CN110458316A - 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 - Google Patents

一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 Download PDF

Info

Publication number
CN110458316A
CN110458316A CN201910425135.5A CN201910425135A CN110458316A CN 110458316 A CN110458316 A CN 110458316A CN 201910425135 A CN201910425135 A CN 201910425135A CN 110458316 A CN110458316 A CN 110458316A
Authority
CN
China
Prior art keywords
value
vector
empirical mode
series
decomposed
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.)
Pending
Application number
CN201910425135.5A
Other languages
English (en)
Inventor
邓长虹
梁效文
陈满
李定林
彭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Wuhan University WHU
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Wuhan University WHU
Priority to CN201910425135.5A priority Critical patent/CN110458316A/zh
Publication of CN110458316A publication Critical patent/CN110458316A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法。本发明先对风速时间序列进行集合经验模态分解，并利用样本熵原理对各分量进行重组，从而降低风速时间序列的波动性；接着利用深度学习的方法对不同频率的信号进行建模预测；叠加得到海上风速的短期预测结果，并结合海上风力发电机组的实际风速—功率曲线得到海上风电功率短期预测值。本方法根据海上风速的波动特性与季节特性训练不同的模型，选取合适的模型后便可进行预测，避免了重复训练，在提高了海上风电功率预测精度的同时也提高了预测效率。

Description

一种基于集合经验模态分解与LSTM网络的海上风电功率短期 预测方法
技术领域
本发明属于海上风电功率预测领域，具体涉及一种海上风电功率短期预测方 法。
背景技术
随着全球经济的不断发展，煤炭、石油等化石能源的枯竭问题已成为人类不 可逃避的现实问题。与此同时，大量温室气体排放造成的温室效应也愈发严重， 据科学家合理推测21世纪末的全球平均气温相比工业革命之前将会升高2.2— 7.5摄氏度。而对新能源的开发与利用是上诉问题的有效解决办法。我国发展较 好的是陆上风电场，而在海上风电方面我国还是明显落后的，但海上风电场不仅 距离我国的用电负荷中心近；而且海上风力发电机组的产能比陆上风力发电机组 高出70％以上；更为主要的是海上风电场的建立既能保证耕地红线还不会带来噪 声污染。
陆上风电与海上风电都具有极强的随机性及波动性，但其两者不同的是：陆 上风电整体呈“夏大冬小”的特征与我国用电负荷的特征相；，而海上风电则与 前两者不同，呈现“夏小冬大”的特征，即海上风电的反调峰特性更为明显；其 大量接入会对电网调峰、调频带来更为严峻的挑战；因此，海上风电预测对精度 的要求会比陆上风电预测更高。
海上风力发电技术的研究现在还处于初级阶段，对海上风电预测的主要方法 有神经网络、马尔科夫链、支持向量机、时间序列法等；而人工神经网络预测的 基础是大量的历史运行数据，即便拥有了大量的历史运行数据模型也容易陷入局 部最优或者过拟合，不仅如此模型的训练速度慢、泛化能力也不佳；支持向量机 (Support Vector Machine,SVM)的最大难点是对于不同预测对象及问题需要选择 不同的最佳核函数及其参数。
发明内容
为了解决现有技术的不足，本发明提出了一种海上风电功率短期预测方法； 通过改良的输入信息、集合经验模态分解与LSTM网络相结合的方式，并与海 上风力发电机组的实际风速—功率曲线相结合实现对海上风电功率的间接预测。
本发明所采用的技术方案如下：
一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法， 其特征在于，包含如下步骤：
步骤1、对异常数据进行识别、删除与补充：识别海上风速数据中的异常数 据并用当季典型日的数据将其替代；
步骤2、海上风速序列的分解：采用集合经验模态分解法对海上风速序列进 行分解；
步骤3、分解后风速序列的重组：利用样本熵原理对分解后的海上风速序列 进行重组，得到不同波动等级的风速序列；
步骤4、输入数据的选取，预测模型其实是在寻找输入输出量之间的映射关 系，若将全部影响因素作为输入的话必将引起维数灾难，甚至会造成过拟合现象 的产生；但若一味的追求模型训练难度的降低而减少输入量，则会降低预测精度； 根据对海上风速的分析，本发明选取预测日前三天24点的历史风速分量、预测 日所在季节、波动等级作为特征量；
步骤5、对输入数据进行归一化处理：针对训练数据作归一化处理；
步骤6、将处理后的输入数据打包成元胞；
步骤7、LSTM网络的训练：将同一季节内同一波动等级的风速序列作为一 个训练样本，在每个样本集中以t、t+1、t+2天的风速值训练网络，用t+3天的 风速值对网络进行检验；
步骤8、LSTM网络的模型预测：利用训练好的LSTM网络，将数据元胞输 入网络中，得到未来24小时的海上风速预测值。
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，所述步骤1中，具体识别方法为二次指数平滑法：定义海上风力发电机组 的功率时间序列为{FM+T}，则二次指数平滑法的预测公式为：
FM+T＝aM+bMT
FM+T为M+T的海上风电功率预测值，T为M时刻到预测期的间隔期数，aM、 bM为参数；
SM (1)和分别为一次指数平滑值和二次指数平滑值；
其中，a为权重系数，取值范围为[0,1]；xM为第t时刻的海上风力发电功率 实测值；
根据下式判定第t时刻的功率值是否有效，不满足则标记为异常值；
St-1-kσ＜xt＜St-1+kσ
其中，k是根据小概率事件统计原理确定的参数值；σ为距离预测时刻最近 的k个观测功率的标准差；通过给定k和σ的值，若实际功率值在区间内，则 判定数据为有效，否则标记为无效，并将该数据点删除。
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，所述步骤1中，设置根据小概率事件统计原理确定的参数值k为3，权重 系数a为0.2，距离预测时刻最近的4个观测功率的标准差取为σ。
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，所述步骤2以集合经验模态分解法对海上风速序列进行分解，具体包括：
步骤4.1、确定白噪声幅值标准差占原始海上风速数据序列的比率k以及 EMD重复的总次数M，同时迭代次数N初始化为1；
步骤4.2、引入高斯白噪声序列nm(t)后，需将其与原始海上风速时间序列相 加，从而得到加噪后新的待分解的海上风速时间序 列：
xm(t)＝x(t)+knm(t)
步骤4.3、进行第N次EMD分解；初始化筛分次数i＝1，具体包括：
A、分离出待分解海上风速序列中xm(t)的所有极值点(极大值点与极小值点)； 再采用三次样条差值函数对待分解海上风速序列的极大极小值分别拟合，得到待 分解海上风速序列xm(t)的上下两条包络线，分别为uN(t)和lN(t)；并计算得到上 包络线和下包络线的平均值averN(t)：
定义局部信息hN(t)为待分解的海上风速时间序列与包络线平均值序列的差 值，提取hN(t)：
hN(t)＝xm(t)-averN(t)
B、判断hN(t)是否满足IMF的筛选条件：
a.hN(t)中极大值点与极小值点之和与过零点数量相差不超过一个；
b.上下包络线的平均值为零；
若满足，则得出第i次的IMF分量如式(4.8)所示；若不满足，则将hN(t)做 为新的待分解信号，重复步骤(3)直至满足IMF的筛选条件；
剩余分量可以用下式表示：
ri,N(t)＝xm(t)-ci,N(t) (4.9)
C、判断剩余分量ri,N(t)是否满足分解终止条件；一般用连续两次筛分结果的 标准差σ小于给定阈值σmax作为分解的终止条件：
若不满足条件，则i＝i+1，将剩余分量作为下一次的待分解信号，重复以上 步骤；若满足条件，则分解终止；输出n个IMF分量ci,N(t)和一个剩余分量ri,N(t)；
D、若N<M，N＝N+1，返回步骤4.3，若N>M则进入步骤步骤4.4；
步骤4.4、如下式计算M次EMD分解输出的IMF分量及剩余分量平均值；
步骤4.5、输出原始海上风速序列经EEMD分解后的第n个IMF分量和剩 余分量分别为和
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，所述步骤3以样本熵原理对风速分量的波动进行分级与重组，具体过程如 下：
步骤5.1、对原始序列进行相空间重构：将序列{x(i)}中m个连续的元素组成 新的向量{Xm(1),...,Xm(N-m)}：
Xm(i)＝[x(i),x(i+1),...,x(i+m-1)]i＝1,2,...,N-m+1
步骤5.2、计算相似度；定义两向量Xm(i)与Xm(j)中对应元素的最大差值为其 两者的距离dm[Xm(i),Xm(j)]：
步骤5.3、给定相似容限r；统计与各向量距离小于相似容限r的向量个数， 并计算其在距离总数N-m中的占比Bi m(r)，并用其表示其余向量与向量Xm(i)的 匹配概率：
步骤5.4、增加向量的维数m，更新向量，得到为m+1维的Xm+1(i)，重复上 述步骤，得到其余向量与新向量Xm+1(i)的匹配概率：
步骤5.5、计算和的平均值分别为：
步骤5.6、则可根据下式得到该数据序列样本熵：
SampEn(N,m,r)＝-ln[Bm+1(r)/Bm(r)]。
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，述步骤5中归一化处理公式为：
式中：xn为处理前的输入数据值，μ为处理前输入数据的均值，σ为处理前输入 数据的标准差，x为处理后的输入数据。
在上的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测 方法，所述LSTM深度学习网络包含输入层、隐含层、输出层3个部分，隐含 层又包含记忆单元，输入门、遗忘门与输出门。
本发明的所达到的有益效果：在LSTM深度学习网络中，考虑到海上风电 的功率的季节特性与波动特性从而训练合适数量的模型，通过合适模型的选择， 获取目标时刻的预测值。
附图说明
图1为海上风电功率短期预测方法的流程图。
图2为海上风电功率短期预测方法中LSTM深度学习网络的结构示意图。
具体实施方式
下面对本发明做进一步描述。以下实施例仅用于更加清楚的说明本发明的技 术方案，而不能以此来限制本发明的保护范围。
本发明涉及一种基于集合经验模态分解与LSTM深度学习网络的海上风电 功率短期预测方法，其具体步骤如下：
步骤1)识别海上风速数据中的异常数据并用当季典型日的数据将其替代；
具体识别方法为二次指数平滑法：假设海上风力发电机组的功率时间序列为{FM+T}，则二次指数平滑法的预测公式为：
FM+T＝aM+bMT
FM+T为M+T的海上风电功率预测值，T为M时刻到预测期的间隔期数，aM、 bM为参数。
SM (1)和分别为一次指数平滑值和二次指数平滑值。
其中，a为权重系数，取值范围为[0,1]；xM为第t时刻的海上风力发电功率 实测值。
本发明根据下式判定第t时刻的功率值是否有效，不满足则标记为异常值。
St-1-kσ＜xt＜St-1+kσ
其中，k是根据小概率事件统计原理确定的参数值；σ为距离预测时刻最近 的k个观测功率的标准差。通过给定k和σ的值，若实际功率值在区间内，则 判定数据为有效，否则标记为无效，并将该数据点删除。在本发明中，设置根据 小概率事件统计原理确定的参数值k为3，权重系数a为0.2，距离预测时刻最 近的4个观测功率的标准差取为σ。
步骤2)采用集合经验模态分解法对海上风速序列进行分解；
具体过程如下：
(1)首先，要确定白噪声幅值标准差占原始海上风速数据序列的比率k以及 EMD重复的总次数M，同时迭代次数N初始化为1；
(2)引入高斯白噪声序列nm(t)后，需将其与原始海上风速时间序列相加，从 而得到加噪后新的待分解的海上风速时间序列：
(3)进行第N次EMD分解。初始化筛分次数i＝1。
①分离出待分解海上风速序列中xm(t)的所有极值点(极大值点与极小值点)；再采用三次样条差值函数对待分解海上风速序列的极大极小值分别拟合，得到待分 解海上风速序列xm(t)的上下两条包络线，分别为uN(t)和lN(t)；并计算得到上包 络线和下包络线的平均值averN(t)：
定义局部信息hN(t)为待分解的海上风速时间序列与包络线平均值序列的差 值，提取hN(t)：
hN(t)＝xm(t)-averN(t) ②判断hN(t)是否满足IMF的筛选条件：
a.hN(t)中极大值点与极小值点之和与过零点数量相差不超过一个；
b.上下包络线的平均值为零。
若满足，则得出第i次的IMF分量如式(4.8)所示；若不满足，则将hN(t)做 为新的待分解信号，重复步骤(3)直至满足IMF的筛选条件。
ci,N(t)＝hN(t)
剩余分量可以用下式表示：
ri,N(t)＝xm(t)-ci,N(t) (4.9) ③判断剩余分量ri,N(t)是否满足分解终止条件。一般用连续两次筛分结果的标准 差σ小于给定阈值σmax作为分解的终止条件：
若不满足条件，则i＝i+1，将剩余分量作为下一次的待分解信号，重复以上 步骤；若满足条件，则分解终止。输出n个IMF分量ci,N(t)和一个剩余分量ri,N(t)。 ④若N<M，N＝N+1，返回步骤(3)，若N>M则进入步骤(4)。
(4)如下式计算M次EMD分解输出的IMF分量及剩余分量平均值。
(5)输出原始海上风速序列经EEMD分解后的第n个IMF分量和剩余分 量分别为和
步骤3)利用样本熵原理对分解后的海上风速序列进行重组，得到不同波动 等级的风速序列；
具体过程如下：
(1)对原始序列进行相空间重构：将序列{x(i)}中m个连续的元素组成新的向 量{Xm(1),...,Xm(N-m)}：
Xm(i)＝[x(i),x(i+1),...,x(i+m-1)]i＝1,2,...,N-m+1
(2)计算相似度。定义两向量Xm(i)与Xm(j)中对应元素的最大差值为其两者的 距离dm[Xm(i),Xm(j)]：
(3)给定相似容限r。统计与各向量距离小于相似容限r的向量个数，并计算 其在距离总数N-m中的占比Bi m(r)，并用其表示其余向量与向量Xm(i)的匹配概 率：
(4)增加向量的维数m，更新向量，得到为m+1维的Xm+1(i)，重复上述步骤， 得到其余向量与新向量Xm+1(i)的匹配概率：
(5)计算Bi m(r)和Bi m+1(r)的平均值分别为：
(6)则可根据下式得到该数据序列样本熵：
SampEn(N,m,r)＝-ln[Bm+1(r)/Bm(r)]
样本熵值大小与向量的嵌入维度m和给定的相似容限r值密切相关。嵌入 维度m＝1或2，且相似容限r为数据序列标准差的0.1～0.25倍时，样本熵拥有最 强的对序列长度的依赖性，即此时样本熵(SampEn)的计算最符合统计特性；因此 一般情况下嵌入维度m取值为1或2，而相似容限r取为数据序列标准差的 0.1～0.25倍。本发明样本熵的计算中取嵌入维度m为2，相似容限r为0.2倍的 标准差。
步骤4)选取输入数据的选取，具体方法是通过对海上风速序列进行平行相 关性与季特性分析。
平行相关性分析过程如下：
第一天24点的风速值构成第一个矢量，记录为X1。矩阵按时间顺序排列， 得到矢量X，即：
X＝[X1,X2,...,Xi,...,XN]24×N
矩阵X中随机两列记录为Xj和Xk之间的相关系数记录为rjk，计算相关系数 的公式如下式：
式中，Cov(Xj，Xk)表示向量Xj和向量Xk之间的协方差，Var(Xj)和Var(Xk)分 别是向量Xj和向量Xk的方差。矩阵R的组成元素是所有平行相关系数：
矩阵R内的第i行表示第j天向量与其前n(n＝1,2,…,7)天向量间的平行相关 系数。
步骤5)对输入数据进行归一化处理：
本发明采用的归一化方法是均值-标准差(Z-score)法，其具体公式如下：
式中：xn为处理前的输入数据值，μ为处理前输入数据的均值，σ为处理前 输入数据的标准差，x为处理后的输入数据。最后需要对LSTM预测模型输出的 预测时刻的海上风速预测结果进行反归一化处理，赋予其实际物理意义。
步骤6)将处理后的数据打包成元胞输入LSTM网络中；
步骤7)将同一季节内同一波动等级的风速序列作为一个训练样本，在每个 样本集中以t、t+1、t+2天的风速值训练网络，用t+3天的风速值对网络进行检 验，得到多个训练好的网络。
LSTM网络具体学习过程如下：
随机初始化LSTM网络的偏置与权重。计算出误差函数并将误差反向传播 用以更新网络中各权值，在模型训练过程中记忆单元的参数更新公式以及三种门 的逻辑运算如下：
输入门(Input Gate)的数值取值范围为[0,1]，是由当前时刻的输入元胞值和 上一时刻的输出风速值共同确定的。再通过输入门值来确定哪些值是用来进行更 新，并通过tanh层产生新的信息Ct，并将其存储在记忆单元(Cell)中。其公式如 下：
It＝σ(Wi·[ht-1,xt]+bi)
C't＝tanh(WC·[ht-1,xt]+bC)
遗忘门(Forget Gate)的数值取值范围也是[0,1]，并且遗忘门(Forget Gate)的数值大小也是由当前时刻的输入元胞和上一时刻的输出风速值来共同确定的。再 通过该值决定上一时刻的信息Ct-1是否进入当前记忆单元中，对LSTM网络中的 信息起到了筛选和选择的作用。其公式为：
Ft＝σ(Wf·[ht-1,xt]+bf)
参数更新：参数更新是根据遗忘门的数值和输入门的数值来进行的——输入 门自身的两个运算结果相乘从而达到选择性输入的目的；遗忘门的数值和记忆单 元的cellstate相乘从而进行选择性地遗忘，叠加两个选择性的最终结果即可得到 更新后的结果，公式为：
在更新过程中，存储于当前层的对应某个门的权值表示为W，存储于当前层 的对应某个门的偏置值表示为b。
输出门：参数更新后，可以通过输出门(Output Gate)的数值进行风速值的有 选择输出，公式为：
ht＝Ot*tanh(Ct)
风速值按下式实现有选择的输出：
式中，Wyi表示第i次输出层的权重矩阵，且σ为其激活函数。
不难发现，整个LSTM网络的学习过程中会产生大量的参数，不同门的权 值W也不同，不同时刻值的同一个门的权值W也不同，因此按照下式将权值更 新公式中的权重值W分解：
本模型中预测误差E的计算函数为：
式中，Yreal为风速实测值。
若风速预测误差依梯度传播，则当前时刻误差项δt的计算公式为：
由于LSTM之间网络中是将上一时刻的误差反向传输，因此上一时刻(t-1) 的误差计算公式如下式：
由上述可知，当前时刻隐含层的输出ht是一个多层的复合函数。
上式中nn为对应函数的输入量。
进而推导得到：
推出某时刻对应权重的偏导为：
将所有时刻的误差累积便得到了最终误差，因此最终误差表达式为：
误差反向传输后，看最终误差是否小于设定阈值或者训练次数达设定最大值， 如果两者之一都不满足，则调整参数，进行输出，如此反复循环直至满足两个停 止训练的条件之一，就此完成网络的训练，将网络存储。
步骤8)利用训练好的LSTM网络，将数据元胞输入网络中，得到未来24 小时的海上风速预测值。
本发明在LSTM深度学习网络中考虑了还是那个风电的季节特性与波动特 性从而训练合适数量的模型，通过合适模型的选择，获取目标时刻的预测值。
以上所述仅是本发明的优选实施方案，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明技术原理的前提下，还可做出若干改进与变形，这 些改进与变形也应视为本发明的保护范围。

Claims (7)

1.一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，包含如下步骤：
步骤1、对异常数据进行识别、删除与补充：识别海上风速数据中的异常数据并用当季典型日的数据将其替代；
步骤2、海上风速序列的分解：采用集合经验模态分解法对海上风速序列进行分解；
步骤3、分解后风速序列的重组：利用样本熵原理对分解后的海上风速序列进行重组，得到不同波动等级的风速序列；
步骤4、输入数据的选取，预测模型其实是在寻找输入输出量之间的映射关系，若将全部影响因素作为输入的话必将引起维数灾难，甚至会造成过拟合现象的产生；但若一味的追求模型训练难度的降低而减少输入量，则会降低预测精度；根据对海上风速的分析，本发明选取预测日前三天24点的历史风速分量、预测日所在季节、波动等级作为特征量；
步骤5、对输入数据进行归一化处理：针对训练数据作归一化处理；
步骤6、将处理后的输入数据打包成元胞；
步骤7、LSTM网络的训练：将同一季节内同一波动等级的风速序列作为一个训练样本，在每个样本集中以t、t+1、t+2天的风速值训练网络，用t+3天的风速值对网络进行检验；
步骤8、LSTM网络的模型预测：利用训练好的LSTM网络，将数据元胞输入网络中，得到未来24小时的海上风速预测值。
2.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤1中，具体识别方法为二次指数平滑法：定义海上风力发电机组的功率时间序列为{FM+T}，则二次指数平滑法的预测公式为：
FM+T＝aM+bMT
FM+T为M+T的海上风电功率预测值，T为M时刻到预测期的间隔期数，aM、bM为参数；
SM (1)和SM 21)分别为一次指数平滑值和二次指数平滑值；
其中，a为权重系数，取值范围为[0,1]；xM为第t时刻的海上风力发电功率实测值；
根据下式判定第t时刻的功率值是否有效，不满足则标记为异常值；
St-1-kσ＜xt＜St-1+kσ
其中，k是根据小概率事件统计原理确定的参数值；σ为距离预测时刻最近的k个观测功率的标准差；通过给定k和σ的值，若实际功率值在区间内，则判定数据为有效，否则标记为无效，并将该数据点删除。
3.根据权利要求2所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤1中，设置根据小概率事件统计原理确定的参数值k为3，权重系数a为0.2，距离预测时刻最近的4个观测功率的标准差取为σ。
4.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤2以集合经验模态分解法对海上风速序列进行分解，具体包括：
步骤4.1、确定白噪声幅值标准差占原始海上风速数据序列的比率k以及EMD重复的总次数M，同时迭代次数N初始化为1；
步骤4.2、引入高斯白噪声序列nm(t)后，需将其与原始海上风速时间序列相加，从而得到加噪后新的待分解的海上风速时间序列：
xm(t)＝x(t)+knm(t)
步骤4.3、进行第N次EMD分解；初始化筛分次数i＝1，具体包括：
A、分离出待分解海上风速序列中xm(t)的所有极值点(极大值点与极小值点)；再采用三次样条差值函数对待分解海上风速序列的极大极小值分别拟合，得到待分解海上风速序列xm(t)的上下两条包络线，分别为uN(t)和lN(t)；并计算得到上包络线和下包络线的平均值averN(t)：
定义局部信息hN(t)为待分解的海上风速时间序列与包络线平均值序列的差值，提取hN(t)：
hN(t)＝xm(t)-averN(t)
B、判断hN(t)是否满足IMF的筛选条件：
a.hN(t)中极大值点与极小值点之和与过零点数量相差不超过一个；
b.上下包络线的平均值为零；
若满足，则得出第i次的IMF分量如式(4.8)所示；若不满足，则将hN(t)做为新的待分解信号，重复步骤(3)直至满足IMF的筛选条件；
ci,N(t)＝hN(t)
剩余分量可以用下式表示：
ri,N(t)＝xm(t)-ci,N(t) (4.9)
C、判断剩余分量ri,N(t)是否满足分解终止条件；一般用连续两次筛分结果的标准差σ小于给定阈值σmax作为分解的终止条件：
若不满足条件，则i＝i+1，将剩余分量作为下一次的待分解信号，重复以上步骤；若满足条件，则分解终止；输出n个IMF分量ci,N(t)和一个剩余分量ri,N(t)；
D、若N<M，N＝N+1，返回步骤4.3，若N>M则进入步骤步骤4.4；
步骤4.4、如下式计算M次EMD分解输出的IMF分量及剩余分量平均值；
步骤4.5、输出原始海上风速序列经EEMD分解后的第n个IMF分量和剩余分量分别为和
5.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤3以样本熵原理对风速分量的波动进行分级与重组，具体过程如下：
步骤5.1、对原始序列进行相空间重构：将序列{x(i)}中m个连续的元素组成新的向量{Xm(1),...,Xm(N-m)}：
Xm(i)＝[x(i),x(i+1),...,x(i+m-1)]i＝1,2,...,N-m+1
步骤5.2、计算相似度；定义两向量Xm(i)与Xm(j)中对应元素的最大差值为其两者的距离dm[Xm(i),Xm(j)]：
步骤5.3、给定相似容限r；统计与各向量距离小于相似容限r的向量个数，并计算其在距离总数N-m中的占比Bi m(r)，并用其表示其余向量与向量Xm(i)的匹配概率：
步骤5.4、增加向量的维数m，更新向量，得到为m+1维的Xm+1(i)，重复上述步骤，得到其余向量与新向量Xm+1(i)的匹配概率：
步骤5.5、计算Bi m(r)和Bi m+1(r)的平均值分别为：
步骤5.6、则可根据下式得到该数据序列样本熵：
SampEn(N,m,r)＝-ln[Bm+1(r)/Bm(r)]。
6.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤5中归一化处理公式为：
式中：xn为处理前的输入数据值，μ为处理前输入数据的均值，σ为处理前输入数据的标准差，x为处理后的输入数据。
7.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述LSTM深度学习网络包含输入层、隐含层、输出层3个部分，隐含层又包含记忆单元，输入门、遗忘门与输出门。
CN201910425135.5A 2019-05-21 2019-05-21 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 Pending CN110458316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910425135.5A CN110458316A (zh) 2019-05-21 2019-05-21 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910425135.5A CN110458316A (zh) 2019-05-21 2019-05-21 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法

Publications (1)

Publication Number Publication Date
CN110458316A true CN110458316A (zh) 2019-11-15

Family

ID=68481011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910425135.5A Pending CN110458316A (zh) 2019-05-21 2019-05-21 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法

Country Status (1)

Country Link
CN (1) CN110458316A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN110909931A (zh) * 2019-11-20 2020-03-24 成都理工大学 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111476402A (zh) * 2020-03-16 2020-07-31 云南电网有限责任公司 耦合气象信息与emd技术的风电发电能力预测方法
CN112465225A (zh) * 2020-11-27 2021-03-09 云南电网有限责任公司电力科学研究院 基于二次模态分解和级联深度学习的风电功率预测方法
CN112580899A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 一种融合机器学习模型的中长期风力发电预测方法及系统
CN112669168A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种风电功率短期预测方法
CN113111592A (zh) * 2021-05-06 2021-07-13 云南电力技术有限责任公司 一种基于emd-lstm的短期风电功率预测方法
CN113591957A (zh) * 2021-07-21 2021-11-02 国网上海市电力公司 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
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
CN115796231A (zh) * 2023-01-28 2023-03-14 湖南赛能环测科技有限公司 一种时态分析的超短期风速预测方法
CN116182949A (zh) * 2023-02-23 2023-05-30 中国人民解放军91977部队 一种海洋环境水质监测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN107766937A (zh) * 2017-09-11 2018-03-06 重庆大学 基于特征选取和循环神经网络的风电场功率超短期预测方法
CN109242143A (zh) * 2018-07-31 2019-01-18 中国电力科学研究院有限公司 一种神经网络风电功率预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN107766937A (zh) * 2017-09-11 2018-03-06 重庆大学 基于特征选取和循环神经网络的风电场功率超短期预测方法
CN109242143A (zh) * 2018-07-31 2019-01-18 中国电力科学研究院有限公司 一种神经网络风电功率预测方法及系统

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
@HANBINGTAO: "零基础入门深度学习(6) - 长短时记忆网络(LSTM)", pages 1 - 13, Retrieved from the Internet <URL:https://zybuluo.com/hanbingtao/note/581764> *
ZHAO HUA WU: "ensemble empirical mode decomposition a noise-assisted data analysis method", 《ADVANCES IN ADAPTIVE DATA ANALYSIS》 *
ZHAO HUA WU: "ensemble empirical mode decomposition a noise-assisted data analysis method", 《ADVANCES IN ADAPTIVE DATA ANALYSIS》, 31 January 2019 (2019-01-31), pages 1 - 41 *
中国—丹麦政府合作风能发展项目办: "《风能评价及风电规划与并网》", 30 June 2012, pages: 139 - 140 *
时世晨等: "基于EEMD的信号处理方法分析和实现", 《现代电子技术》 *
时世晨等: "基于EEMD的信号处理方法分析和实现", 《现代电子技术》, no. 01, 1 January 2011 (2011-01-01), pages 96 - 98 *
李万涛: "《运筹学》", 31 March 2018, pages: 221 - 222 *
高品贤: "《测试信号分析处理方法与程序》", 30 April 1999, pages: 21 *
魏昱洲: "基于LSTM 长短期记忆网络的超短期风速预测", 《电子测量与仪器学报》 *
魏昱洲: "基于LSTM 长短期记忆网络的超短期风速预测", 《电子测量与仪器学报》, 28 February 2019 (2019-02-28), pages 64 - 71 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852527B (zh) * 2019-11-20 2022-05-31 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN110909931A (zh) * 2019-11-20 2020-03-24 成都理工大学 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111160625B (zh) * 2019-12-10 2020-10-27 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111476402A (zh) * 2020-03-16 2020-07-31 云南电网有限责任公司 耦合气象信息与emd技术的风电发电能力预测方法
CN112465225A (zh) * 2020-11-27 2021-03-09 云南电网有限责任公司电力科学研究院 基于二次模态分解和级联深度学习的风电功率预测方法
CN112669168A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种风电功率短期预测方法
CN112669168B (zh) * 2020-12-15 2023-09-05 国网辽宁省电力有限公司阜新供电公司 一种风电功率短期预测方法
CN112580899A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 一种融合机器学习模型的中长期风力发电预测方法及系统
CN113111592A (zh) * 2021-05-06 2021-07-13 云南电力技术有限责任公司 一种基于emd-lstm的短期风电功率预测方法
CN113591957A (zh) * 2021-07-21 2021-11-02 国网上海市电力公司 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN113591957B (zh) * 2021-07-21 2023-10-27 国网上海市电力公司 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
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
CN115796231A (zh) * 2023-01-28 2023-03-14 湖南赛能环测科技有限公司 一种时态分析的超短期风速预测方法
CN115796231B (zh) * 2023-01-28 2023-12-08 湖南赛能环测科技有限公司 一种时态分析的超短期风速预测方法
CN116182949A (zh) * 2023-02-23 2023-05-30 中国人民解放军91977部队 一种海洋环境水质监测系统及方法
CN116182949B (zh) * 2023-02-23 2024-03-19 中国人民解放军91977部队 一种海洋环境水质监测系统及方法

Similar Documents

Publication Publication Date Title
CN110458316A (zh) 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
Zhou et al. Transfer learning for photovoltaic power forecasting with long short-term memory neural network
CN108038580A (zh) 基于同步挤压小波变换的光伏功率多模型综合预测方法
CN110276472A (zh) 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN106875041A (zh) 一种短期风速预测方法
CN102831475B (zh) 用于风电场功率预测模型的正弦归一化方法
CN103049798A (zh) 一种应用于光伏发电系统的短期发电功率预测方法
CN107147152A (zh) 新能源配电网多类型有功无功源协同优化配置方法及系统
CN102270309A (zh) 一种基于集成学习的短期电力负荷预测方法
CN101793907A (zh) 一种风电场短期风速预测方法
CN109272139A (zh) 一种基于非线性集成深度学习的短期风速预测方法
CN105373856A (zh) 一种考虑游程检测法重构的风电功率短时组合预测方法
Sodsong et al. Short-term solar PV forecasting using gated recurrent unit with a cascade model
CN103425867A (zh) 一种短期风电功率组合预测方法
CN113052469A (zh) 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法
Li et al. Wind power probabilistic forecasting based on wind correction using weather research and forecasting model
CN107403244A (zh) 基于人工神经网络改进灰色模型的短期风速预测方法
Zhang et al. Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification
Chen et al. Short interval solar power prediction for energy harvesting with low computation cost on edge computation network
Song et al. A Novel Wind Power Prediction Approach for Extreme Wind Conditions Based on TCN-LSTM and Transfer Learning
CN116187540B (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
Wang et al. An LSTM-attention wind power prediction method considering multiple factors
CN115471008A (zh) 一种基于长短期记忆神经网络的燃气短期负荷预测方法
Lv et al. Research on short-term load forecasting approach for smart grid
CN115481788A (zh) 相变储能系统负荷预测方法及系统

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