CN104239964A - 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 - Google Patents

Abstract

本发明涉及一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，包括：S1：准备数据；S2：对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6：通过主成分分析对S5生成的输入变量进行降维处理；S7：通过谱聚类方法对S6中降维处理后的数据进行聚类分析，与S4中归一化处理后的数据形成极端学习机样本空间；S8：通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据分层预测；S9：将分层预测值相加，得到超短期风速预测值。本发明实现了对风速的超短期、多步预测，提高预测的准确性，大幅减少计算量，提高预测效率。

Description

基于谱聚类和遗传优化极端学习机的超短期风速预测方法

技术领域

本发明涉及一种风速预测技术领域，特别涉及一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法。

背景技术

风力发电是一种清洁的可再生能源，开发利用相对简单，越来越受到世界各国重视。有效的风速预测是风力发电研究的基础环节，是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。对风电场进行较高精度的超短期风速预测，可以有效降低由于风电机组突然切出而造成的电网电压和频率波动，从而减少风电功率输出的大幅波动，保障电力系统安全可靠运行，给电网调度和资源配置带来决策支持。因此，对风速进行有效的、较高精度的预测，具有重要的现实意义。

在利用历史风速数据进行预测建模时，现有技术通常是将已有历史风速数据进行去噪和降维后直接作为输入进行建模和预测，训练样本空间巨大，样本数据之间存在的相似性被忽视，导致预测结果不稳定。研究表明，同一风电场的风速数据表现出一些相似的变化趋势。为了充分利用这一性质，有学者提出基于相似理论的聚类分析(Cluster Analysis,CA)方法对风速进行预测。CA按照相似度最大原则对原始风速数据进行筛选，选择相似度最大的风速数据作为模型训练样本，取得了良好效果。但是，传统的K-means等聚类算法计算复杂，容易陷入局部最优，影响了其在超短期风速预测研究领域的应用。谱聚类(Spectral Clustering,SC)是在谱图划分理论基础上发展起来的一种新的聚类方法。与传统的K-means等聚类算法相比，SC计算复杂度小、具有能在任意形状的样本空间上进行聚类分析、识别非凸分布聚类的能力，且具有不受数据维度影响、收敛于全局最优解等优点。SC最早应用于计算机视觉、VLSI设计等领域，目前在行为识别、文本图像分割等领域得到广泛研究，是机器学习领域研究热点之一。在超短期风速预测研究领域引入SC可以有效减少样本空间容量，提高分类样本之间的相似度，降低模型计算复杂度，提高风速预测效率，并在一定程度上可以提高预测准确度。

在风速预测建模方法方面，目前常见的有时间序列法、智能预测方法。时间序列预测法利用序列自身数据即可建立较高精度的预测模型，但存在低阶模型预测精度偏低、高阶模型参数估计难度偏大等不足。神经网络(Neural Networks,NN)是目前应用较多的一种智能预测方法，具有良好的自学习和自适应能力，并具有较强的非线性映射能力和并行处理能力，在风速预测领域得到了广泛和深入的研究。但传统的神经网络学习算法需要人为设置网络训练参数，多采用梯度下降算法调整权值参数，学习速度缓慢、泛化性能差、容易产生局部最优解，限制了其进一步应用。极端学习机作为单隐层前馈神经网络的一种新型学习算法，仅需设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值，并且产生唯一的最优解，较好的克服了传统神经网络预测模型存在的训练时间长、易产生过拟合等问题，具有参数选择容易、学习速度快且泛化性能好等优点。

发明内容

为了克服现有预测方法的不足，本发明公开了一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，该预测方法结构紧凑，操作简单。

本发明公开了一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，该方法包括以下步骤：S1：准备数据；S2对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6：通过主成分分析对S5生成的输入变量进行降维处理；S7：通过谱聚类方法对S6中降维处理后的数据进行聚类分析，并与S4中归一化处理后的数据共同形成极端学习机样本空间；S8：通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据进行分层预测，输出分层预测值；S9：将分层预测值相加，得到超短期风速预测值。

较佳地，本发明所述的超短期风速预测方法，其中步骤S2具体为对缺失、异常数据进行处理后得到原始风速时间序列。

较佳地，本发明所述的超短期风速预测方法，其中步骤S3具体为应用小波变换对原始风速时间序列进行分解和重构，得到一个概貌序列和若干个细节序列。

较佳地，本发明所述的超短期风速预测方法，其中步骤S4具体为对温度和分解后的风速数据进行归一化处理；将温度和分解后的风速数据分别映射到[-1,1]之间，训练结束后，将仿真输出再反映射到原数据范围；其中归一化处理公式如下所示：

$x_{1i}^{*}=\frac{(y_{1\max }-y_{1\min })\×(x_{1i}-x_{1\min })}{x_{1\max }-x_{1\min }}+y_{1\min }---\left(1\right)$

在公式(1)中，x_1i、分别表示数据归一化前、后的值，y_1max、y_1min分别表示要归一化的映射区间的最大值1与最小值-1，x_1max、x_1min分别表示样本数据中的最大、最小值。

较佳地，本发明所述的超短期风速预测方法，其中步骤S5中的相关性计算公式如下所示：

$r=\frac{\mathrm{\Σ}(x_{2i}-{\stackrel{\‾}{x}}_2)(y_{2i}-{\stackrel{\‾}{y}}_2)}{\sqrt{\mathrm{\Σ}{(x_{2i}-{\stackrel{\‾}{x}}_2)}^2\sqrt{\mathrm{\Σ}{(y_{2i}-{\stackrel{\‾}{y}}_2)}^2}}}---\left(2\right)$

在公式(2)中，x_2i、y_2i分别是x₂、y₂的第i个分量，分别是x₂、y₂的平均值，r为相关系数。

较佳地，本发明所述的超短期风速预测方法，其中步骤S6具体为应用主成分分析根据成分累计贡献率阈值对原始输入变量矩阵进行主成分的提取。

较佳地，本发明所述的超短期风速预测方法，其中步骤S7还包括如下步骤：

S7.1：构建表示降维后输入数据的相似矩阵Z；

S7.2：计算Z的前K个特征值和特征向量，构建特征向量空间；

S7.3：应用k-means或其他聚类算法对特征向量空间中的特征向量进行聚类；

S7.4：根据预测点类标签提取该类标签相应类，作为样本空间的输入数据；

S7.5：根据预测点类标签提取对应的原始输出样本数据，作为样本空间的输出数据；

S7.6：样本空间的输入、输出数据对即构成极端学习机样本空间。

较佳地，本发明所述的超短期风速预测方法，其中步骤S8包括如下步骤：

S8.1：将谱聚类以后的样本空间划分为训练集和验证集；

S8.2：初始化建立极端学习机模型，根据训练集应用极端学习机模型进行训练，输出训练模型；

S8.3：根据训练模型应用验证集进行验证，输出验证集标准均方根误差E_NRMSE，其计算公式如下式：

$E_{\mathrm{NRMSE}}=\sqrt{\frac{\frac{1}{K}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-y_4\left(i\right)}^2}{\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-{\stackrel{\‾}{y}}_4}^2}}---\left(4\right)$

公式(4)中，k为每次预测数据长度，y₄(i)为原始风速数据，y₄(i)为预测风速数据，为预测时间段原始风速数据的平均值；

S8.4：根据验证集E_NRMSE进行遗传算法优化，遗传算法优化参数为输入权值和隐含层偏置；

S8.5：输出各分解序列最佳极端学习机预测模型；

S8.6：应用各分解序列最佳极端学习机预测模型对预测集进行预测，输出各分解序列预测结果。

较佳地，本发明所述的超短期风速预测方法，其中步骤S9具体为：将各分解序列的预测结果相加即得到原始风速的最终预测值，即

$y_5={\mathrm{\α}}_j^{*}+\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{d}_i^{*}---\left(5\right)$

公式(5)中，j是分解序列次，为概貌序列预测值，为各细节序列预测值，y₅是最终预测值。

与现有预测方法相比，本发明的有益效果如下：

1、建立了超短期风速预测模型，充分利用极端学习机的多输入、多输出的优点，实现了对风速的超短期、多步预测；

2、考虑温度等气象信息数据，提高了模型的泛化能力；

3、该方法应用小波变换、主成分分析、谱聚类等数据处理工具，充分挖掘数据中的信息，有效选取输入变量，降低输入变量维度，提高同类样本的相似性，简化模型结构；

4、通过谱聚类对原始数据进行聚类分析，以相似性较高的同类数据进行训练，降低训练复杂度，有效提高预测的准确性和模型的泛化能力；

5、通过遗传优化算法等智能优化算法对极端学习机参数进行优化，确保模型最优；

6、计算时间大幅减少，满足超短期风速预测时间分辨率要求；

7、计算量大幅减少，有效减少了计算资源，提高了预测效率；

8、具有较高的预测精度。

附图说明

图1为本发明实施例所述的方法流程示意图；

图2为本发明实施例所述的数据结构示意图；

图3为本发明实施例所述的预测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步描述：

实施例

图1是本发明的流程示意图，其具体预测步骤包括：

S1：数据准备；其具体描述为：

S1.1：根据预测时间分辨率要求，将需要预测风电场的历史风速、温度数据等用EXCEL表格导出，EXCEL表格表头结构如图2所示。

S1.2：图2为本发明EXCEL数据表结构。其中，第一列为时间，其时间分辨率为15分钟；第二列为温度，单位为摄氏度(℃)；第三列为风速，单位为米/秒(m/s)。

S1.3：将上述数据以EXCEL文件形式进行保存。

S2：数据预处理：参考《风电功率预测功能规范》对缺失、异常数据进行处理。

S3：小波变换：应用小波变换对原始风速时间序列进行分解和重构，得到一个概貌序列和若干个细节序列，以剔除序列的不规则波动。在使用小波分解处理信号时，小波函数的选择和分解序列的确定至关重要。风速数据是一组离散的有序记录数据，因此一般采用离散小波变换。常见的小波函数有Haar小波、Daubechies小波和Symlets小波等。其中Daubechies小波具有正交、时频紧支撑、高正规性等优点，具有良好的扩展性和灵活性，在处理风速序列信号时效果较佳。分解序列数通常根据风速时间序列的尺度分布情况进行确定。S3可以有效剔除风速的不规则波动，提高风速预测的准确性。

S4：归一化处理：对温度、分解后的风速等数据等进行归一化处理。当数据在远离零的区域学习时，学习速度较慢，甚至出现不收敛情况，因此需对样本数据进行归一化处理。本发明将温度、分解后风速数据分别映射到[-1,1]之间，训练结束后，将仿真输出再反映射到原数据范围。归一化处理公式如下所示：

$x_{1i}^{*}=\frac{(y_{1\max }-y_{1\min })\×(x_{1i}-x_{1\min })}{x_{1\max }-x_{1\min }}+y_{1\min }---\left(1\right)$

上式中，x_1i、分别表示数据归一化前、后的值，y_1max、y_1min分别表示要归一化的映射区间的最大值1与最小值-1，x_1max、x_1min分别表示样本数据中的最大、最小值。

通过S4的处理，数据映射到[-1,1]，可以提高预测模型的敏感度，加快网络训练速度和收敛性。

S5：变量选择：应用相关性分析进行输入变量的选择。相关性计算公式如下所示：

$r=\frac{\mathrm{\Σ}(x_{2i}-{\stackrel{\‾}{x}}_2)(y_{2i}-{\stackrel{\‾}{y}}_2)}{\sqrt{\mathrm{\Σ}{(x_{2i}-{\stackrel{\‾}{x}}_2)}^2\sqrt{\mathrm{\Σ}{(y_{2i}-{\stackrel{\‾}{y}}_2)}^2}}}---\left(2\right)$

上式中，x_2i、y_2i分别是x₂、y₂的第i个分量，分别是x₂、y₂的平均值，r为相关系数。

实施例在相关性分析基础上，选择历史风速以及与风速相关性最高的温度作为模型输入变量的一部分。同时，考虑到要进行某一时间段的风速预测、并为后续谱聚类分析提供同类识别特征参数，将该时间段最高、最低、平均风速及温度一并作为模型输入变量。

极端学习机为多输入、多输出模型，在进行未来n小时内各时刻风速预测时，模型原始输入、输出变量函数关系如下面公式所示：

y₃＝f(x₃，T，M)    (3)

上式中，x₃、T表示当前n小时内各时刻实际风速、实际温度，M表示当前n小时内最大(Max)、最小(Min)、平均(Mean)风速及温度等数据，y₃表示未来n小时内各时刻的实际风速。

S5通过选择相关性较高的变量作为模型输入变量，降低了模型的数据维度，提高的模型的泛化能力。

S6：主成分分析；其具体为应用主成分分析根据成分累计贡献率阈值对原始输入变量矩阵进行主成分的提取。S6可以有效降低数据维度，提取数据的主成分，从而简化计算过程，提高计算速度。

S7：谱聚类；所述S7具体描述为：

S7.1：构建表示降维后输入数据的相似矩阵Z；

S7.2：计算Z的前K个特征值和特征向量，构建特征向量空间；

S7.3：应用K-means或其他聚类算法对特征向量空间中的特征向量进行聚类；

S7.4：根据预测点类标签提取该类标签相应类，作为样本空间的输入数据；

S7.5：根据预测点类标签提取对应的原始输出样本数据，作为样本空间的输出数据；

S7.6：样本空间的输入、输出数据对即构成极端学习机样本空间。

S7通过选取相似性较高的同类数据进行训练，可以减少训练样本空间，降低训练复杂度，并有效提高预测的准确性和模型的泛化能力。

S8：分层预测；所述S8具体描述为：

S8.1：将谱聚类以后的样本空间划分为训练集和验证集；

S8.2：初始化建立极端学习机模型，根据训练集应用极端学习机模型进行训练，输出训练模型；

S8.3：根据训练模型应用验证集进行验证，输出验证集标准均方根误差E_NRMSE，其计算公式如下式：

$E_{\mathrm{NRMSE}}=\sqrt{\frac{\frac{1}{K}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-y_4\left(i\right)}^2}{\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-{\stackrel{\‾}{y}}_4}^2}}---\left(4\right)$

上式中，k为每次预测数据长度，y₄(i)为原始风速数据，y₄(i)为预测风速数据，为预测时间段原始风速数据的平均值；

S8.4：根据验证集E_NRMSE进行遗传算法优化，遗传算法优化参数为输入权值和隐含层偏置；

S8.5：输出各分解序列最佳极端学习机预测模型；

S8.6：应用各分解序列最佳极端学习机预测模型对预测集进行预测，输出各分解序列预测结果；

S8选择极端学习机进行建模，充分利用极端学习机的多输入、多输出特点，吻合超短期风速预测时间段、预测时间分辨率要求；同时S8选择遗传算法对极端学习机输入权值和隐含层偏置进行优化，确保了预测模型最优，保证了预测精度。

S9：各分解序列预测结果相加，得到超短期风速预测值。所述S9根据小波分解和单支重构后的整合原理，将各分解序列的预测结果相加即得到原始风速的最终预测值，即

$y_5={\mathrm{\α}}_j^{*}+\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{d}_i^{*}---\left(5\right)$

上式中，j是分解序列次，为概貌序列预测值，为各细节序列预测值，y₅是最终预测值。

如图3，应用本发明所提供的方法，对某风力发电场进行超短期风速预测。取2011年7月1日到8月20日数据作为模型训练、验证样本集，预测2011年8月21日2:00未来4小时内每15分钟、共16个风速值。本实施例根据风速数据特点和风速时间序列的尺度分布情况，选用Daubechies 9小波函数，分解层设置为4；PCA各成分累计贡献率阀值取为0.99；谱聚类中邻域数设置为50，分区数据矩阵的块大小设置为10，用于计算相似度的西格玛值设为20，聚类数初始值为3，选用Normalized Cuts算法；极端学习机网络隐层节点个数通过试验确定，激活函数选用Sigmoidal函数，待优化参数为输入权值和隐含层偏置；遗传算法种群规模100，终止代数20，交叉率0.8，变异率0.05，适应度函数为E_NRMSE。图3给出了采用本发明所述方法进行超短期风速预测的误差数据对比。

本文所提出的上述所有具体实施方式为示例性的，仅作为对本发明的解释和说明，并不作为对本发明保护范围的限制，本领域技术人员可根据不同实际情况作出改变和调整，而这些改变和调整均将落入本发明的保护范围内。

Claims (9)

1.一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，其特征在于，该方法包括以下步骤：S1：准备数据；S2对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6：通过主成分分析对S5生成的输入变量进行降维处理；S7：通过谱聚类方法对S6中降维处理后的数据进行聚类分析，并与S4中归一化处理后的数据共同形成极端学习机样本空间；S8：通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据进行分层预测，输出分层预测值；S9：将分层预测值相加，得到超短期风速预测值。

2.根据权利要求1所述的方法，其特征在于，步骤S2具体为对缺失、异常数据进行处理后得到原始风速时间序列。

3.根据权利要求2所述的方法，其特征在于，步骤S3具体为应用小波变换对原始风速时间序列进行分解和重构，得到一个概貌序列和若干个细节序列。

4.根据权利要求3所述的方法，其特征在于，步骤S4具体为对温度和分解后的风速数据进行归一化处理；将温度和分解后的风速数据分别映射到[-1,1]之间，训练结束后，将仿真输出再反映射到原数据范围；其中归一化处理公式如下所示：

$x_{1i}^{*}=\frac{(y_{1\max }-y_{1\min })\×(x_{1i}-x_{1\min })}{x_{1\max }-x_{1\min }}+y_{1\min }---\left(1\right)$

在公式(1)中，x_1i、分别表示数据归一化前、后的值，y_1max、y_1min分别表示要归一化的映射区间的最大值1与最小值-1，x_1max、x_1min分别表示样本数据中的最大、最小值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，步骤S5中的相关性计算公式如下所示：

$r=\frac{\mathrm{\Σ}(x_{2i}-{\stackrel{\‾}{x}}_2)(y_{2i}-{\stackrel{\‾}{y}}_2)}{\sqrt{\mathrm{\Σ}{(x_{2i}-{\stackrel{\‾}{x}}_2)}^2\sqrt{\mathrm{\Σ}{(y_{2i}-{\stackrel{\‾}{y}}_2)}^2}}}---\left(2\right)$

在公式(2)中，x_2i、y_2i分别是x₂、y₂的第i个分量，分别是x₂、y₂的平均值，r为相关系数。

6.根据权利要求5所述的方法，其特征在于，步骤S6具体为应用主成分分析根据成分累计贡献率阈值对原始输入变量矩阵进行主成分的提取。

7.根据权利要求6所述的方法，其特征在于，步骤S7还包括如下步骤：

S7.1：构建表示降维后输入数据的相似矩阵Z；

S7.2：计算Z的前K个特征值和特征向量，构建特征向量空间；

S7.3：应用k-means或其他聚类算法对特征向量空间中的特征向量进行聚类；

S7.4：根据预测点类标签提取该类标签相应类，作为样本空间的输入数据；

S7.5：根据预测点类标签提取对应的原始输出样本数据，作为样本空间的输出数据；

S7.6：样本空间的输入、输出数据对即构成极端学习机样本空间。

8.根据权利要求7所述的方法，其特征在于，步骤S8包括如下步骤：

S8.1：将谱聚类以后的样本空间划分为训练集和验证集；

S8.2：初始化建立极端学习机模型，根据训练集应用极端学习机模型进行训练，输出训练模型；

S8.3：根据训练模型应用验证集进行验证，输出验证集标准均方根误差E_NRMSE，其计算公式如下式：

$E_{\mathrm{NRMSE}}=\sqrt{\frac{\frac{1}{K}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-y_4\left(i\right)}^2}{\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{y_4\left(i\right)-{\stackrel{\‾}{y}}_4}^2}}---\left(4\right)$

公式(4)中，k为每次预测数据长度，y₄(i)为原始风速数据，y₄(i)为预测风速数据，为预测时间段原始风速数据的平均值；

S8.4：根据验证集E_NRMSE进行遗传算法优化，遗传算法优化参数为输入权值和隐含层偏置；

S8.5：输出各分解序列最佳极端学习机预测模型；

S8.6：应用各分解序列最佳极端学习机预测模型对预测集进行预测，输出各分解序列预测结果。

9.根据权利要求8所述的方法，其特征在于，步骤S9具体为：将各分解序列的预测结果相加即得到原始风速的最终预测值，即

$y_5={\mathrm{\α}}_j^{*}+\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{d}_i^{*}---\left(5\right)$

公式(5)中，j是分解序列次，为概貌序列预测值，为各细节序列预测值，y₅是最终预测值。