CN108229732A - 基于误差修正的极端学习机风速超短期预测方法 - Google Patents

Abstract

本发明提供一种基于误差修正的极端学习机风速超短期预测方法，包括步骤：S1：对风速历史数据做归一化处理，获得归一化数据集；S2：建立极端学习机模型，并利用极端学习机模型和归一化数据集进行风速预测，获得初步预测值集和误差集；S3：判断误差集的序列是否平稳；如平稳，将误差集输入自回归滑动平均模型获得第一误差预测序列；如不平稳，将误差集输入自回归积分滑动平均模型获得第二误差预测序列；S4：将初步预测值集和第一误差预测序列或第二误差预测序列叠加，获得最终风速预测值集。本发明的一种基于误差修正的极端学习机风速超短期预测方法，通过对误差进行修正来对风速进行预测，具有提高了风速预测的精度的优点。

Description

基于误差修正的极端学习机风速超短期预测方法

技术领域

本发明涉及风速超短期预测方法领域，尤其涉及一种基于误差修正的极端学习机风速超短期预测方法。

背景技术

风电作为重要清洁能源之一，为我国的能源和环境保护做出了很大贡献。超短期风速预测在电网并网运行中起到重要作用，预测的精度越高，实时调度系统做出的判断越准确，对备用机组的选择就越准确。现今对风速的预测大部分都是对历史数据进行处理，较少的关注预测误差。为了提高风速的预测精度，为并网风电场带来更精准的数据参考。提出了对误差修正的风速预测方法。

目前，现有技术中一般是通过时间序列和马尔科夫链组合的预测模型、卡尔曼滤波与时间序列相结合的算法、或时间序列与神经网络相结合的方法来进行风速预测。这些方法通过分摊单独预测的误差风险来减小大偏差对最终预测值的影响，但是加权系数的强壮性一直是组合方法的瓶颈。

发明内容

针对上述现有技术中的不足，本发明提供一种基于误差修正的极端学习机风速超短期预测方法，通过对误差进行修正来对风速进行预测，具有提高了风速预测的精度的优点。

为了实现上述目的，本发明提供一种基于误差修正的极端学习机风速超短期预测方法，包括步骤：

S1：对风速历史数据做归一化处理，获得一归一化数据集；

S2：建立一极端学习机模型，并利用所述极端学习机模型和所述归一化数据集进行风速预测，获得一初步预测值集和一误差集；

S3：判断所述误差集的序列是否平稳；如平稳，将所述误差集输入一自回归滑动平均模型获得一第一误差预测序列；如不平稳，将所述误差集输入一自回归积分滑动平均模型获得一第二误差预测序列；

S4：将所述初步预测值集和所述第一误差预测序列或所述第二误差预测序列叠加，获得一最终风速预测值集。

优选地，所述S1步骤中利用公式(1)对所述风速历史数据做归一化处理：

其中，为归一化后的值，x_i为所述风速历史数据；y_max、y_min分别是映射区间的最大值1和最小值0；x_min、x_max分别是所述风速历史数据的最小值与最大值。

优选地，所述S2步骤进一步包括步骤：

S21：建立所述极端学习机模型；

S22：将所述归一化数据集分为一训练集、一测试集和一预测集；

S23：采用所述训练集对所述极端学习机模型进行训练；

S24：将训练好的所述极端学习机对所述测试集进行测试后，通过所述极端学习机模型对所述预测集进行预测，获得所述初步预测值集和所述误差集。

优选地，所述极端学习机模型包括多个输入层神经元、多个隐含层神经元和多个输出层神经元，且所述极端学习机模型满足公式(2)：

其中，T表示所述极端学习机模型的输出向量；t_h表示所述输出向量的第h个列向量；M表示所述列向量的维数；n表示所述列向量的个数；t_Mh表示所述输出向量第h个输出神经元所对应列向量的第M维的元素；β_i表示第h个输出神经元与隐含神经元的权值；f(x)表示激活函数；x_i表示输入向量；b_h表示第h个隐含层的偏置；f(ω_h,b_h,x_j)表示第h个隐含层神经元输出。

优选地，所述激活函数包括sigmoid函数和sine函数。

优选地，所述自回归滑动平均模型的公式为：

其中，y′_t表示原始时间序列经d阶差分后的序列；c_a表示常数；p表示自回归项的阶数；q表示滑动平均项的阶数；ψ_i表示第i个回归项的系数；θ_j是第j个滑动平均项系数；e_t表示参差项。

优选地，所述S4步骤中通过公式(4)获得所述最终风速预测值集：

P_end＝P+W_p (4)；

其中，P_end表示所述最终风速预测值集；P表示所述初步预测值集；W_p表示所述第一误差预测序列或所述第二误差预测序列。

本发明由于采用了以上技术方案，使其具有以下有益效果：

本发明的方法通过建立极端学习机模型对风速历史数据进行预测，获得预测误差；然后通过ARIMA对误差进行预测，获得误差预测值；最后将误差预测值与风速初步预测值相叠加获得风速最终预测值，通过对误差进行修正来对风速进行预测，提高了风速的预测精度。

附图说明

图1为本发明实施例的基于误差修正的极端学习机风速超短期预测方法的流程图；

图2为本发明实施例的极端学习机模型的结构示意图；

图3为本发明实施例的Eviews绘制的自相关、偏相关图。

具体实施方式

下面根据附图1～图3，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。

本实施例选用中国东北一风电场2007年4月7日～2007年4月11日的风速数据，每10分钟记录一次，共计720个数据。

请参阅图1和图2，本发明实施的一种基于误差修正的极端学习机风速超短期预测方法，包括步骤：

S1：对风速历史数据做归一化处理，获得一归一化数据集。

远离零区域的数据会对学习速度造成影响，因此在训练前要对数据进行归一化处理。本文将风速原始数据映射到[0,1]区间内，训练结束后再反映射回原数据空间。

S1步骤中利用公式(1)对风速历史数据做归一化处理：

其中，为归一化后的值，x_i为风速历史数据；y_max、y_min分别是映射区间的最大值1和最小值0；x_min、x_max分别是风速历史数据的最小值与最大值。

S2：建立一极端学习机模型(ELM)，并利用极端学习机模型和归一化数据集进行风速预测，获得一初步预测值集和一误差集。

其中，S2步骤进一步包括步骤：

S21：建立极端学习机模型，本实施例中，极端学习机模型的结构可参见图2，极端学习机模型包括J个输入层神经元、K个隐含层神经元和L个输出层神经元；且极端学习机模型满足公式(3)：

其中，T表示极端学习机模型的输出向量；t_h表示输出向量的第h个列向量；M表示列向量的维数；n表示列向量的个数；t_Mh表示输出向量第h个输出神经元所对应列向量的第M维的元素；β_i表示第h个输出神经元与隐含神经元的权值；f(x)表示激活函数；x_i表示输入向量；b_h(h＝1,2，…，K)表示第h个隐含层的偏置；f(ω_h,b_h,x_j)表示第h个隐含层神经元输出。

另外，ω_jk为输入层第j个神经元与第k个隐含层神经元的权重；β_kl为第k个隐含层神经元与第l个输出层的权重；X＝[x₁,x₂,…,x_J]为输入向量序列，Y＝[y₁,y₂,…,y_L]为输出向量序列。本实施例中，激活函数包括sigmoid函数和sine函数。t_h∈T，ω_i＝[ω_1i,ω_2i,…,ω_Ji]表示第J个隐含层神经元与输入向量x_i＝[x₁，x₂，。。。，x_J]之间的权值。

如果极限学习机能以零误差逼近学习样本，则可以认为存在β_i、ω_i、b_i使式(5)成立

将式(5)改写成矩阵形式，则式(5)变为：

Hβ＝Y(6)；

式(6)中：H为隐含层输出矩阵，β为输出权值矩阵，Y为输出向量。

这样就变成了求输出权值的最小二乘解β问题，即：

极端学习机模型可以总结为求解方程最小值的优化问题。其实，极端学习机模型的训练目的就是找最优权值以使输出值与实际值误差最小。

S22：将归一化数据集分为一训练集、一测试集和一预测集，本实施例中，训练集包括576个数据，测试集包括132个数据，预测集包括12个数据。

S23：采用训练集对极端学习机模型进行训练。

本实施例中，将训练集导入Matlab软件，调用Matlab中的ELM工具箱对ELM进行训练。

S24：将训练好的极端学习机对测试集进行测试后，通过极端学习机模型对预测集进行预测，获得初步预测值集和误差集；其中初步预测值包括12个数值；误差集包括708个误差值W。

S3：判断误差集的序列是否平稳；如平稳，将误差集输入一自回归滑动平均模型获得一第一误差预测序列；如不平稳，需要对数据进行平衡化处理，最常用的是差分处理，本实施例中，采用Eviews软件对数据进行差分处理，将误差集输入一自回归积分滑动平均模型获得一第二误差预测序列。

本实施例中，判断序列是否平稳采用单位根检验，采用Eviews进行处理，其输出结果如表1所示。可见，数据经过一阶差分后，ADF数值小于1％置信区间的数值，此时可以认为1阶差分后的序列为平稳序列。

表1Eviews输出结果表

自回归积分滑动平均模型(ARIMA)，又叫做Box-Jenkins模型，是一种基于时间序列的预测模型，适用于短期和超短期预测，精度较高。ARIMA(p，d，q)是对自回归滑动平均模型ARMA(p，q)的扩展。通过对非平稳时间序列的d阶差分处理使其平稳化，然后对平稳序列建立自回归滑动平均模型(ARMA(p，q)模型)：

其中，y′_d表示原始时间序列经d阶差分后的序列；c_a表示常数；p表示自回归项的阶数；q表示滑动平均项的阶数；ψ_i表示第i个回归项的系数；θ_j是第j个滑动平均项系数；e_t表示参差项。

在估计自回归系数、滑动平均系数值时，最常用的是最小二乘法，可得出ψ_i，θ_j；并根据赤池信息准则进行定阶，得出p，q。

赤池信息准则(Akaike Information Criterion，AIC)，在一般情况下，AIC表示为：

AIC＝(2k-2L)/n(7)；

式(7)中：k是所拟合模型中参数的个数，L是对数似然值，n为观测值个数。

本实施例中，采用Eviews绘制数据的自相关、偏相关图，如图3所示，其中虚线为置信区间，自相关图在k＝7时已经明显收束到区间内，而偏相关图在k＝2时已经明显收束到区间内，故p、q的取值在0到6之间。

然后利用Matlab软件根据赤池信息准则选取最优p、q值。

建立ARIMA模型进行误差预测，获得误差值W的12步预测值Wp。ARMA模型只是比ARIMA模型少了d阶差分环节，是ARIMA的特殊情况。

S4：将初步预测值集和第一误差预测序列或第二误差预测序列叠加，获得一最终风速预测值集。

优选地，S4步骤中通过公式(4)获得最终风速预测值集：

P_end＝P+W_p (4)；

其中，P_end表示最终风速预测值集；P表示初步预测值集；W_p表示第一误差预测序列或第二误差预测序列。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (7)

1.一种基于误差修正的极端学习机风速超短期预测方法，包括步骤：

S1：对风速历史数据做归一化处理，获得一归一化数据集；

S2：建立一极端学习机模型，并利用所述极端学习机模型和所述归一化数据集进行风速预测，获得一初步预测值集和一误差集；

S3：判断所述误差集的序列是否平稳；如平稳，将所述误差集输入一自回归滑动平均模型获得一第一误差预测序列；如不平稳，将所述误差集输入一自回归积分滑动平均模型获得一第二误差预测序列；

S4：将所述初步预测值集和所述第一误差预测序列或所述第二误差预测序列叠加，获得一最终风速预测值集。

2.根据权利要求1所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述S1步骤中利用公式(1)对所述风速历史数据做归一化处理：

其中，为归一化后的值，x_i为所述风速历史数据；y_max、y_min分别是映射区间的最大值1和最小值0；x_min、x_max分别是所述风速历史数据的最小值与最大值。

3.根据权利要求2所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述S2步骤进一步包括步骤：

S21：建立所述极端学习机模型；

S22：将所述归一化数据集分为一训练集、一测试集和一预测集；

S23：采用所述训练集对所述极端学习机模型进行训练；

S24：将训练好的所述极端学习机对所述测试集进行测试后，通过所述极端学习机模型对所述预测集进行预测，获得所述初步预测值集和所述误差集。

4.根据权利要求3所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述极端学习机模型包括多个输入层神经元、多个隐含层神经元和多个输出层神经元，且所述极端学习机模型满足公式(2)：

其中，T表示所述极端学习机模型的输出向量；t_h表示所述输出向量的第h个列向量；M表示所述列向量的维数；n表示所述列向量的个数；t_Mh表示所述输出向量第h个输出神经元所对应列向量的第M维的元素；β_i表示第h个输出神经元与隐含神经元的权值；f(x)表示激活函数；x_i表示输入向量；b_h表示第h个隐含层的偏置；f(ω_h,b_h,x_j)表示第h个隐含层神经元输出。

5.根据权利要求4所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述激活函数包括sigmoid函数和sine函数。

6.根据权利要求5所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述自回归滑动平均模型的公式为：

其中，y′_t表示原始时间序列经d阶差分后的序列；c_a表示常数；p表示自回归项的阶数；q表示滑动平均项的阶数；ψ_i表示第i个回归项的系数；θ_j是第j个滑动平均项系数；e_t表示参差项。

7.根据权利要求6所述的基于误差修正的极端学习机风速超短期预测方法，其特征在于，所述S4步骤中通过公式(4)获得所述最终风速预测值集：

P_end＝P+W_p (4)；

其中，P_end表示所述最终风速预测值集；P表示所述初步预测值集；W_p表示所述第一误差预测序列或所述第二误差预测序列。