CN109255477A - 一种基于深度极限学习机的风速预测方法及其系统和机组 - Google Patents
一种基于深度极限学习机的风速预测方法及其系统和机组 Download PDFInfo
- Publication number
- CN109255477A CN109255477A CN201810974910.8A CN201810974910A CN109255477A CN 109255477 A CN109255477 A CN 109255477A CN 201810974910 A CN201810974910 A CN 201810974910A CN 109255477 A CN109255477 A CN 109255477A
- Authority
- CN
- China
- Prior art keywords
- prediction
- wind speed
- sample
- learning machine
- forecasting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000005215 recombination Methods 0.000 claims abstract description 21
- 230000006798 recombination Effects 0.000 claims abstract description 21
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000000714 time series forecasting Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000009795 derivation Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000012141 concentrate Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 101000911390 Homo sapiens Coagulation factor VIII Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 102000057593 human F8 Human genes 0.000 description 2
- 229940047431 recombinate Drugs 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度极限学习机的风速预测方法及其系统和机组,属于风电机组领域。通过深度极限学习机的时间序列预测方法对风速值进行预测,包括:获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列;通过深度极限学习机的时间序列预测方法提取出训练样本数据集;预测模型的推导:从训练样本数据集中提取出与预测序列Q的最近邻作为重组样本,重组样本中对应单步预测时、多步预测时有单步特征和多步特征;分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练,并通过局部选取整合为一个预测模型;通过预测模型预测风速值Xt+s。本发明的方法具有较高的准确性和泛化性能,可改善预测性能及实时更新能力。
Description
技术领域
本发明涉及风电机组领域,特别是涉及一种基于深度极限学习机的风速预测方法及其系统和机组。
背景技术
作为国家可持续发展战略的重要组成部分,风力发电是将空气动能转换为电能,风的随机波动性和间歇性决定了风电功率的波动性和间歇性。随着风力发电规模的不断扩大,风电场并网对电网系统的影响就会越来越明显,大风速扰动会使系统的电压和频率产生很大的变化,此时风电场并网及并网后的稳定和安全问题成为急需解决的新课题。因此,对风速进行准确的预测有利于风电场的风电机组的运行受制于系统的运行条件,可以为电力系统调度部门制定调度计划提供支持,减小风速随机变化对电网的不利影响。
风速的变化是在秒、分钟、小时、天、星期、季节和年的范围内。风速预测不仅与预测方法有关,还与预测周期以及预测地点的风速特性有关。一般来说,预测周期越短,预测误差就越小;反之,预测误差越大。而风力发电机组的控制系统需要的预测时间比较短,因此本发明采用了时间序列的短期预测方法。
传统神经网络凭借其对复杂非线性函数的逼近能力以及强大的并行处理能力,成为时间序列预测领域流行的网络体系结构。但传统神经网络在学习过程中常采用需要反复调整网络参数的BP训练方法,容易遇到局部极小问题,而且难以解决较大样本的学习和泛化问题。
发明内容
本发明的目的是提供一种能够提高海量的风速数据预测建模的效率,改善预测性能,提高模型的实时更新能力的基于深度极限学习机的风速预测方法及其系统和机组。可以有效改善传统神经网络存在学习效率不高、容易陷入局部最优且网络层数制约训练效果等缺陷。
为实现上述目的,本发明采用如下技术方案:
一方面,本发明提供一种基于深度极限学习机的风速预测方法,为通过深度极限学习机的时间序列预测方法对某一未来时刻的风速值进行预测的方法,若现在时刻是t,需要预测某一未来时刻t+s的风速值Xt+s,包括如下步骤:
1)获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列如式(1);
X0,X1,…,Xk,…,Xt (1)
其中,式(1)中,X0、X1、Xk、Xt分别为等距离时间点△t对应的t0、t0+△t、t0+k△t、t时刻下的风速观察值;
2)通过深度极限学习机的时间序列预测方法从历史观测数据序列中提取出若干组风速时间序列;若以预测模型所需历史数据的时间跨度q为提取区间,则风速时间序列Q=[Xt-q,...,Xt-1,Xt]为用于预测时刻t+s的风速值Xt+s的预测序列,则:
Xt+s=G(Xt-q,…,Xk,…,Xt-1,Xt) (2)
其中,式(2)中,q为预测所需历史数据的时间跨度,G为预测模型或者预测函数,Xt-q、Xk、Xt-1、Xt分别为等距离时间点△t对应的t-q、k、t-1、t时刻下的风速观察值,即,Q=[Xt-q,...,Xt-1,Xt]为预测模型的输入;
并通过深度极限学习机的时间序列预测方法提取出时间点t-s时刻及之前的若干组风速时间序列对应的训练样本,作为训练样本数据集;预测模型包括单步预测和多步预测;
预测模型的推导:
S1:取出预测序列Q,从训练样本数据集中提取出与预测序列Q最相似的k个样本作为重组单步训练样本,即Q的最近邻,再根据预测步数提取出k个重组样本对应的多步训练样本,将K个重组样本作为预测模型的输入;训练样本数据集中包括单步预测时、多步预测时的训练样本,提取Q的最近邻的方法是根据混合欧氏距离相似性度量方法对各训练样本的风速时间序列与预测预测Q进行计算得到,即重组样本中对应单步预测、多步预测有单步特征、多步特征;
S2:预测模型训练:分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练,分别得到特征表达,并分别计算相应的权值,计算每层对应的单步特征和多步特征的权值加和,选取出权值最大的若干隐含层节点,对其提取出对应包含单步特征和多步特征的相关数据,包括隐含层输出、权重、偏置,并计算相应的权值,从而以DELM算法推导出预测模型;
S3:在预测阶段,根据推导得到的预测模型计算预测风速值Xt+s。
进一步地,训练样本数据集提取:以时间跨度q为区间将式(1)的历史数据按时间序列提取出若干组风速时间序列,q=n△t(q>3,n为整数),作为训练样本数据集。
进一步地,预测模型训练:以某风速时间序列的最后一个风速值对应的时间点作为某风速时间序列时间点k,时间点k+s时刻的风速观察值Xk+s,则以某时间点k的风速时间序列作为输入,以Xk+s作为输出,作为预测模型的一个训练样本,则时间点t-s时刻及之前的训练样本组成预测模型训练集。
进一步地,所述预测模型的推导为:
Step 1:提取出预测序列Q,从训练样本数据集中取出单步预测时的近邻子集S_in;
Step 2:通过式(3)计算Q和S_in的混合欧式距离;
其中,式(3)中,A1为时间点t’的风速时间序列,A2为预测序列Q,F1和F2分别为两组时间序列A1和A2的差分序列;NE(A1,A2)为A1和A2间的标准化欧氏距离,NE(F1,F2)为F1和F2间的标准化欧氏距离;
Step 3:从S_in中选取k个与Q的混合欧式距离最短的最近邻;并将取出的k个最近邻作为有标签单步特征Y_in,其余样本看作无标签单步特征M_in;对应的,提取出多步预测时的k个最近邻作为为有标签多步特征Multi_Y_in,其余样本看作无标签多步特征Multi_M_in;
Step 4:分别训练单步预测和多步预测的多个隐含层的One_Step_DELM和Multi_Step_DELM模型对Y_in,M_in和Multi_Y_in,Multi_M_in进行无监督自编码学习,得到特征表达Fea_H1,Fea_M1和Fea_H2,Fea_M2;
Step 5:将Fea_H1和Fea_H2通过随机生成的输入权重W和偏置B计算出隐含层输出H1和H2,进行监督学习,再通过Y_out计算出相应的β1,β2;
Step 6:根据算式(4)计算wi,通过wi对每一个隐含层节点排序,并选取出wi最大的个节点;
wi=β1(i)+β2(i) (4)
其中,式(4),i为隐含层节点数;
Step 7:将最大的个节点前的相关数据删除,并提取出删减后的
Step 8:根据ADMM算法计算
Step 9:计算输出DELM预测模型
则将预测序列Q输入到预测模型中可计算出预测风速值Xt+s。
进一步地,所述隐含层数可以为3层。
进一步地,无标签单步特征M_in和无标签多步特征Multi_M_in分别用于One_Step_DELM和Multi_Step_DELM模型的校正学习。
进一步地,将One_Step_DELM和Multi_Step_DELM网络中的每一层都解耦出来,作为一个独立的极限学习机,并使每一个ELM的目标输出T等于该ELM的输入,得到输入数据的低维表达,即ELM的隐层输出,并将该输出作为下一个ELM的输入,并得到该ELM的输出权重该输出权重的转置即作为该ELM的输入权值,完成模型的训练。
进一步地,所述深度极限学习机的算法流程包括如下步骤:
输入:训练样本{xi,ti}(xi∈Rn,ti∈Rm,i=1,...,N),激活函数g(·),隐含层节点个数nh;
输出:输出权值矩阵
Step 1:根据任意连续概率分布函数随机生成的输入权值wi和偏置bi;
Step 2:根据下式计算隐含层输出矩阵H;
Step 3:计算输出权值矩阵计算方法为:
(1)当训练样本的个数大于隐层节点个数时,输出权值矩阵可由下式计算得到:
(2)当训练样本的个数小于隐层节点个数时,输出权值矩阵的计算公式为:
进一步地,预测模型的训练样本的输入输出关系为;
样本1:输入:S1=[X0,X1,...,Xq-1,Xq];输出:Xq+s
样本2:输入:S2=[X1,X2,...,Xq,Xq+1];输出:Xq+s+1;
样本3…样本Z-2的输入输出关系依次类推;
样本Z-1:输入:Sz-1=[Xt-s-q-1,Xt-s-q,...,Xt-s-2,Xt-s-1];输出:Xt-1;
样本Z:输入:Sz=[Xt-s-q,Xt-s-q+1,...,Xt-s-1,Xt-s];输出:Xt;
通过相似性度量方法提取出与预测序列Q最相似的一部分样品作为重组样本,通过提取出的重组样本训练局部预测模型。
另一方面,提供一种基于深度极限学习机的风速预测系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于深度极限学习机的风速预测方法的步骤。
由于采用上述技术方案,本发明至少具有以下优点:
(1)本发明以最近邻域理论为核心,根据相似性度量方法从历史数据中提取出与待预测序列最相似的一部分样本作为重组样本,通过对采用DELM对重组样本时间序列进行局部建模,建模过程中同时考虑单步预测和多步预测,并最后整合为一个预测模型,使模型的准确性和泛化性能都有所提高,通过局部建模也可以大大提高海量的风速数据预测建模的效率,改善预测性能,提高模型的实时更新能力。
(2)本发明的方法采用混合欧式距离计算方法选取最近邻,由于混合欧式距离不光考虑到两组时间序列的距离,还将时间序列的变化趋势考虑在内,得到的预测模型更加准确。
(3)本发明的预测方法具有较高的准确性和泛化性能,通过局部建模也可以大大提高海量的风速数据预测建模的效率,改善预测性能,提高模型的实时更新能力。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明的基于DELM的时间序列预测流程示意图;
图2是本发明的局部预测模型的构建示意图;
图3是本发明的基于DELM的局部预测模型的流程示意图;
图4是本发明的极限学习机网络模型图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
本发明提供一种基于深度极限学习机的风速预测方法的实施例,如图1到图3所示,为通过深度极限学习机的时间序列预测方法对某一未来时刻的风速值进行预测的方法,若现在时刻是t,需要预测某一未来时刻t+s的风速值Xt+s,包括如下步骤:
1)获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列如式(1);
X0,X1,…,Xk,…,Xt (1)
其中,式(1)中,X0、X1、Xk、Xt分别为等距离时间点△t对应的t0、t0+△t、t0+k△t、t时刻下的风速观察值,k为中间的任一时刻;
2)通过深度极限学习机的时间序列预测方法从历史观测数据序列中提取出若干组风速时间序列;若以预测模型所需历史数据的时间跨度q为提取区间,则风速时间序列Q=[Xt-q,...,Xt-1,Xt]为用于预测时刻t+s的风速值Xt+s的预测序列,则:
Xt+s=G(Xt-q,…,Xk,…,Xt-1,Xt) (2)
其中,式(2)中,q为预测所需历史数据的时间跨度,G为预测模型或者预测函数,Xt-q、Xk、Xt-1、Xt分别为等距离时间点△t对应的t-q、k、t-1、t时刻下的风速观察值,k为中间的任意时刻,即,Q=[Xt-q,...,Xt-1,Xt]为预测模型的输入;
并通过深度极限学习机的时间序列预测方法提取出时间点t-s时刻及之前的若干组风速时间序列对应的训练样本,作为训练样本数据集;预测模型包括单步预测和多步预测;
预测模型的推导:
S1:取出预测序列Q,从训练样本数据集中提取出与预测序列Q最相似的k个样本作为重组单步训练样本,即Q的最近邻,再根据预测步数提取出k个重组样本对应的多步训练样本,将K个重组样本作为预测模型的输入;训练样本数据集中包括单步预测时、多步预测时的训练样本,提取Q的最近邻的方法是根据混合欧氏距离法对各训练样本的风速时间序列与预测预测Q进行计算得到,即重组样本中对应单步预测、多步预测有单步特征、多步特征;
S2:预测模型训练:分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练,分别得到特征表达,并分别计算相应的权值,计算每层对应的单步特征和多步特征的权值加和,选取出权值最大的若干隐含层节点,对其提取出对应包含单步特征和多步特征的相关数据,包括隐含层输出、权重、偏置,并计算相应的权值,从而以DELM算法推导出预测模型;
S3:在预测阶段,根据推导得到的预测模型计算预测风速值Xt+s。
因通过风速时间序列选择最近邻,因此单步预测、多步预测对应的风速时间序列相同(即输入序列相同),只是因单步预测、多步预测的特点对应的单步特征、多步特征有区别,通过分别训练再整合训练的方法,使预测模型不仅对单步特征有学习、对多步特征也有学习,使预测模型可以深度学习,从而使得到的预测模型的准确性和泛化性能都有极大提高。
本发明以最近邻域理论为核心,采用混合欧式距离计算方法选取最近邻,从历史数据中提取出与待预测序列最相似的一部分样本作为重组样本,由于混合欧式距离不光考虑到两组时间序列的距离,还将时间序列的变化趋势考虑在内,得到的预测模型更加准确;通过对采用DELM对重组样本时间序列进行局部建模,建模过程中同时考虑单步预测和多步预测,并最后整合为一个预测模型,使模型的准确性和泛化性能都有所提高,通过局部建模也可以大大提高海量的风速数据预测建模的效率,改善预测性能,提高模型的实时更新能力。
进一步地,训练样本数据集提取:以时间跨度q为区间将式(1)的历史数据按时间序列提取出若干组风速时间序列,q=n△t(q≥3,n为整数),作为训练样本数据集。
预测模型训练:以某风速时间序列的最后一个风速值对应的时间点作为某风速时间序列时间点k,时间点k+s时刻的风速观察值Xk+s,则以某时间点k的风速时间序列作为输入,以Xk+s作为输出,作为预测模型的训练样本,则时间点t-s时刻及之前的训练样本组成预测模型训练集。
预测模型的训练集的的输入输出关系如表1所示:
表1预测模型的输入输出关系
通过混合欧式距离相似性度量方法提取出与预测序列Q最相似的k个样品作为重组样本,通过提取出的重组样本训练局部预测模型,如图1所示,根据每个样本中的输入子列使模型输出与实际观察值相同,从而建立样本1的子模型,通过对k个子模型的自编码学习从而得到最终的预测模型。
综上所述,通过历史风速数据X0,X1,...,Xt可以预测t+s时刻的风速值Xt+s。为了方便起见,序列Q=[Xt-q,...,Xt-1,Xt]称为Xt+s的预测序列,集合S={S1,S2,...,Sz}称为Q的近邻集。在全局建模法中,S中的每一个元素都是一个训练样本;而局部建模法需要从近邻集S的z个元素中选取k个Q的最近邻,以该k个元素作为局部模型的训练样本。
为了推导出变量Xt+s的预测模型,本发明将局部建模法作为时间序列预测建模方法,该局部模型的预测流程见图2。该方法包含两个阶段:训练和预测。在训练阶段,预测模型通过两个关键步骤导出:训练样本提取和模型推导。首先,根据相似性度量方法从历史数据中提取出与待预测序列最相似的一部分样本作为重组样本;然后,根据提取出的重组样本训练出时间序列的局部预测模型。在预测阶段,根据推导得到的预测模型计算Xt+s,算法流程如表2所示。
表2时间序列局部建模预测算法
深度极限学习机在算法上融合了自编码的思想,通过最小化重构误差来编码输出,使输出能够无限的逼近原始输入。这种结构可以得到对输入抽象的表达,因此可以捕捉到原始输入中的深层特征。
具体的,训练样本提取的预测模型的推导为,如图3所示:
Step 1:提取出预测序列Q,从训练样本数据集中取出单步预测时的近邻子集S_in;
Step 2:通过式(3)计算Q和S_in的混合欧式距离;
其中,式(3)中,A1为时间点t’的风速时间序列,A2为预测序列Q,F1和F2分别为两组时间序列A1和A2的差分序列;NE(A1,A2)为A1和A2间的标准化欧氏距离,NE(F1,F2)为F1和F2间的标准化欧氏距离;
其中,具体计算为,假设A1和A2为两组时间序列,A1为时间点t’的风速时间序列,A2为预测序列Q:
A1=[Xa,Xa+1,...,Xa+q-1,Xa+q],
A2=[Xb,Xb+1,...,Xb+q-1,Xb+q],
F1和F2分别为两组时间序列A1和A2的差分序列:
F1=[Xa+1-Xa,...,Xa+q-Xa+q-1],
F2=[Xb+1-Xb,...,Xb+q-Xb+q-1],
NH(A1,A2)即为A1和A2两组时间序列的混合欧式距离。通过计算集合S中的每一个元素和Q的混合欧式距离,最终得到z个混合欧式距离,并从中选取k个距离最短的元素将其作为提取出的训练样本。
由于混合欧式距离不光考虑到两组时间序列的距离,还涉及到了时间序列的变化趋势。NE(F1,F2)的加入使混合欧式距离度量了两组序列上升或下降的趋势的相似性。
Step 3:从S_in中选取k个与Q的混合欧式距离最短的最近邻;并将取出的k个最近邻作为有标签单步特征Y_in,其余样本看作无标签单步特征M_in;对应的,提取出多步预测时的k个最近邻作为为有标签多步特征Multi_Y_in,其余样本看作无标签多步特征Multi_M_in;
Step 4:分别训练单步预测和多步预测的多个隐含层(隐含层数可以为3层。)的One_Step_DELM和Multi_Step_DELM模型对Y_in,M_in和Multi_Y_in,Multi_M_in进行无监督自编码学习,得到特征表达Fea_H1,Fea_M1和Fea_H2,Fea_M2;无标签单步特征M_in和无标签多步特征Multi_M_in分别用于One_Step_DELM和Multi_Step_DELM模型的校正学习。
Step 5:将Fea_H1和Fea_H2通过随机生成的输入权重W和偏置B计算出隐含层输出H1和H2,进行监督学习,再通过Y_out计算出相应的β1,β2;
Step 6:根据算式(4)计算wi,通过wi对每一个隐含层节点排序,并选取出wi最大的个节点;
wi=β1(i)+β2(i) (4)
其中,式(4),i为隐含层节点数;
Step 7:将最大的个节点前的相关数据删除,并提取出删减后的
Step 8:根据ADMM算法计算
Step 9:计算输出DELM预测模型
上式中,T代表的是目标输出,u代表输入,则将预测序列Q输入到预测模型中可计算出预测风速值Xt+s。
本发明的极限学习机的局部建模方法,通过同时考虑单步预测和多步预测,通过分别训练计算得到隐含层输出后,再根据每个隐含层节点的权值(单步预测和多步预测的权值加和)选取出权值最大的一定数量的隐含层节点数,再进行整合推导计算最后得到一个预测模型,使模型的准确性和泛化性能都有所提高,通过局部建模也可以大大提高海量的风速数据预测建模的效率,改善预测性能,提高模型的实时更新能力。
进一步地,One_Step_DELM和Multi_Step_DELM网络中的每一层都可以解耦出来,作为一个独立的极限学习机(Extreme Learning Machine,ELM),如图4所示,并使每一个ELM的目标输出T等于该ELM的输入,这样,就可以得到输入数据的低维表达,即ELM的隐层输出,并将该输出作为下一个ELM的输入,可以通过以下算法流程计算得到该ELM的输出权重该输出权重的转置即作为该ELM的输入权值,完成模型的训练。
进一步地,深度极限学习机的算法流程包括如下步骤,主要包括输出权重的算法流程:
输入:训练样本{xi,ti}(xi∈Rn,ti∈Rm,i=1,...,N),激活函数g(·),隐含层节点个数nh;
输出:输出权值矩阵
Step 1:根据任意连续概率分布函数随机生成的输入权值wi和偏置bi;
Step 2:根据下式计算隐含层输出矩阵H;
Step 3:计算输出权值矩阵计算方法为:
(1)当训练样本的个数大于隐层节点个数时,输出权值矩阵可由下式计算得到:
(2)当训练样本的个数小于隐层节点个数时,输出权值矩阵的计算公式为:
进一步地,预测模型的训练样本的输入输出关系为;
样本1:输入:S1=[X0,X1,...,Xq-1,Xq];输出:Xq+s
样本2:输入:S2=[X1,X2,...,Xq,Xq+1];输出:Xq+s+1;
样本3…样本Z-2的输入输出关系依次类推;
样本Z-1:输入:Sz-1=[Xt-s-q-1,Xt-s-q,...,Xt-s-2,Xt-s-1];输出:Xt-1;
样本Z:输入:Sz=[Xt-s-q,Xt-s-q+1,...,Xt-s-1,Xt-s];输出:Xt;
另一方面,提供一种基于深度极限学习机的风速预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的基于深度极限学习机的风速预测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度极限学习机的风速预测方法,其特征在于,为通过深度极限学习机的时间序列预测方法对某一未来时刻的风速值进行预测的方法,若现在时刻是t,需要预测某一未来时刻t+s的风速值Xt+s,包括如下步骤:
1)获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列如式(1);
X0,X1,…,Xk,…,Xt (1)
其中,式(1)中,X0、X1、Xk、Xt分别为等距离时间点△t对应的t0、t0+△t、t0+k△t、t时刻下的风速观察值;
2)通过深度极限学习机的时间序列预测方法从历史观测数据序列中提取出若干组风速时间序列;若以预测模型所需历史数据的时间跨度q为提取区间,则风速时间序列Q=[Xt-q,...,Xt-1,Xt]为用于预测时刻t+s的风速值Xt+s的预测序列,则:
Xt+s=G(Xt-q,…,Xk,…,Xt-1,Xt) (2)
其中,式(2)中,q为预测所需历史数据的时间跨度,G为预测模型或者预测函数,Xt-q、Xk、Xt-1、Xt分别为等距离时间点△t对应的t-q、k、t-1、t时刻下的风速观察值,即,Q=[Xt-q,...,Xt-1,Xt]为预测模型的输入;
并通过深度极限学习机的时间序列预测方法提取出时间点t-s时刻及之前的若干组风速时间序列对应的训练样本,作为训练样本数据集;预测模型包括单步预测和多步预测;
预测模型的推导:
S1:取出预测序列Q,从训练样本数据集中提取出与预测序列Q最相似的k个样本作为重组单步训练样本,即Q的最近邻,再根据预测步数提取出k个重组样本对应的多步训练样本,将K个重组样本作为预测模型的输入;训练样本数据集中包括单步预测时、多步预测时的训练样本,提取Q的最近邻的方法是根据混合欧氏距离相似性度量方法对各训练样本的风速时间序列与预测预测Q进行计算得到,即重组样本中对应单步预测、多步预测有单步特征、多步特征;
S2:预测模型训练:分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练,分别得到特征表达,并分别计算相应的权值,计算每层对应的单步特征和多步特征的权值加和,选取出权值最大的若干隐含层节点,对其提取出对应包含单步特征和多步特征的相关数据,包括隐含层输出、权重、偏置,并计算相应的权值,从而以DELM算法推导出预测模型;
S3:在预测阶段,根据推导得到的预测模型计算预测风速值Xt+s。
2.根据权利要求1所述的基于深度极限学习机的风速预测方法,其特征在于,训练样本数据集提取:以时间跨度q为区间将式(1)的历史数据按时间序列提取出若干组风速时间序列,q=n△t(n为整数),作为训练样本数据集。
3.根据权利要求2所述的基于深度极限学习机的风速预测方法,其特征在于,预测模型训练:以某风速时间序列的最后一个风速值对应的时间点作为某风速时间序列时间点k,时间点k+s时刻的风速观察值Xk+s,则以某时间点k的风速时间序列作为输入,以Xk+s作为输出,作为预测模型的一个训练样本,则时间点t-s时刻及之前的训练样本组成预测模型训练集。
4.根据权利要求1至3任一所述的基于深度极限学习机的风速预测方法,其特征在于,所述预测模型的推导为:
Step1:提取出预测序列Q,从训练样本数据集中取出单步预测时的近邻子集S_in;
Step2:通过式(3)计算Q和S_in的混合欧式距离;
其中,式(3)中,A1为时间点t’的风速时间序列,A2为预测序列Q,F1和F2分别为两组时间序列A1和A2的差分序列;NE(A1,A2)为A1和A2间的标准化欧氏距离,NE(F1,F2)为F1和F2间的标准化欧氏距离;
Step3:从S_in中选取k个与Q的混合欧式距离最短的最近邻;并将取出的k个最近邻作为有标签单步特征Y_in,其余样本看作无标签单步特征M_in;对应的,提取出多步预测时的k个最近邻作为为有标签多步特征Multi_Y_in,其余样本看作无标签多步特征Multi_M_in;
Step4:分别训练单步预测和多步预测的多个隐含层的One_Step_DELM和Multi_Step_DELM模型对Y_in,M_in和Multi_Y_in,Multi_M_in进行无监督自编码学习,得到特征表达Fea_H1,Fea_M1和Fea_H2,Fea_M2;
Step5:将Fea_H1和Fea_H2通过随机生成的输入权重W和偏置B计算出隐含层输出H1和H2,进行监督学习,再通过Y_out计算出相应的β1,β2;
Step6:根据算式(4)计算wi,通过wi对每一个隐含层节点排序,并选取出wi最大的个节点;
wi=β1(i)+β2(i) (4)
其中,式(4),i为隐含层节点数;
Step7:将最大的个节点前的相关数据删除,并提取出删减后的
Step8:根据ADMM算法计算
Step9:计算输出DELM预测模型
则将预测序列Q输入到预测模型中可计算出预测风速值Xt+s。
5.根据权利要求4所述的基于深度极限学习机的风速预测方法,其特征在于,无标签单步特征M_in和无标签多步特征Multi_M_in分别用于One_Step_DELM和Multi_Step_DELM模型的校正学习。
6.根据权利要求4所述的基于深度极限学习机的风速预测方法,其特征在于,将One_Step_DELM和Multi_Step_DELM网络中的每一层都解耦出来,作为一个独立的极限学习机,并使每一个ELM的目标输出T等于该ELM的输入,得到输入数据的低维表达,即ELM的隐层输出,并将该输出作为下一个ELM的输入,并得到该ELM的输出权重
7.根据权利要求1至6任一所述的基于深度极限学习机的风速预测方法,其特征在于,所述深度极限学习机的算法流程包括如下步骤:
输入:训练样本{xi,ti}(xi∈Rn,ti∈Rm,i=1,...,N),激活函数g(·),隐含层节点个数nh;
输出:输出权值矩阵
Step1:根据任意连续概率分布函数随机生成的输入权值wi和偏置bi;
Step2:根据下式计算隐含层输出矩阵H;
Step3:计算输出权值矩阵计算方法为:
(1)当训练样本的个数大于隐层节点个数时,输出权值矩阵可由下式计算得到:
(2)当训练样本的个数小于隐层节点个数时,输出权值矩阵的计算公式为:
。
8.根据权利要求1至7任一所述的基于深度极限学习机的风速预测方法,其特征在于,预测模型的训练样本的输入输出关系为;
样本1:输入:S1=[X0,X1,...,Xq-1,Xq];输出:Xq+s
样本2:输入:S2=[X1,X2,...,Xq,Xq+1];输出:Xq+s+1;
样本3…样本Z-2的输入输出关系依次类推;
样本Z-1:输入:Sz-1=[Xt-s-q-1,Xt-s-q,...,Xt-s-2,Xt-s-1];输出:Xt-1;
样本Z:输入:Sz=[Xt-s-q,Xt-s-q+1,...,Xt-s-1,Xt-s];输出:Xt;
通过相似性度量方法提取出与预测序列Q最相似的一部分样品作为重组样本,通过提取出的重组样本训练局部预测模型。
9.一种基于深度极限学习机的风速预测系统,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8任一所述的基于深度极限学习机的风速预测方法的步骤。
10.一种风力发电机组,其特征在于,包括权利要求9所述的基于深度极限学习机的风速预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974910.8A CN109255477B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度极限学习机的风速预测方法及其系统和机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974910.8A CN109255477B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度极限学习机的风速预测方法及其系统和机组 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255477A true CN109255477A (zh) | 2019-01-22 |
CN109255477B CN109255477B (zh) | 2022-07-01 |
Family
ID=65049734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974910.8A Active CN109255477B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度极限学习机的风速预测方法及其系统和机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255477B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069719A (zh) * | 2019-04-24 | 2019-07-30 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测系统 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及系统 |
WO2021164317A1 (zh) * | 2020-02-18 | 2021-08-26 | 腾讯科技(深圳)有限公司 | 序列挖掘模型的训练方法、序列数据的处理方法及设备 |
CN113435595A (zh) * | 2021-07-08 | 2021-09-24 | 南京理工大学 | 基于自然进化策略的极限学习机网络参数两阶段优化方法 |
CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
CN117057257A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126906A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于c‑c与elm的短期风速预测方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106600023A (zh) * | 2016-08-27 | 2017-04-26 | 董涛 | 电力数据集成处理方法 |
CN107330294A (zh) * | 2017-07-15 | 2017-11-07 | 东北大学 | 带遗忘因子的在线时序多隐含层极限学习机的应用方法 |
-
2018
- 2018-08-24 CN CN201810974910.8A patent/CN109255477B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106126906A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于c‑c与elm的短期风速预测方法 |
CN106600023A (zh) * | 2016-08-27 | 2017-04-26 | 董涛 | 电力数据集成处理方法 |
CN107330294A (zh) * | 2017-07-15 | 2017-11-07 | 东北大学 | 带遗忘因子的在线时序多隐含层极限学习机的应用方法 |
Non-Patent Citations (1)
Title |
---|
殷豪 等: "基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测", 《电网技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110070172B (zh) * | 2019-03-13 | 2023-04-07 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110069719A (zh) * | 2019-04-24 | 2019-07-30 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测系统 |
CN110069719B (zh) * | 2019-04-24 | 2023-03-31 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测系统 |
WO2021164317A1 (zh) * | 2020-02-18 | 2021-08-26 | 腾讯科技(深圳)有限公司 | 序列挖掘模型的训练方法、序列数据的处理方法及设备 |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及系统 |
CN113435595A (zh) * | 2021-07-08 | 2021-09-24 | 南京理工大学 | 基于自然进化策略的极限学习机网络参数两阶段优化方法 |
CN113435595B (zh) * | 2021-07-08 | 2024-02-06 | 南京理工大学 | 基于自然进化策略的极限学习机网络参数两阶段优化方法 |
CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
CN117057257A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
CN117057257B (zh) * | 2023-10-11 | 2024-01-26 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109255477B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255477A (zh) | 一种基于深度极限学习机的风速预测方法及其系统和机组 | |
Kusiak et al. | Short-term prediction of wind farm power: A data mining approach | |
Amjadi et al. | Estimation of electricity demand of Iran using two heuristic algorithms | |
Huang et al. | Feature selection and hyper parameters optimization for short-term wind power forecast | |
Tahmasebifar et al. | A new hybrid model for point and probabilistic forecasting of wind power | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
Yang et al. | A reliability assessment approach for electric power systems considering wind power uncertainty | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
Woo et al. | Wind field-based short-term turbine response forecasting by stacked dilated convolutional LSTMs | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
Wang et al. | A novel approach to ultra-short-term multi-step wind power predictions based on encoder–decoder architecture in natural language processing | |
Zhang et al. | Semisupervised momentum prototype network for gearbox fault diagnosis under limited labeled samples | |
CN104915736A (zh) | 基于改进熵权法提高风电功率组合预测精度的方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN105160434A (zh) | 采用svm选取预测模型的风电功率爬坡事件预测方法 | |
Bokde et al. | Pattern sequence similarity based techniques for wind speed forecasting | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
KAV et al. | Hybrid Deep Learning Technique for Optimal Wind Mill Speed Estimation | |
Wang et al. | Support vector machine with particle swarm optimization for reservoir annual inflow forecasting | |
Rahaman et al. | Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
Pravilovic et al. | Wind power forecasting using time series cluster analysis | |
Praveena et al. | Wind power forecasting in short-term using Fuzzy K-means clustering and neural network | |
Sarathkumar et al. | Renewable energy resources forecasting model for virtual power plant in the deregulated electricity market using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |