神经网络可以通过学习大量输入—输出的对应数据，较为准确地描述输入输出间的对应关系。在实际应用中，假设输入数据为n维，输出数据是m 维，只要能够提供足够多的样本，BP神经网络便可通过不断训练精确表达输入输出间的非线性映射。对于风电场风功率预测系统，在大量历史数据中找到影响发电功率的因素，如风速、风向、湿度、温度等，与同时刻的发电功率相对应，供BP神经网络进行训练，利用网络的结构和权值表达其复杂的映射关系，从而实现风电功率预测。

（2）较好的泛化能力。泛化能力即模型的推广能力，训练好的BP神经网络不但对已知样本有较好的映射效果，对训练中没有使用的非样本数据也能得出令人满意的映射结果。(www.xing528.com)

（3）容错能力。BP神经网络的训练过程来自于对大量样本整体知识的学习与提取，如果在样本中存在着个别错误，不会对整体的训练质量产生影响。

3.2.2.2　缺点

BP神经网络也存在着以下一些不足：

（1）BP神经网络在针对误差函数进行网络权值调整时，采用了最速梯度下降算法，即沿着误差 （目标值和网络实际输出差值）梯度方向——变化最快的方向，调整网络中的权值，以期以最快的速度达到收敛 （允许的误差范围）。梯度下降法需要设置参数——学习步长，学习步长的大小需要依据误差空间曲面的特点，如果曲面平缓，则需要设置较大的步长，以提高收敛速度；反之则需要设置较小的步长，否则网络将持续振荡，不能收敛。因此对于一个新的样本，设置一个固定步长，既可能误差下降缓慢，收敛速度很慢；又可能网络反复振荡，无法收敛。

（2）存在多个极小点。从图3-7两维误差空间曲面可以看出，其上存在许多凸凹不平，其低凹部分就是误差函数的极小点。可以想象多维误差空间曲面，会更加复杂，存在更多个局部极小点，它们的特点都是误差梯度为0。BP算法权值调整依据是误差梯度下降，当梯度为0时，BP算法无法辨别极小点性质，因此训练常陷入某个局部极小点，使训练难以收敛于给定误差。

图3-7　二维误差空间曲面的局部极小点

（3） 隐层节点的选取缺乏理论依据。BP神经网络隐层的层数及节点数的选取尚无理论指导，需要网络设计者根据经验确定。因此常常难以得到最优的网络结构，增加了网络的训练时间，降低了信息处理的时效性。

为了抑制以上问题，可采取动态可调学习步长的方法。