评价，适应值越大也就越好。其具体的操作步骤：首先是选择概率比较大的个体，然后是对个体以交叉概率来进行交叉操作，如果种群的规模为偶数，那么其配对成功，如果是奇数，就可以把最后的个体直接复制到下一代。最后是随机变异操作，产生新的个体，当适应度增加的时候，新的个体就可以替换原来的个体。其具体的流程如下：
开始--编码和初始化种群--个体适应度检测和评估--获得本次迭代最优解--是否收敛于最优解--选择、交叉、变异--新种群。当新种群没有配对成果，则继续开始个体适应度检测和评估，在进行新的一轮。如果收敛到最优解，则可以有效的终止迭代。
2.3 改进小波BP神经网络
在分析小波BP神经网络的改进的时候，首先需要分析混沌空间重构理论，其混沌特性是通过计算的风速和功率时间序列的相关数值来进行判断和分析的，利用这一理论可以还原风电功率时间序列的非线性动力特征，把其中隐藏的信息显露出来。再通过相关的计算公式来进行计算和确定。
针对BP网络自身存在的缺陷可以结合遗传算法来进行优化，然后建立BP模型，可以有效的避免其自身的缺陷，再在混沌空间重构理论基础上，用C-C法联合优化参数，选取嵌入位数为神经网络输入层节点数。其主要的一个过程是显示对信号进行小波分析，然后是在进行小波重构，通过遗传算法，避免自身的缺陷，在混沌空间重构理论的基础上建立BP神经网络，再通过加权输出，获取预测值，最后通过预测值对风电功率进行分析，合理的进行调度。
3.结束语
文章是分析基于改进的小波BP神经网络的风电功率的预测，首先对风电功率的预测进行分析，然后具体的阐述了改进的措施方法，其中涉及到三个计算方法，包括了小波分析、遺传算法以及混沌空间重构理论。通过这三种计算和理论的研究应用，实现对风电功率的预测，提高预测的精准度。随着技术的提升，还需要不断优化和完善，进一步的改进网络神经预测系统，提高预测的准确性，保证风能开发利用的安全性和稳定性。
参考文献
[1]杨世秦，孙驷洲.基于遗传优化的小波神经网络风电功率预测[J].安徽工程大学学报，2018，33（01）：27-33+46.
[2]李生鹏，孙志钢，任艳男.基于小波变换的神经网络混合风速预测模型的应用研究[J].数码设计，2017，6（04）：41-44.
[3]叶瑞丽，郭志忠，刘瑞叶，刘建楠.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J].电工技术学报，2017，32（21）：103-111.
[4]肖迁，李文华，李志刚，刘金龙，刘会巧.基于改进的小波-BP神经网络的风速和风电功率预测[J].电力系统保护与控制，2014，42（15）：80-86.
[5]肖迁. 风电场的风电功率短期预测研究[D].河北工业大学，2014.