CN109784473A

CN109784473A - 一种基于双时序特征学习的短期风功率预测方法

Info

Publication number: CN109784473A
Application number: CN201811523497.XA
Authority: CN
Inventors: 孙美君; 李攀; 王征
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2018-12-13
Filing date: 2018-12-13
Publication date: 2019-05-21

Abstract

本发明公开了一种基于双时序特征学习的短期风功率预测方法，所述方法包括以下步骤：构建训练集和测试集，同时将原始数据转换到带标签数据；采用奇异谱分析方法对原始风功率数据进行去燥和主成分选择；构建由1个局部时序学习模块、以及2个长短时记忆网络构成的双时序特征学习神经网络模型，根据所述神经网络模型的输入为不同时刻的局部风功率数据；所述神经网络模型将经过1个局部时序学习模块、以及2个长短时记忆网络处理后的双时序特征，通过一个全连接层输出，并进行最终的回归分析，得到t时刻待预测的t+1时刻的风功率值。本发明通过对原始数据的主成分选择和多尺度时序特征学习，最终实现对风电场单个风机发电功率的准确预测。

Description

一种基于双时序特征学习的短期风功率预测方法

技术领域

本发明涉及计算机数据预测领域，尤其涉及一种基于双时序特征学习的短期风功率预测方法，本发明通过对风功率历史数据进行噪声数据剔除、特征选择以及时序特征学习，实现对风场单个风机的风功率预测。

背景技术

由于日益严重的能源危机和环境污染问题，世界各国加大了对绿色能源的开发，以实现节能减排。风能作为绿色能源的重要增长点，其累计全球装机容量在过去的15年里大约增加了14倍，在2017年底达到了539.123GW。然而，风力发电的过程在时间和空间上都存在着一定的不确定性，这种不确定性会对风电系统的稳定和安全运行造成很大的影响。风功率预测作为一种有效的手段，可以在一定程度上缓解这种影响，并为风电系统运行的决策机制提供有用的辅助信息。

在过去的几十年里，风功率预测的算法得到了广泛的发展，这些预测方法可以大致被分为三类：1)基于物理数据的方法；2)基于统计信息的方法；3)基于人工智能的方法。其中，基于物理数据的方法虽然能够得到比较高的预测精度，但是其依赖于丰富的资源数据，比如地形，表面粗糙度，障碍物和气象信息数据等。特别地，数值天气预报(NumericalWeather Prediction，NWP)方法作为一种典型的基于物理数据的方法，已经被广泛地应用在新建立的风电场风能预测上，因为这种应用场景不需要任何的历史功率数据。然而，对大量天气数据的依赖和昂贵的计算成本限制了NWP方法的广泛使用。

另外，大多数已知的基于统计信息的方法主要通过依靠历史数据建立的统计模型来实现对风速，风向，温度，以及其他解释变量和风力之间关系的分析。但是，和前两种方法不同，得益于其强大的灵活性和自适应能力，基于人工智能的方法在诸多领域都得到了广泛的应用，其在数据预测领域的应用也在逐渐增加。例如：支持向量回归和神经网络，都是典型的基于人工智能的预测方法。

风机发电功率主要和风速以及风向有关，受天气变化的影响，风速和风向在时序上存在着很大的突变性，如何根据历史风功率数据进行精准的建模，仍然是一个十分具有挑战性的问题。

发明内容

本发明提供了一种基于双时序特征学习的短期风功率预测方法，本发明基于双时序特征学习神经网络模型(Bi-temporal Feature Learning Neural Networks，BTFLNN)，针对单个风机短期风电功率预测，模型主要基于奇异谱值分析，卷积神经网络和长短时记忆网络实现，通过对原始数据的主成分选择和多尺度时序特征学习，最终实现对风电场单个风机发电功率的准确预测，详见下文描述：

一种基于双时序特征学习的短期风功率预测方法，所述方法包括以下步骤：

构建训练集和测试集，同时将原始数据转换到带标签数据；

采用奇异谱分析方法对带标签数据进行去燥和主成分选择；

构建由1个局部时序学习模块、以及2个长短时记忆网络构成的双时序特征学习神经网络模型，根据所述神经网络模型的输入为不同时刻的局部风功率数据；

所述神经网络模型将经过1个局部时序学习模块、以及2个长短时记忆网络处理后的双时序特征，通过一个全连接层输出，并进行最终的回归分析，得到t时刻待预测的t+1时刻的风功率值。

其中，所述构建训练集和测试集具体为：

将数据量在基准线以上的风机作为实验研究对象，风机的60％使用数据被当做训练集，20％被用于性能验证，其余的20％则被用作测试集。

进一步地，所述局部时序学习模块由1维的卷积神经网络构成，包括：六个卷积层和三个池化层，卷积层的步长为1，卷积核的长度为3，池化层的步长为3。

其中，所述长短时记忆网络用于实现对不同时刻数据的特征学习和向后传递。

在综合考虑时序数据空间维度低，噪声大的情况下，针对性地提出了短期和长期时序信息相结合的双时序特征学习神经网络模型，实现对单个风机短期风电功率的预测，有益效果具体地：

1、采用奇异谱分析方法对原始的风功率数据进行主成分选择和去燥，达到了数据净化的效果，有效地提高了风功率模型BTFLNN的预测精度；

2、采用基于一维卷积神经网络(1-Dimensional Convolutional NeuralNetworks,简称1-DCNN)构成的局部时序学习模块T-1DCNN，充分学习风功率数据在局部时序上的相互关联性；

3、为了进一步提升模型在时序上的学习能力，在T-1DCNN的基础上添加了由两个LSTM单元构成的T-2LSTM模块，以实现对数据全局时序特征的提取，从而使模型具有同时获取局部和全局双时序特征的能力，提高了模型的鲁棒性。

附图说明

图1为26号风机到50号风机数据集的实际数据量的示意图；

图2为原始数据到训练数据的转换示意图；

图3为双时序特征学习神经网络的整体结构图；

图4为双时序特征学习模型在取不同长度的输入数据时对应的NMAE和RMSE值的示意图；

图5为在27号风机数据集上的部分预测结果与真实值的对比曲线的示意图；

图6为在27号风机数据集上的部分预测误差曲线的示意图；

图7为在30号风机数据集上的部分预测结果与真实值的对比曲线的示意图；

图8为在30号风机数据集上的部分预测误差曲线的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

现有技术中的对风功率数据的预测目前存在着两个主要问题：

1、数据噪声大：在实践中，历史风功率数据往往含有大量的噪音成分，这些噪音数据会在一定程度上影响预测模型的预测精度。

2、数据空间维度低：历史风功率数据的空间维度可能会很低，也就是说，与风功率有关的解释性变量类型很少。在这种情况下，低维的历史数据对于空间维度的特征提取十分不利。

实施例1

一种基于双时序特征学习的短期风功率预测方法，该方法基于双时序特征学习神经网络模型(BTFLNN)，其预测技术的关键点在于：1)有效的数据去噪；2)充分的时序特征提取。

整个BTFLNN模型的主要设计和分析流程可以分为以下四个部分：1)数据选择与转换；2)数据去噪及主成分选择；3)数据的双时序特征学习及风功率回归分析；4)BTFLNN模型预测结果分析。

该方法包括以下步骤：

101：构建训练集和测试集，同时将原始数据转换到带标签数据；

102：采用奇异谱分析方法对带标签数据进行去燥和主成分选择；

103：构建由1个局部时序学习模块、以及2个长短时记忆网络构成的双时序特征学习神经网络模型，根据所述神经网络模型的输入为不同时刻的局部风功率数据；

104：神经网络模型将经过1个局部时序学习模块、以及2个长短时记忆网络处理后的双时序特征，通过一个全连接层输出，并进行最终的回归分析，得到t时刻待预测的t+1时刻的风功率值。

综上所述，本方法提出了短期和长期时序信息相结合的双时序特征学习神经网络模型，实现对单个风机短期风电功率的预测。

实施例2

下面结合具体的实例、数学公式、图1-图3，对实施例1中的方案进行进一步地介绍，详见下文描述：

一、数据选择与转换

本发明实施例中的实验数据集来源于中国湖南省郴州市的一个风电场，数据集中包含了该风电场从2017年1月1日00：00到2018年9月9号23:50，第26号到50号风机的所有数据。具体地，这25个风机的装机容量都为2000KW，数据的时间分辨率为10分钟，采集的数据包含五个变量，分别是：机舱外的平均温度，无功功率，有功功率，风速和风向。由于无功功率为无关变量(对模型的设计实现没有助益)，所以将该变量剔除，剩下其余的四个相关变量。另外，在实际场景中，风机断网是一个十分常见的现象，所以采集得到的历史风功率数据存在着一定程度的数据丢失。如图1所示，26号风机到50号风机的实际数据量参差不齐，其中，虚线是数据量的基准线。为了保证数据的充分性，实验中最终选取了数据量在基准线以上27-34号以及40和41号风机共十台风机作为实验研究对象。具体地，在实验中，这十台风机的数据使用情况为：60％被当做训练集，20％被用于模型性能验证，其余的20％则被用作测试集。

由于原始风功率数据没有标签数据来作为监督信息，无法实现神经网络模型的监督学习，所以，首先需要对数据进行转换，以生成带标签的训练数据。图2展示了从原始数据转换到带标签数据的过程。子图(a)表示原始功率数据，第一列代表时间，第二列V₁表示目标功率变量，剩下的V₂-V_m表示相关的解释变量。子图(b)表示转换后的带标签训练数据，其中最后一列V₁ ^T+1是标签数据，它是通过将(a)中的V₁列向前移动一个时间单位得到的，其表示当前时刻T下待预测的下一个时刻的功率值。

二、数据去噪及主成分选择

奇异谱分析(Singular Spectrum Analysis，简称SSA)是一种用于分析和预测时序数据的非线性方法，大量的实验证明了其在时序数据分析中的有效性。因此，本实验采用奇异谱分析方法对原始风功率数据进行去燥和主成分选择。具体地，奇异谱分析方法的处理流程可以分为以下四步：

2.1 Embedding(嵌入)

定义1维的时间序列数据Y_T＝(y₁,…,y_T)，Y_T的长度为N，L(1＜L＜N)为可调节的窗口长度，K＝N-L+1，那么向量Y_T的轨迹矩阵X_L×K可以被表示为：

其中，y_T为时间序列Y_T的组成元素，x_ij为轨迹矩阵X_L×K的组成元素。

2.2 SVD(奇异值分解)

令S＝XX^T，{λ_i|i∈[1,L]}为S的特征值，并假设λ₁＞λ₂＞...＞λ_L(降序排列)。{U_i|i∈[1,L]}为S对应于λ_i的特征值。定义d＝max{i|λ_i＞0}，向量经过奇异值分解后的轨迹矩阵X可以表示如下：

2.3 Eigentriple grouping(分组)

分组的目的是找出前r个与时序数据相关的主成分，并排除掉剩下的d-r个噪音成分。令组I＝I₁,…,I_r＝I_k(k＝1,…,r)，噪音成分为ε，则经分组后的轨迹矩阵X可以重新表示为：

其中，为经过选择以后的主成分结果矩阵，为剩下的噪音成分矩阵。

2.4 Diagonal averaging(对角线平均)

将矩阵X_Ik转换成其所对应的时间序列数据每一组数据代表原序列的某一运动特征，如长期趋势，季节性趋势等。通过得到对应第k组的时序数据的算法描述如下：

Input:轨迹矩阵X的长度L和宽度N，时序数据Y_T的长度N，步骤2.3中得到的结果矩阵

Output:第k组的时间数据

Initial:n＝1,L_p＝min(L,K),K_p＝max(L,K)

while 1≤n and n＜L_p do

n＝n+1

end

while L_p≤n and n≤K_p do

n＝n+1

end

while K_p+1≤n and n≤N do

n＝n+1

end

最终经过选择后的主成分时序数据s_n可以表示为

三、数据的双时序特征学习

双时序特征学习神经网络模型BTFLNN的整体结构如图3所示，双时序特征学习分为局部时序特征学习和全局时序特征学习，分别通过子模块T-1DCNN和子模块T-2LSTM实现。

其中，T-1DCNN由1维的卷积神经网络构成，包括六个卷积层和三个池化层，卷积层的步长为1，卷积核的长度为3，池化层的步长为3。图中Conv1D3,100的意思是当前层为1维的卷积层，卷积核的长度为3，卷积核的个数是100。T-2LSTM由长短时记忆网络(LSTM)构成，通过使用2cellsLSTM来实现对不同时刻数据的特征学习和向后传递。

具体地，2cellsLSTM由两层LSTM组成，LSTM的内部结构组成展示在图3中的2cellsLSTM部分。该模型的输入为不同时刻的局部风功率数据，这个局部风功率数据由当前时刻T，以及前n-1个时刻的数据构成。模型将经过T-1DCNN模块和T-2LSTM模块处理后的双时序特征通过一个只有单输出的全连接层，进行最终的回归分析，得到对应于当前时刻t的下一时刻t+1的风功率值，也就是t时刻待预测的t+1时刻的风功率值。

综上所述，本方法在T-1DCNN的基础上添加了由两个LSTM单元构成的T-2LSTM模块，以实现对数据全局时序特征的提取，从而使模型具有同时获取局部和全局双时序特征的能力，提高了模型的鲁棒性。

实施例3

下面结合图4-图8对实施例1和2中的方案进行可行性验证，详见下文描述：

本实验采用数据预测实验中常用的两个评价指标：平均绝对误差(NMAE)和均方根误差(NRMSE)，来对双时序特征学习神经网络模型BTFLNN的预测性能进行验证。其中NMAE是线性评价指标，NRMSE是二次评价指标，其对误差更加的敏感。NMAE和NRMSE的计算方法描述如下(值越低，表明模型效果越好)：

其中，p_inst为风机的装机容量，N为时序数据的长度，x'_n为预测值，x_n为实际测量值。

图4展示了模型的输入数据在27号风机数据集上取不同的长度值时，所对应的NMAE和NRMSE结果，图4中的主纵坐标轴表示NMAE值，次纵坐标轴表示NRMSE值。可以看到，当输入数据的长度n＝4时，NMAE和NRMSE的值最低，表明模型的预测效果最好。

图5和图6展示了在27号风机数据集上的部分预测结果与真实值的对比曲线以及预测误差曲线，图7和图8展示了在30号风机数据集上的部分预测结果与真实值的对比曲线以及预测误差曲线。这里的误差值通过计算预测值与真实测量值的差值得到。从图5-图8中的预测结果和预测误差曲线可以看出，本发明实施例提供的这种双时序学习神经网络预测方法可以准确的得到风功率的预测值。

实施例4

本方法在真实的10台风机数据集上做了大量的实验来比较所提出的方法与目前经典的相关方法的预测精度。本部分实验环境是PyCharm 2018.1，python 2.7，cuda 9.0，cudnn 7.0，tensorflow-gpu 1.12，keras 2.2.4，编程语言为python，实验机器配置为12G内存，Intel core i7-4790 3.6GHZ处理器，GeForce GTX 745显卡，ubuntu 16.04LTS系统。

本方法对比了支持向量回归(Support Vector Regression，简称SVR)，随机森林回归(Random Forest Regression，简称RFR)，k邻近搜索(k-Nearest Neighbir，简称KNN)，多层感知机(Multilayer Perceptrons，简称MLP)，循环神经网络(Recurrent NeuralNetwork，简称RNN)和本发明提出的模型BTFLNN在10个风机数据集上的预测精度。

表1展示了不同方法的NRMSE值，从整体上看，在数据经过SSA预处理后，不同方法的预测误差都有明显的改善，特别是对于本方法提出的预测模型BTFLNN，其NRMSE值有着倍数级的下降，这充分地说明了本方法在风功率数据去噪上的有效性。从细节上看，神经网络的方法要优于机器学习的方法，而且这种优势在无SSA预处理时并不明显，但是当数据经过SSA预处理后，这种优势显得十分的明显，这说明SSA方法在提高神经网络方法的预测性能上也有着突出的辅助作。

综上所述，SSA方法的贡献总结为以下两点：1)SSA方法可以有效地去除历史风功率数据中的噪音成分；2)SSA方法可以在一定程度上凸显神经网络方法的预测性能。

对BTFLNN的预测性能进行定量分析，如表2所示，其前半部分说明了在不同的数据集上使用的训练集、验证集和测试集的数据量及比例，其后半部分展示了不同方法在10个风机数据集上的NMAE值。从表1和表2中都不难看出BTFLNN的预测性能不仅优于经典的机器学习算法，也优于用于处理时序数据的经典循环神经网络算法。值得一提的是，BTFLNN在10个风机数据集上都取得了最优的预测性能，这充分地说明了BTFLNN的鲁棒性和泛化能力。

表1多种方法在经过SSA预处理和没经过SSA预处理的10台风机数据集上的NRMSE(％)值

说明：上表为表1，前半部分展示的是不同方法在没有经过SSA预处理的数据上的NRMSE值，后半部分展示的是不同方法在经过SSA预处理的数据上的NRMSE值。

表2不同的预测方法在经过SSA预处理的10台风机数据集上的NMAE(％)值

说明：上表为表2，前半部分展示的是实验中每个数据集的使用比例，后半部分展示的是不同方法在经过SSA预处理的数据上的NMAE值。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于双时序特征学习的短期风功率预测方法，其特征在于，所述方法包括以下步骤：

构建训练集和测试集，同时将原始数据转换到带标签数据；

采用奇异谱分析方法对带标签数据进行去燥和主成分选择；

2.根据权利要求1所述的一种基于双时序特征学习的短期风功率预测方法，其特征在于，所述构建训练集和测试集具体为：

将数据量在基准线以上的风机作为实验研究对象，风机的60％使用数据作为训练集，20％被用于性能验证，其余的20％则作为测试集。

3.根据权利要求1所述的一种基于双时序特征学习的短期风功率预测方法，其特征在于，所述局部时序学习模块由1维的卷积神经网络构成，包括：六个卷积层和三个池化层，卷积层的步长为1，卷积核的长度为3，池化层的步长为3。

4.根据权利要求1所述的一种基于双时序特征学习的短期风功率预测方法，其特征在于，所述长短时记忆网络用于实现对不同时刻数据的特征学习和向后传递。