CN110738010A - 集成深度学习模型的风电场短期风速预测方法 - Google Patents

集成深度学习模型的风电场短期风速预测方法 Download PDF

Info

Publication number
CN110738010A
CN110738010A CN201910989886.XA CN201910989886A CN110738010A CN 110738010 A CN110738010 A CN 110738010A CN 201910989886 A CN201910989886 A CN 201910989886A CN 110738010 A CN110738010 A CN 110738010A
Authority
CN
China
Prior art keywords
wind speed
prediction
decomposition
deep learning
learning model
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
CN201910989886.XA
Other languages
English (en)
Inventor
刘朝华
王畅通
张红强
吴亮红
陈磊
李小花
王振恒
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201910989886.XA priority Critical patent/CN110738010A/zh
Publication of CN110738010A publication Critical patent/CN110738010A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/045—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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种集成深度学习模型的风电场短期风速预测方法，包括以下步骤：对原始风速时间序列进行归一化处理；用CEEMDAN分解归一化的风速时间序列，得到不同频率的本征模态分量；使用小波包分解对频率最高的本征模态分量进行二次分解；对两次分解得到的每个子序列建立各自的训练集和测试集；将各个子序列的训练集送入门控循环单元GRU网络进行训练，得到各个子序列的预测模型；将各个子序列的测试集送入各自对应的预测模型进行预测，得到相应的预测结果；对所有子序列的预测结果进行叠加与反归一化，得到最终的预测结果。本发明通过CEEMDAN和WPD算法分解原始风速时间序列，能降低原始风速时间序列的非线性和不平稳性。

Description

集成深度学习模型的风电场短期风速预测方法
技术领域
本发明涉及风力发电领域，特别涉及一种集成深度学习模型的风电场短期风速预测方法。
背景技术
风能由于其清洁与可持续性，被世界各国广泛利用。大量的风电场已经被建造，海上风电也得到了广泛的关注。2018年，全球风电装机容量新增51.3GW，包括4.49GW海上装机容量。全球风电总装机容量达到了591GW。但目前由于风电场的随机性、波动性和间歇性，风电场的稳定和安全运行是一个很大的挑战。因此，准确预测风电场的短期风速对电网调度效率、系统安全和优化运行至关重要。
为了提高风速预报的精度，过去发展了多种预报方法。由于风速的随机性和高度变化性，通常需要复杂的非线性定量分析技术对风速数据进行建模。现有的主流方法可以大致分为三类：线性回归法、非线性人工智能方法和组合两个或更多种方法的混合方法。线性回归方法可以根据历史气象数据生成模型，预测未来风速。主要的线性回归模型包括自回归(AR)模型和自回归移动平均(ARMA)模型。线性回归方法易于实现，但通常它们不能充分地捕获风速信号中的非线性。用于逼近数据中的非线性特征的人工智能方法可用于处理随机和非平稳的风速数据。人工神经网络(ANN)作为人工智能的典型例子，在风速预测中得到了广泛的应用。人工神经网络被认为是一种具有较高预测性能的满意工具。然而，这种方法可能存在一些缺点，如学习速度慢、过拟合和超参数难确定等。此外，简单的ANN结构不能充分地从随机风速序列中捕获复杂的模式，因此泛化能力不强。支持向量机(SVM)是另一种有效的人工智能技术。值得注意的是，一般来说，支持向量机比起回归问题更适合于分类问题。除了人工神经网络和支持向量机，深度生成神经网络(DGNN)和长时记忆(LSTM)网络等深度学习方法也被广泛应用于解决长期问题。门控循环单元GRU作为LSTM的变体，有着和LSTM相似的性能。但GRU本身更加简单，参数更少，因此训练速度更快，不容易过拟合。
风速时间序列具有随机性和波动性，是一个复杂的时间序列。上述任何一种方法在直接应用于风速时间序列时都可能存在一些固有的不足。因此，为提高预测精度而发展的混合方法得到了广泛的关注。该方法将两种或两种以上较好的算法组合成一种算法，以增强模型的分析能力。在混合预测模型的建立中，常采用信号分解与重构的思想来处理复杂的风速序列。常用的信号分解方法有小波变换(WT)、小波包分解(WPD)和经验模态分解(EMD)。将分解后的各分量的预测结果进行叠加，能得到最终的预测结果。EMD具有良好的自适应能力，可以将风速信号分解为多个本征模态函数和不同频率的残差。然而，EMD本身存在模式混合问题，即不完全分解导致每个IMF可能混合两个以上的频率。为了解决这一问题，人们提出了许多方法，如集成经验模态分解(EEMD)、互补集成经验模态分解(CEEMD)和自适应噪声完全集成经验模态分解(CEEMDAN)。EMD的另一个缺点是，第一个IMF的频率和幅值可能波动较大，严重影响预测精度。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的集成深度学习模型的风电场短期风速预测方法。
本发明解决上述问题的技术方案是：一种集成深度学习模型的风电场短期风速预测方法，包括以下步骤：
1)将原始风速时间序列归一化到[0,1]；
2)用自适应噪声完全集成经验模态分解法分解归一化后的风速时间序列，自适应噪声完全集成经验模态分解法记为CEEMDAN，得到一系列具有不同频率的本征模态分量IMF和一个残余分量RES；
3)使用小波包分解对频率最高的本征模态分量进行二次分解，小波包分解记为WPD，得到4组小波包系数；
4)对两次分解得到的每个子序列建立各自的训练集和测试集；
5)将各个子序列的训练集送入门控循环单元网络进行训练，门控循环单元记为GRU，得到各个子序列的预测模型；
6)将各个子序列的测试集送入各自对应的预测模型进行预测，得到相应的预测结果；
7)对所有子序列的预测结果进行叠加与反归一化，得到最终的预测结果；
8)计算误差指标，对预测结果进行评估，通过误差指标计算，误差越少越好，预测越准确。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤1)中归一化公式为：
Figure BDA0002237905400000031
其中，x′为归一化后的风速数据，x为原始风速时间序列的观测值，xmin为原始风速时间序列的最小值，xmax为原始风速时间序列的最大值。
上述集成深度学习模型的风电场短期风速预测方法，记Ek(·)为提取EMD分解的第k个本征模态分量的函数，
Figure BDA0002237905400000041
为CEEMDAN分解的第k个本征模态分量，k＝1,2,…,K，K为CEEMDAN分解的本征模态分量总数，则所述步骤2)中自适应噪声完全集合经验模态分解法的具体过程如下：
2-1)在归一化的风速时间序列的基础上生成一组加噪序列：
si(t)＝s(t)+ω0xi(t)
式中，si(t)表示生成的加噪序列，s(t)表示归一化的风速时间序列，ω0为噪声系数，xi(t)(i＝1,2,…,I)表示一组方差为1，均值为0的随机高斯白噪声序列，其中I表示添加白噪声的序列数，t为时间序列的标志；
2-2)用EMD分解每个si(t)，得到分解后的第一个分量IMF1,i，然后计算所有IMF1,i的均值，即得到第一个CEEMDAN的模态分量
Figure BDA0002237905400000042
2-3)计算第一个残差为
Figure BDA0002237905400000043
2-4)分解添加噪声的残差r1(t)+ω1E1(xi(t))得到第2个分量
Figure BDA0002237905400000044
其中，ω1为噪声系数；
2-5)计算第二个残差
Figure BDA0002237905400000045
2-6)分解添加噪声的残差r2(t)+ω2E2(xi(t))得到第3个分量
Figure BDA0002237905400000046
其中，ω2为噪声系数；
2-7)采用重复步骤2-3)和2-4)的方法继续计算残差以及分解添加噪声的残差，直到得到的残差不能被EMD继续分解；
2-8)经CEEMDAN分解后的风速时间序列表示成
Figure BDA0002237905400000051
式中，
Figure BDA0002237905400000052
表示最终剩余分量。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤3)中选取两层小波包分解，分解并重构后的表达式为
Figure BDA0002237905400000053
其中为CEEMDAN分解后最高频率的本征模态分量的第一个分量，AA和DA分别为小波包分解的第一层低频分量分解并重构后的低频分量和高频分量，AD和DD分别为小波包分解的第一层高频分量分解并重构后的低频分量和高频分量。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤4)中按照输入向量(xt-(n-1),xt-8,…,xt)和输出向量(xt+1,xt+2,…,xt+l)构造训练集和测试集，其中xt表示风速时间序列中的观测点，n为GRU网络输入层神经元的个数，l为GRU网络输出层神经元的个数。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤5)中GRU网络的具体前馈传播过程如下：
rt＝σ(Wr·[ht-1,xt])
zt＝σ(Wz·[ht-1,xt])
Figure BDA0002237905400000055
Figure BDA0002237905400000056
其中，zt为更新门，rt为重置门，σ(·)和tanh(·)为激活函数，ht-1是上一时刻的输出，xt是当前时刻的输入，
Figure BDA0002237905400000061
是当前时刻的候选集，ht是当前时刻的输出，Wr、Wz和
Figure BDA0002237905400000062
分别是重置门、更新门和候选输出的权重。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤6)中把测试集送入各自对应的预测模型进行预测是指把测试集送入步骤5)训练得到的各个子序列的预测模型。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤7)中得到最终预测结果是指通过步骤6)得到的各分量预测结果进行叠加与反归一化，得到最终的预测结果；
叠加过程如下：
其中，S′为归一化的预测结果，IMFi′为CEEMDAN分解的第i个IMF的预测结果，RES′为残余分量RES的预测结果，WPDj′为第j个小波包系数的预测结果；
最后，S′再经过反归一化得到最终的预测结果。
上述集成深度学习模型的风电场短期风速预测方法，所述步骤8)中误差指标采用均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE，表达式如下：
其中，yp为风速时间序列的第p个观测值，
Figure BDA0002237905400000071
为风速时间序列的第p个预测值，m为风速时间序列的长度。
本发明的有益效果在于：
1)本发明通过CEEMDAN算法对风速时间序列进行分解，得到一系列不同频率的本征模态分量，这些分量包含着风速时间序列的各种模式，但最高频率的本征模态分量过于复杂，对预测结果有很大影响，所以使用WPD算法对最高频率分量进行二次分解，进一步降低其复杂度，两次分解将原始风速时间序列分解为一系列更加平稳的子序列，能显著降低原始时间序列的复杂度，减少原始风速的随机性和不平稳性带来的影响。
2)本发明通过GRU网络对时间序列的记忆能力来拟合风速数据，对CEEMDAN和WPD分解所得的每个子序列进行训练和预测，再对预测结果进行叠加和反归一化得到最终的预测结果，取得了较高的预测精度。
附图说明
图1为本发明的流程图。
图2为归一化风速时间序列的CEEMDAN分解流程图。
图3为CEEMDAN分解的最高频率本征模态分量的二层WPD分解流程图。
图4为进行风速预测的GRU网络的框架图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种集成深度学习模型的风电场短期风速预测方法，包括以下步骤：
1)将原始风速时间序列归一化到[0,1]；归一化公式为：
Figure BDA0002237905400000081
其中，x′为归一化后的风速数据，x为原始风速时间序列的观测值，xmin为原始风速时间序列的最小值，xmax为原始风速时间序列的最大值。
2)用自适应噪声完全集成经验模态分解法分解归一化后的风速时间序列，自适应噪声完全集成经验模态分解法记为CEEMDAN，得到一系列具有不同频率的本征模态分量IMF和一个残余分量RES。
3)使用小波包分解对频率最高的本征模态分量进行二次分解，小波包分解记为WPD，得到4组小波包系数。
4)对两次分解得到的每个子序列建立各自的训练集和测试集。
5)将各个子序列的训练集送入门控循环单元网络进行训练，门控循环单元记为GRU，得到各个子序列的预测模型。
6)将各个子序列的测试集送入各自对应的预测模型进行预测，得到相应的预测结果。
7)对所有子序列的预测结果进行叠加与反归一化，得到最终的预测结果。
8)计算误差指标，对预测结果进行评估，通过误差指标计算，误差越少越好，预测越准确。
如图2所示，记Ek(·)为提取EMD分解的第k个本征模态分量的函数，
Figure BDA0002237905400000082
为CEEMDAN分解的第k个本征模态分量，k＝1,2,…,K，K为CEEMDAN分解的本征模态分量总数，则所述步骤2)中自适应噪声完全集合经验模态分解法的具体过程如下：
2-1)在归一化的风速时间序列的基础上生成一组加噪序列：
si(t)＝s(t)+ω0xi(t)
式中，si(t)表示生成的加噪序列，s(t)表示归一化的风速时间序列，ω0为噪声系数，xi(t)(i＝1,2,…,I)表示一组方差为1，均值为0的随机高斯白噪声序列，其中I表示添加白噪声的序列数，t为时间序列的标志；
2-2)用EMD分解每个si(t)，得到分解后的第一个分量IMF1,i，然后计算所有IMF1,i的均值，即得到第一个CEEMDAN的模态分量
Figure BDA0002237905400000091
2-3)计算第一个残差为
Figure BDA0002237905400000092
2-4)分解添加噪声的残差r1(t)+ω1E1(xi(t))得到第2个分量
Figure BDA0002237905400000093
其中，ω1为噪声系数；
2-5)计算第二个残差
2-6)分解添加噪声的残差r2(t)+ω2E2(xi(t))得到第3个分量
Figure BDA0002237905400000095
其中，ω2为噪声系数；
2-7)采用重复步骤2-3)和2-4)的方法继续计算残差以及分解添加噪声的残差，直到得到的残差不能被EMD继续分解；
2-8)经CEEMDAN分解后的风速时间序列表示成
Figure BDA0002237905400000096
式中，
Figure BDA0002237905400000097
表示最终剩余分量。
如图3所示，所述步骤3)中CEEMDAN分解后的最高频率的本征模态分量要经过两层小波包分解进行二次分解，其分解并重构后的表达式为
Figure BDA0002237905400000101
其中
Figure BDA0002237905400000102
为CEEMDAN分解后最高频率的本征模态分量的第一个分量，AA和DA分别为小波包分解的第一层低频分量分解并重构后的低频分量和高频分量，AD和DD分别为小波包分解的第一层高频分量分解并重构后的低频分量和高频分量。
进一步地，本发明的步骤4)中按照输入向量(xt-9,xt-8,…,xt)和输出向量(xt+1)构造训练集和测试集，其中xt表示风速时间序列中的观测点，进行输入层神经元个数为10，输出层神经元个数为1的单步预测。
如图4所示，本发明的步骤5)中GRU网络采用单隐层网络，其输入层为10个神经元，输出层为1个神经元，输出层采用Linear激活函数。具体的前馈传播过程如下：
rt＝σ(Wr·[ht-1,xt])
zt＝σ(Wz·[ht-1,xt])
Figure BDA0002237905400000103
Figure BDA0002237905400000104
其中，zt为更新门，rt为重置门，σ(·)和tanh(·)为激活函数，ht-1是上一时刻的输出，xt是当前时刻的输入，
Figure BDA0002237905400000105
是当前时刻的候选集，ht是当前时刻的输出，Wr、Wz和分别是重置门、更新门和候选输出的权重。
进一步地，本发明的步骤6)中把测试集送入各自对应的预测模型进行预测是指把测试集送入步骤5)训练得到的各个子序列的预测模型。
进一步地，本发明的步骤7)中得到最终预测结果是指通过步骤6)得到的各分量预测结果进行叠加与反归一化，得到最终的预测结果；
叠加过程如下：
Figure BDA0002237905400000111
其中，S′为归一化的预测结果，IMFi′为CEEMDAN分解的第i个IMF的预测结果，RES′为残余分量RES的预测结果，WPDj′为第j个小波包系数的预测结果；
最后，S′再经过反归一化得到最终的预测结果。
进一步地，本发明的步骤8)中误差指标采用均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE，表达式如下：
Figure BDA0002237905400000112
Figure BDA0002237905400000113
其中，yp为风速时间序列的第p个观测值，
Figure BDA0002237905400000115
为风速时间序列的第p个预测值，m为风速时间序列的长度。
表1为本发明提供的BP，SVM，LSTM，GRU，EMD-GRU，CEEMDAN-GRU，CEEMDAN-WPD-GRU七种预测模型的单步预测结果误差指标统计表。
表1
Figure BDA0002237905400000121
由表1可以看出，本发明所述的集成深度学习模型的风电场短期风速预测方法优于其它预测模型，其均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE分别是0.0954,0.0754和0.61％，相比其他模型分别降低44.18％-64.38％，42.31％-64.04％和42.45％-64.74％。
本发明首先利用CEEMDAN分解归一化的风速时间序列，得到一系列本征模态分量和一个残余分量，并使用WPD算法对最高频率的本征模态分量进行二次分解，进一步降低其复杂度。两次分解把原始时间序列的随机性和不平稳性逐步降低，得到一组子序列，再对这些子序列分别训练GRU网络进行预测，把各子序列的预测结果进行叠加和反归一化，得到最终的预测结果。实验结果证明，该方法能显著提高短期风速预测的精度。

Claims (9)

1.一种集成深度学习模型的风电场短期风速预测方法，包括以下步骤：
1)将原始风速时间序列归一化到[0,1]；
2)用自适应噪声完全集成经验模态分解法分解归一化后的风速时间序列，自适应噪声完全集成经验模态分解法记为CEEMDAN，得到一系列具有不同频率的本征模态分量IMF和一个残余分量RES；
3)使用小波包分解对频率最高的本征模态分量进行二次分解，小波包分解记为WPD，得到4组小波包系数；
4)对两次分解得到的每个子序列建立各自的训练集和测试集；
5)将各个子序列的训练集送入门控循环单元网络进行训练，门控循环单元记为GRU，得到各个子序列的预测模型；
6)将各个子序列的测试集送入各自对应的预测模型进行预测，得到相应的预测结果；
7)对所有子序列的预测结果进行叠加与反归一化，得到最终的预测结果；
8)计算误差指标，对预测结果进行评估，通过误差指标计算，误差越少越好，预测越准确。
2.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤1)中归一化公式为：
Figure FDA0002237905390000011
其中，x′为归一化后的风速数据，x为原始风速时间序列的观测值，xmin为原始风速时间序列的最小值，xmax为原始风速时间序列的最大值。
3.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：记Ek(·)为提取EMD分解的第k个本征模态分量的函数，为CEEMDAN分解的第k个本征模态分量，k＝1,2,…,K，K为CEEMDAN分解的本征模态分量总数，则所述步骤2)中自适应噪声完全集合经验模态分解法的具体过程如下：
2-1)在归一化的风速时间序列的基础上生成一组加噪序列：
si(t)＝s(t)+ω0xi(t)
式中，si(t)表示生成的加噪序列，s(t)表示归一化的风速时间序列，ω0为噪声系数，xi(t)(i＝1,2,…,I)表示一组方差为1，均值为0的随机高斯白噪声序列，其中I表示添加白噪声的序列数，t为时间序列的标志；
2-2)用EMD分解每个si(t)，得到分解后的第一个分量IMF1,i，然后计算所有IMF1,i的均值，即得到第一个CEEMDAN的模态分量
Figure FDA0002237905390000022
2-3)计算第一个残差为
Figure FDA0002237905390000023
2-4)分解添加噪声的残差r1(t)+ω1E1(xi(t))得到第2个分量
Figure FDA0002237905390000024
其中，ω1为噪声系数；
2-5)计算第二个残差
Figure FDA0002237905390000025
2-6)分解添加噪声的残差r2(t)+ω2E2(xi(t))得到第3个分量
Figure FDA0002237905390000026
其中，ω2为噪声系数；
2-7)采用重复步骤2-3)和2-4)的方法继续计算残差以及分解添加噪声的残差，直到得到的残差不能被EMD继续分解；
2-8)经CEEMDAN分解后的风速时间序列表示成
Figure FDA0002237905390000031
式中，表示最终剩余分量。
4.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤3)中选取两层小波包分解，分解并重构后的表达式为
其中
Figure FDA0002237905390000034
为CEEMDAN分解后最高频率的本征模态分量的第一个分量，AA和DA分别为小波包分解的第一层低频分量分解并重构后的低频分量和高频分量，AD和DD分别为小波包分解的第一层高频分量分解并重构后的低频分量和高频分量。
5.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤4)中按照输入向量(xt-(n-1),xt-8,…,xt)和输出向量(xt+1,xt+2,…,xt+l)构造训练集和测试集，其中xt表示风速时间序列中的观测点，n为GRU网络输入层神经元的个数，l为GRU网络输出层神经元的个数。
6.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤5)中GRU网络的具体前馈传播过程如下：
rt＝σ(Wr·[ht-1,xt])
zt＝σ(Wz·[ht-1,xt])
Figure FDA0002237905390000036
其中，zt为更新门，rt为重置门，σ(·)和tanh(·)为激活函数，ht-1是上一时刻的输出，xt是当前时刻的输入，
Figure FDA0002237905390000037
是当前时刻的候选集，ht是当前时刻的输出，Wr、Wz和
Figure FDA0002237905390000041
分别是重置门、更新门和候选输出的权重。
7.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤6)中把测试集送入各自对应的预测模型进行预测是指把测试集送入步骤5)训练得到的各个子序列的预测模型。
8.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤7)中得到最终预测结果是指通过步骤6)得到的各分量预测结果进行叠加与反归一化，得到最终的预测结果；
叠加过程如下：
其中，S′为归一化的预测结果，IMFi′为CEEMDAN分解的第i个IMF的预测结果，RES′为残余分量RES的预测结果，WPD′j为第j个小波包系数的预测结果；
最后，S′再经过反归一化得到最终的预测结果。
9.根据权利要求1所述的集成深度学习模型的风电场短期风速预测方法，其特征在于：所述步骤8)中误差指标采用均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE，表达式如下：
Figure FDA0002237905390000043
Figure FDA0002237905390000044
Figure FDA0002237905390000045
其中，yp为风速时间序列的第p个观测值，
Figure FDA0002237905390000046
为风速时间序列的第p个预测值，m为风速时间序列的长度。
CN201910989886.XA 2019-10-17 2019-10-17 集成深度学习模型的风电场短期风速预测方法 Pending CN110738010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910989886.XA CN110738010A (zh) 2019-10-17 2019-10-17 集成深度学习模型的风电场短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910989886.XA CN110738010A (zh) 2019-10-17 2019-10-17 集成深度学习模型的风电场短期风速预测方法

Publications (1)

Publication Number Publication Date
CN110738010A true CN110738010A (zh) 2020-01-31

Family

ID=69268145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910989886.XA Pending CN110738010A (zh) 2019-10-17 2019-10-17 集成深度学习模型的风电场短期风速预测方法

Country Status (1)

Country Link
CN (1) CN110738010A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461416A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111914479A (zh) * 2020-07-03 2020-11-10 天津大学 一种用于大坝基岩的灌浆功率混合区间预测方法
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN112398142A (zh) * 2020-10-26 2021-02-23 广西大学 一种基于经验模态分解的电网频率智能控制方法
CN112417762A (zh) * 2020-11-25 2021-02-26 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
CN112434841A (zh) * 2020-10-23 2021-03-02 国网河北省电力有限公司 考虑机组组合和随机风能出力的电—气耦合系统优化方法
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
CN112465664A (zh) * 2020-11-12 2021-03-09 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112559827A (zh) * 2020-12-08 2021-03-26 上海上实龙创智能科技股份有限公司 一种基于深度学习的测量参数预测及污水处理控制方法
CN112651426A (zh) * 2020-12-01 2021-04-13 华北电力大学（保定） 一种风电机组滚动轴承故障诊断方法
CN112966432A (zh) * 2021-02-09 2021-06-15 东北电力大学 一种锂离子电池剩余有效寿命预测方法及装置
CN113076587A (zh) * 2021-04-21 2021-07-06 西安建筑科技大学 一种大跨度钢结构建筑微应变的短期预测方法
CN113361115A (zh) * 2021-06-11 2021-09-07 仲恺农业工程学院 一种罗非鱼工厂化养殖水质溶解氧变化预测方法
CN113553774A (zh) * 2021-08-30 2021-10-26 北京东润环能科技股份有限公司 一种基于eemd-gru的短期风功率预测方法
CN113850438A (zh) * 2021-09-29 2021-12-28 西安建筑科技大学 公共建筑能耗预测方法、系统、设备及介质
CN114595498A (zh) * 2022-02-17 2022-06-07 南昌大学 一种拱坝变形性态监控方法
CN114611808A (zh) * 2022-03-18 2022-06-10 河海大学 一种基于CEEMDAN-SSA-BiLSTM的短期海上风电功率预测方法
CN116109004A (zh) * 2023-02-27 2023-05-12 广东电网有限责任公司 一种绝缘子泄漏电流的预测方法、装置、设备及介质
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117408164A (zh) * 2023-12-13 2024-01-16 西安热工研究院有限公司 储能辅助黑启动的风速智能预测方法及系统
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和系统
CN117744893A (zh) * 2024-02-19 2024-03-22 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统
CN118228002A (zh) * 2024-05-22 2024-06-21 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HUAI NANA ET AL.: "Short-term Wind Speed Prediction Based on CNN_GRU Model", 《 2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
HUI LIU ET AL.: "Smart deep learning based wind speed prediction model using wavelet packet decomposition, convolutional neural network and convolutional long short term memory network", 《ENERGY CONVERSION AND MANAGEMENT》 *
张涛: "《自动化专业毕业设计（论文）指导教程》", 31 December 2013 *
张立新: "《基于小波分析及神经网络的混凝土内部缺陷智能识别》", 30 June 2016, 燕山大学出版社 *
赵辉等: "基于CEEMDAN-PE和QGA-BP的短期风速预测", 《电子技术应用》 *
马留洋等: "基于经验模态分解和小波包分解的组合风电功率预测模型分析", 《内蒙古电力技术》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461416A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111461416B (zh) * 2020-03-23 2023-07-18 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111914479A (zh) * 2020-07-03 2020-11-10 天津大学 一种用于大坝基岩的灌浆功率混合区间预测方法
CN112434841A (zh) * 2020-10-23 2021-03-02 国网河北省电力有限公司 考虑机组组合和随机风能出力的电—气耦合系统优化方法
CN112398142A (zh) * 2020-10-26 2021-02-23 广西大学 一种基于经验模态分解的电网频率智能控制方法
CN112398142B (zh) * 2020-10-26 2022-05-13 广西大学 一种基于经验模态分解的电网频率智能控制方法
CN112465664A (zh) * 2020-11-12 2021-03-09 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112465664B (zh) * 2020-11-12 2022-05-03 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN112417762B (zh) * 2020-11-25 2022-04-29 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
CN112417762A (zh) * 2020-11-25 2021-02-26 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
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
CN112651426A (zh) * 2020-12-01 2021-04-13 华北电力大学（保定） 一种风电机组滚动轴承故障诊断方法
CN112559827A (zh) * 2020-12-08 2021-03-26 上海上实龙创智能科技股份有限公司 一种基于深度学习的测量参数预测及污水处理控制方法
CN112966432A (zh) * 2021-02-09 2021-06-15 东北电力大学 一种锂离子电池剩余有效寿命预测方法及装置
CN113076587A (zh) * 2021-04-21 2021-07-06 西安建筑科技大学 一种大跨度钢结构建筑微应变的短期预测方法
CN113361115A (zh) * 2021-06-11 2021-09-07 仲恺农业工程学院 一种罗非鱼工厂化养殖水质溶解氧变化预测方法
CN113553774A (zh) * 2021-08-30 2021-10-26 北京东润环能科技股份有限公司 一种基于eemd-gru的短期风功率预测方法
CN113850438A (zh) * 2021-09-29 2021-12-28 西安建筑科技大学 公共建筑能耗预测方法、系统、设备及介质
CN114595498A (zh) * 2022-02-17 2022-06-07 南昌大学 一种拱坝变形性态监控方法
CN114595498B (zh) * 2022-02-17 2024-05-03 南昌大学 一种拱坝变形性态监控方法
CN114611808A (zh) * 2022-03-18 2022-06-10 河海大学 一种基于CEEMDAN-SSA-BiLSTM的短期海上风电功率预测方法
CN116109004A (zh) * 2023-02-27 2023-05-12 广东电网有限责任公司 一种绝缘子泄漏电流的预测方法、装置、设备及介质
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和系统
CN117408164A (zh) * 2023-12-13 2024-01-16 西安热工研究院有限公司 储能辅助黑启动的风速智能预测方法及系统
CN117408164B (zh) * 2023-12-13 2024-03-22 西安热工研究院有限公司 储能辅助黑启动的风速智能预测方法及系统
CN117744893A (zh) * 2024-02-19 2024-03-22 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统
CN117744893B (zh) * 2024-02-19 2024-05-17 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统
CN118228002A (zh) * 2024-05-22 2024-06-21 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法
CN118228002B (zh) * 2024-05-22 2024-09-20 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法

Similar Documents

Publication Publication Date Title
CN110738010A (zh) 集成深度学习模型的风电场短期风速预测方法
US11544917B2 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
Catalao et al. An artificial neural network approach for short-term wind power forecasting in Portugal
Catalão et al. Short-term wind power forecasting in Portugal by neural networks and wavelet transform
CN105184391B (zh) 基于小波分解和支持向量机的风电场风速与功率预测方法
CN106875041A (zh) 一种短期风速预测方法
CN107292446B (zh) 一种基于考虑分量关联性小波分解的混合风速预测方法
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
CN102479339A (zh) 基于混合神经网络的风电场短期风速预测方法和系统
CN102867132A (zh) 基于分数阶小波变换的航空直流变换器在线故障组合预测方法
CN109146162A (zh) 一种基于集成循环神经网络的概率风速预测方法
CN107909209A (zh) 完备总体经验模态分解和深度信念网络的风速预测方法
Chaturvedi et al. Short-term load forecasting using soft computing techniques
CN111553510A (zh) 一种短期风速预测方法
Sani Salisu et al. Solar radiation forecasting in Nigeria based on hybrid PSO-ANFIS and WT-ANFIS approach
Rizvi Time series deep learning for robust steady-state load parameter estimation using 1D-CNN
Mourad et al. A hybrid wavelet transform and ANFIS model for short term electric load prediction
Cai et al. Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method
Pousinho et al. Neuro-fuzzy approach to forecast wind power in Portugal
Hussain et al. Soft computing approach for solar radiation prediction over Abu Dhabi, UAE: A comparative analysis
Abiyev Fuzzy wavelet neural network for prediction of electricity consumption
Gui et al. Analysis of animal-related outages in overhead distribution systems with wavelet decomposition and immune systems-based neural networks
Yao et al. A hybrid model to forecast wind speed based on wavelet and neural network
Han et al. Hybrid model based on EEMD, ARMA and elman for photovoltaic power prediction

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200131