CN111274532B - 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 - Google Patents

一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 Download PDF

Info

Publication number
CN111274532B
CN111274532B CN202010072450.7A CN202010072450A CN111274532B CN 111274532 B CN111274532 B CN 111274532B CN 202010072450 A CN202010072450 A CN 202010072450A CN 111274532 B CN111274532 B CN 111274532B
Authority
CN
China
Prior art keywords
wind power
data
predicted
components
trained
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.)
Active
Application number
CN202010072450.7A
Other languages
English (en)
Other versions
CN111274532A (zh
Inventor
周长城
白浩
黄安迪
叶琳浩
袁智勇
雷金勇
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.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
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 CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202010072450.7A priority Critical patent/CN111274532B/zh
Publication of CN111274532A publication Critical patent/CN111274532A/zh
Application granted granted Critical
Publication of CN111274532B publication Critical patent/CN111274532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于CEEMD‑LZC和流形学习的短期风电功率预测方法和装置，其中方法包括：对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；计算若干个第一分量的Lempel‑Ziv复杂度，将满足预置条件的Lempel‑Ziv复杂度对应的第一分量进行叠加，得到第一模态序列；将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果，解决了现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。

Description

一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置
技术领域
本申请涉及风电功率预测技术领域，尤其涉及一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置。
背景技术
短期风电功率预测是通过在24～72小时内的风电场功率进行预测，准确预测风电场的出力，可以解决风电随机波动带来的调频、调压和调度运行等问题。现有的短期风电功率预测方法主要包括物理方法、统计方法和建模方法；物理方法是通过数值天气预报系统得到风速、风向、气压和气温等气象数据，然后风机周围的物理信息得到风力发电机组的风速和风向等信息，最后根据风机的功率曲线计算得到风机的实际输出功率；统计方法是根据历史风电相关数据在天气状况和输出功率之间建立映射关系，然后进行风电功率预测；建模方法主要是通过卷积神经网络或支持向量机等模型进行风电功率预测。由于风电功率数据本身具有随机波动性、非线性和非平稳性的特点，使得风电功率预测准确性不高。
发明内容
本申请提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置，用于解决现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。
有鉴于此，本申请第一方面提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测方法，包括：
对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；
计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列；
将所述第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果。
优选地，所述将所述第一模态序列和降维处理后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：
获取待训练风电功率数据和待训练气象数据；
对所述待训练风电功率数据进行CEEMD分解，得到若干个第二分量；
计算若干个所述第二分量的Lempel-Ziv复杂度，将满足所述预置条件的所述Lempel-Ziv复杂度对应的所述第二分量进行叠加，得到第二模态序列；
将所述第二模态序列和降维后的所述待训练气象数据输入到极限学习机，对所述极限学习机进行训练；
当所述极限学习机达到收敛条件时，得到训练好的所述极限学习机，将训练好的所述极限学习机作为所述预置极限学习机。
优选地，所述将所述第一模态序列和降维处理后的所述待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：
基于穷举法在预置范围内选取参数；
基于预置维数和所述参数，根据局部线性嵌入方法对所述待训练气象数据进行降维处理，得到若干个低维数据；
将每个所述低维数据输入到残差函数中，得到若干个残差值，所述残差函数为：
e＝1-ρ2(Dx,Dy)；
其中，ρ为线性相关系数，Dx为所述待训练气象数据x的欧式距离矩阵，Dy为所述低维数据y的欧式距离矩阵；
将最小的所述残差值对应的所述低维数据作为降维后的所述待训练气象数据。
优选地，所述基于预置维数和所述参数，根据局部线性嵌入方法对所述待训练气象数据进行降维处理，得到若干个低维数据，之前还包括：
基于所述待训练气象数据计算关联积分；
基于所述关联积分计算关联维数，将所述关联维数作为所述预置维数。
优选地，所述将所述第二模态序列和降维后的待训练气象数据输入到极限学习机，对所述极限学习机进行训练，包括：
将所述第二模态序列和降维后的待训练气象数据输入到所述极限学习机对所述极限学习机的权重和偏差进行初始化；
基于蚁狮算法对所述极限学习机的初始后的权重和偏差进行优化训练。
优选地，所述计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列，包括：
计算若干个所述第一分量的Lempel-Ziv复杂度；
对每个所述Lempel-Ziv复杂度进行归一化处理；
根据归一化处理后的所述Lempel-Ziv复杂度划分若干个区间；
将在同一区间的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到所述第一模态序列。
优选地，所述对待预测风电功率数据进行CEEMD分解，得到若干个第一分量，包括：
在所述待预测风电功率数据中加入一对幅值相等的正负白噪声，得到目标噪声数据；
对所述目标噪声数据进行EMD分解，得到若干个内模分量；
计算所有内模分量的平均值，得到本征模态分量；
对所述待预测风电功率数据和所有所述本征模态分量的进行差值运算，得到余项分量；
当所述余项分量的极值点的数量小于或等于2时，输出若干个所述本征模态分量，将所述本征模态分量作为所述第一分量；
当所述余项分量的极值点的数量大于2时，将所述余项分量作为新的所述待预测风电功率数据，返回所述在所述待预测风电功率数据中加入一对幅值相等的正负白噪声，得到目标噪声数据的步骤。
优选地，还包括：
获取所述待预测风电功率数据和所述待预测气象数据。
本申请第二方面提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测装置，包括：
第一分解模块，用于对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；
第一计算模块，用于计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列；
预测模块，用于将所述第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果。
优选地，还包括：
第一获取模块，用于获取所述待预测风电功率数据和所述待预测气象数据；
第二获取模块，用于获取待训练风电功率数据和待训练气象数据；
第二分解模块，用于对所述待训练风电功率数据进行CEEMD分解，得到若干个第二分量；
第二计算模块，用于计算若干个所述第二分量的Lempel-Ziv复杂度，将满足所述预置条件的所述Lempel-Ziv复杂度对应的所述第二分量进行叠加，得到第二模态序列；
训练模块，用于将所述第二模态序列和降维后的所述待训练气象数据输入到极限学习机，对所述极限学习机进行训练；
收敛模块，用于当所述极限学习机达到收敛条件时，得到训练好的所述极限学习机，将训练好的所述极限学习机作为所述预置极限学习机。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测方法，包括：对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；计算若干个第一分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第一分量进行叠加，得到第一模态序列；将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果。
本申请中的基于CEEMD-LZC和流形学习的短期风电功率预测方法，通过对待预测风电功率数据进行CEEMD分解，得到若干个平稳的、分层的和独立的第一分量，通过Lempel-Ziv复杂度对第一分量进行重构，得到第一模态序列，CEEMD分解适用于非线性分析，并且采用CEEMD分解可以抑制模态混叠，降低重构序列存在残余噪声所导致的计算复杂度，从而提高风电功率预测准确率；通过将第一模态序列和降维后的待预测气象数据作为预置极限学习机的输入，考虑到风电功率预测与气象数据相关，将气象数据和待预测风电功率数据一起输入到预置极限学习机进行预测，有助于进一步提高风电功率预测准确率，从而解决了现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。
附图说明
图1为本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测方法的一个实施例的流程示意图；
图2为本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测方法的另一个实施例的流程示意图；
图3为本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测装置的一个实施例的结构示意图；
图4为本申请提供的基于CEEMD-LZC和流形学习的短期风电功率预测的具体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测方法的一个实施例，包括：
步骤101、对待预测风电功率数据进行CEEMD分解，得到若干个第一分量。
需要说明的是，由于风电功率数据本身具有随机波动性、非线性和非平稳性的特点，使得风电功率预测准确性不高，为了提高短期风电功率预测的准确性，可以在风电功率数据分解后进行预测，而小波分解对非线性序列存在较大的影响，采用小波分解对预测风电功率数据进行分解，容易丢失高频分量细节信息，使得预测精度不佳；经验模态分解(Empirical Mode Decomposition，EMD)比小波分解更适合非线性分析，但各分量的正交性不足；集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)在一定程度上可以提高分解精度，但EEMD是一种不完全分解方法，分解后还存在残余噪声，计算复杂度较高；因此，本申请实施例中采用互补集合经验模态分解(Complementary EnsembleEmpirical Mode Decomposition，CEEMD)，其可以抑制模态混叠，同时可以降低由于重构序列存在残余噪声所导致的计算复杂度，可有效提高后续风电功率预测的准确率。
步骤102、计算若干个第一分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第一分量进行叠加，得到第一模态序列。
需要说明的是，计算若干个第一分量的Lempel-Ziv复杂度后，对每个Lempel-Ziv复杂度进行归一化处理；根据归一化处理后的Lempel-Ziv复杂度划分若干个区间；将在同一区间的Lempel-Ziv复杂度对应的第一分量进行叠加，得到第一模态序列，通过根据Lempel-Ziv复杂度进行序列重构，可以得到更为稳定的序列，有助于提高预测精度。
步骤103、将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果。
需要说明的是，待预测气象数据与待预测风电功率数据相关，气象数据包括气温、气压、风速和方向，考虑到风电功率预测与气象数据相关，将气象数据和待预测风电功率数据一起输入到预置极限学习机(Extreme Learning Machine，ELM)进行预测，有助于进一步提高风电功率预测准确率；并且对待预测气象数据进行降维，有助于提高风电预测效率。
本申请实施例中的基于CEEMD-LZC和流形学习的短期风电功率预测方法，通过对待预测风电功率数据进行CEEMD分解，得到若干个平稳的、分层的和独立的第一分量，通过Lempel-Ziv复杂度对第一分量进行重构，得到第一模态序列，CEEMD分解适用于非线性分析，并且采用CEEMD分解可以抑制模态混叠，降低重构序列存在残余噪声所导致的计算复杂度，从而提高风电功率预测准确率；通过将第一模态序列和降维后的待预测气象数据作为预置极限学习机的输入，考虑到风电功率预测与气象数据相关，将气象数据和待预测风电功率数据一起输入到预置极限学习机进行预测，有助于进一步提高风电功率预测准确率，从而解决了解决现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。
为了便于理解，请参阅图2和图4，本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测方法的另一个实施例，包括：
步骤201、获取待训练风电功率数据和待训练气象数据。
需要说明的是，待训练风电功率数据可以从历史风电功率数据得到，待训练气象数据可以是从数值天气预报系统中获取与历史风电功率数据相关的气温、气压、风速和风向的历史气象数据。
步骤202、对待训练风电功率数据进行CEEMD分解，得到若干个第二分量。
需要说明的是，对待训练风电功率数据进行CEEMD分解与步骤207中对待预测风电功率数据进行CEEMD分解的过程一致，在此不再进行赘述。
步骤203、计算若干个第二分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第二分量进行叠加，得到第二模态序列。
需要说明的是，得到第二模态序列的过程与步骤208得到第一模态序列的具体过程一致，在此不再进行赘述。
步骤204、将第二模态序列和降维后的待训练气象数据输入到极限学习机，对极限学习机进行训练。
需要说明的是，数据维度是影响预测模型精度的主要因素，通过对数据进行降维可以大大提高计算效率，当气象数据的内在结构在高维空间被扭曲时，主成分分析不能达到很好的降维效果，同时，因子分析作为一种线性降维方法，不能反映非线性数据集的内在结构，本申请实施例中通过局部线性嵌入技术进行降维，有效地保护了高维气象数据的内部结构，降低了数据的维数和模型的复杂度。
对待训练气象数据[x1,x2,…,xi,…，xj,…,xn]进行降维处理的具体步骤为：基于穷举法在预置范围内选取参数，其中，预置范围为[1，n]，n为待训练气象数据的数目，采用穷举法，在预置范围内从小到大取参数k，k为整数；基于待训练气象数据计算关联积分C(λ,δ)，公式为：
Figure BDA0002377637270000081
其中，||xi-xj||为xi和xj的二范数，I(·)为阶跃函数，δ为尺度参数，在局部线性嵌入中可以理解为超球面半径。
基于关联积分计算关联维数，将关联维数作为预置维数，具体为：绘制一条logC(λ,δ)-logδ曲线，选择曲线中间部分的直线段，设δ1、δ2分别为该直线上的两点，计算关联维数Dcor，计算公式为：
Figure BDA0002377637270000082
基于预置维数Dcor和参数k，根据局部线性嵌入方法(Local Linear Embedding，LLE)对待训练气象数据进行降维处理，得到若干个低维数据，具体为：对于待训练气象数据xi，确定k后，就能在高维邻域里确认与其最近的k个邻域待训练气象数据，建立待训练气象数据和其邻域数据的线性关系，可以表示为：
xi＝wi1*xi1+wi2*xi2+…+wik*xik；
xik为待训练气象数据xi的k个邻域待训练气象数据，wi＝[wi1,wi2,…,wik]为重建系数。
通过最小化重构误差，得到重建系数wi，重构误差ε为：
Figure BDA0002377637270000083
得到的重建系数wi是高维的重建系数，为了使这些高维重建系数对应的线性关系在降维后的低维数据一样得到保持，对目标函数进行优化使其最小化，从而得到待训练气象数据对应的低维数据y，由于局部线性嵌入会保留原始数据的拓扑结构，因此，降维得到的低维数据y具有同高维数据x一样的局部线性结构，其中，目标函数为：
Figure BDA0002377637270000091
其中，tr为迹函数，此时，wij为n×n维度，令M＝(I-W)(I-W)T，相应的目标函数为minΦ(Y)＝tr(YMY)T，为了得到标准化的低维数据，加入约束条件：
Figure BDA0002377637270000092
Figure BDA0002377637270000093
最小化目标函数Φ(Y)对应的Y就是M的最小的预置维数Dcor个特征值所对应的预置维数Dcor各特征向量组成的矩阵，计算矩阵M的前Dcor+1个特征值，并计算这Dcor+1个特征值对应的特征向量，由第二个特征向量到第Dcor+1个特征向量所组成的矩阵即为输出的低维数据。
每选取一次参数k，就相应的进行一次降维处理，得到相应的降维数据，当在预置范围内选取完所有的参数k后，即选到最大参数，k＝n时，此时，对应的有n组降维数据，将每组降维数据输入到残差函数中，得到n个残差值，残差函数为：
e＝1-ρ2(Dx,Dy)；
其中，ρ为线性相关系数，Dx为待训练气象数据x的欧式距离矩阵，Dy为低维数据y的欧式距离矩阵，本申请实施例中定义残差函数来反映嵌入空间中高维数据的降维效果，残差e越小，x到y的映射质量越高，将最小的残差值对应的低维数据，即映射质量最高的，作为降维后的待训练气象数据。
步骤205、当极限学习机达到收敛条件时，得到训练好的极限学习机，将训练好的极限学习机作为预置极限学习机。
需要说明的是，将第二模态序列和降维后的待训练气象数据作为训练样本xj＝(sj,tj)，其中，sj＝[sj1,sj2…,sjp]T∈Rp是降维后的待训练气象数据，tj＝[tj1,tj2,…,tjq]T∈Rq是第二模态序列，假设极限学习机的输入层、隐含层和输出层的节点数分别为n、m和l，隐含层神经元的激活函数为g(xj)，计算极限学习机的输出：
Figure BDA0002377637270000094
其中，ωi、βi为网络的权重，bi为网络偏差，yi为网络输出，极限学习机的输出还可以表示为Hβ＝Y，其中，
Figure BDA0002377637270000101
训练过程具体为：将第二模态序列和降维后的待训练气象数据输入到极限学习机对极限学习机的权重和偏差进行初始化；
基于蚁狮算法对极限学习机的初始后的权重和偏差进行优化训练，具体为：
初始化蚁狮算法并生成蚂蚁和蚁狮种群；
计算极限学习机的输出权重，对每只蚂蚁和蚁狮的适应度值进行评价，寻找当前最优的精英蚁狮，适应度值函数为：
Figure BDA0002377637270000102
其中，l为输出节点的数目，yi和oi分别为第i个节点的实际输出和预期输出，本申请实施例中λ＝1。
通过轮盘赌方式选择蚁狮，并结合精英蚁狮更新蚂蚁的位置，蚂蚁随机行走的表达式为：
X(t)＝[0,cumsum(2f(t1)-1),cumsum(2f(t2)-1),…,cumsum(2f(ta)-1)]；
其中，cumsum为蚂蚁的位置的累积和，α为最大迭代次数，t为当前迭代次数，
Figure BDA0002377637270000103
f(t)为随机函数，rand为0到1之间的随机数。
将蚂蚁在随机行走中的位置标准化，即：
Figure BDA0002377637270000104
其中，
Figure BDA0002377637270000105
分别是第i维空间第t次迭代中所有蚂蚁个体的上界、下界。
蚂蚁在搜索空间中的随机行走受到蚁狮陷阱的约束，为：
Figure BDA0002377637270000106
Figure BDA0002377637270000107
其中，ct、dt分别为第t次迭代中优化空间的上界、下界，
Figure BDA0002377637270000108
为第t词迭代中所选第i个蚁狮的位置。
当蚂蚁试图逃离陷阱时，蚁狮通过流沙将蚂蚁推进陷阱中心，即：
Figure BDA0002377637270000109
Figure BDA0002377637270000111
其中，a为常数，tmax为最大迭代次数。
随着迭代的进行，改变a以提高蚂蚁滑入陷阱的深度，为：
Figure BDA0002377637270000112
在迭代过程中，将精英的位置存储下来，同时通过轮盘赌来选择一只蚁狮，结合两个蚁狮来更新蚂蚁的位置，即：
Figure BDA0002377637270000113
其中，
Figure BDA0002377637270000114
分别为第t次迭代中蚂蚁绕所选蚁狮随机行走和绕精英蚁狮随机行走的位置。
根据更新后的蚂蚁位置和当前精英位置的比较，重新调整精英的位置，捕捉蚂蚁后更新蚁狮位置的公式为：
Figure BDA0002377637270000115
其中，
Figure BDA0002377637270000116
为当前精英，若捕捉到的蚂蚁位置比蚁狮的位置更适合捕猎，蚁狮会将其位置更新为捕捉到的蚂蚁的位置，以增加下一次捕猎的机会。
当满足停止条件时，即达到收敛条件时，可以是达到最大迭代次数，输出结果，通过最小二乘法得到极限学习机的输出权重β，以全局最优位置对应的权重和偏差作为极限学习机的最终参数，得到极限学习机预测模型，即训练好的极限学习机，将训练好的极限学习机作为预置极限学习机。
本申请实施例中通过蚁狮算法对极限学习机的参数进行优化，避免了由随机给定的极限学习机隐藏层权值和偏差引起的节点不稳定的问题。
步骤206、获取待预测风电功率数据和待预测气象数据。
步骤207、对待预测风电功率数据进行CEEMD分解，得到若干个第一分量。
需要说明的是，CEEMD分解的具体过程为：在待预测风电功率x(t)中加入一对幅值相等的正负白噪声，得到目标噪声数据x(t)+ε0ωm(t)。
对目标噪声数据进行EMD分解，得到若干个内模分量；计算所有内模分量的平均值，得到本征模态分量，本征模态分量的计算公式为：
Figure BDA0002377637270000121
其中，E(·)为EMD分解得到的内模分量，m和n为信号采样点，且1≤m≤n。
对待预测风电功率数据和所有本征模态分量的进行差值运算，得到余项分量，余项分量的计算公式为：
r1(t)＝x(t)-C1(t)；
当余项分量的极值点的数量小于或等于2时，输出若干个本征模态分量，将本征模态分量作为第一分量，第一分量可以表示为IMF＝[IMF1，IMF2，...，IMFK]；
当余项分量的极值点的数量大于2时，将余项分量作为新的待预测风电功率数据，返回在待预测风电功率数据中加入一对幅值相等的正负白噪声，得到目标噪声数据的步骤，直至余项分量的极值点的数量小于或等于2，输出若干个第一分量：
Figure BDA0002377637270000122
最后一个余项分量的计算公式为：
Figure BDA0002377637270000123
其中，K为本征模态分量的数量，因此，待预测风电功率数据可以看成是所有的第一本征模态分量和余项分量的和。
步骤208、计算若干个第一分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第一分量进行叠加，得到第一模态序列。
需要说明的是，计算Lempel-Ziv复杂度属于现有技术，在此不再对Lempel-Ziv复杂度的计算过程进行赘述。计算若干个第一分量的Lempel-Ziv复杂度后，对每个Lempel-Ziv复杂度进行归一化处理，归一化公式为：
Figure BDA0002377637270000124
其中，d为第一分量的长度，c(d)为Lempel-Ziv复杂度，
Figure BDA0002377637270000125
为归一化后的Lempel-Ziv复杂度。
根据归一化处理后的Lempel-Ziv复杂度划分若干个区间；将在同一区间的Lempel-Ziv复杂度对应的第一分量进行叠加，得到新分量，即第一模态序列，通过根据Lempel-Ziv复杂度进行序列重构，可以得到更为稳定的序列，有助于提高预测精度。本申请实施例中通过CEEMD分解和Lempel-Ziv复杂度将风电功率数据分解为平稳的、分层的和独立的模态序列，不依赖于预设参数进行自适应分解，并克服了EMD模态混叠问题，提高了风电功率预测的准确率。
步骤209、将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果。
需要说明的是，待预测气象数据与待预测风电功率数据相关，气象数据包括气温、气压、风速和方向，考虑到风电功率预测与气象数据相关，将气象数据和待预测风电功率数据一起输入到预置极限学习机进行预测，有助于进一步提高风电功率预测准确率；并且对待预测气象数据进行降维，有助于提高风电预测效率，其中，本申请实施例中通过局部线性嵌入技术对待训练气象数据进行降维，有效地保护了高维气象数据的内部结构，降低了数据的维数和模型的复杂度。
为了便于理解，请参阅图3，本申请提供的一种基于CEEMD-LZC和流形学习的短期风电功率预测装置的一个实施例，包括：
第一分解模块301，用于对待预测风电功率数据进行CEEMD分解，得到若干个第一分量。
第一计算模块302，用于计算若干个第一分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第一分量进行叠加，得到第一模态序列。
预测模块303，用于将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果。
进一步地，还包括：
第一获取模块304，用于获取待预测风电功率数据和待预测气象数据；
第二获取模块305，用于获取待训练风电功率数据和待训练气象数据。
第二分解模块306，用于对待训练风电功率数据进行CEEMD分解，得到若干个第二分量。
第二计算模块307，用于计算若干个第二分量的Lempel-Ziv复杂度，将满足预置条件的Lempel-Ziv复杂度对应的第二分量进行叠加，得到第二模态序列。
训练模块308，用于将第二模态序列和降维后的待训练气象数据输入到极限学习机，对极限学习机进行训练。
收敛模块309，用于当极限学习机达到收敛条件时，得到训练好的极限学习机，将训练好的极限学习机作为预置极限学习机。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (9)

1.一种基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，包括：
对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；
计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列；
将所述第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果；
所述计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列，包括：
计算若干个所述第一分量的Lempel-Ziv复杂度；
对每个所述Lempel-Ziv复杂度进行归一化处理；
根据归一化处理后的所述Lempel-Ziv复杂度划分若干个区间；
将在同一区间的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到所述第一模态序列。
2.根据权利要求1所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，所述将所述第一模态序列和降维处理后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：
获取待训练风电功率数据和待训练气象数据；
对所述待训练风电功率数据进行CEEMD分解，得到若干个第二分量；
计算若干个所述第二分量的Lempel-Ziv复杂度，将满足所述预置条件的所述Lempel-Ziv复杂度对应的所述第二分量进行叠加，得到第二模态序列；
将所述第二模态序列和降维后的所述待训练气象数据输入到极限学习机，对所述极限学习机进行训练；
当所述极限学习机达到收敛条件时，得到训练好的所述极限学习机，将训练好的所述极限学习机作为所述预置极限学习机。
3.根据权利要求2所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，所述将所述第一模态序列和降维处理后的所述待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：
基于穷举法在预置范围内选取参数；
基于预置维数和所述参数，根据局部线性嵌入方法对所述待训练气象数据进行降维处理，得到若干个低维数据；
将每个所述低维数据输入到残差函数中，得到若干个残差值，所述残差函数为：
e＝1-ρ2(Dx,Dy)；
其中，ρ为线性相关系数，Dx为所述待训练气象数据x的欧式距离矩阵，Dy为所述低维数据y的欧式距离矩阵；
将最小的所述残差值对应的所述低维数据作为降维后的所述待训练气象数据。
4.根据权利要求3所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，所述基于预置维数和所述参数，根据局部线性嵌入方法对所述待训练气象数据进行降维处理，得到若干个低维数据，之前还包括：
基于所述待训练气象数据计算关联积分；
基于所述关联积分计算关联维数，将所述关联维数作为所述预置维数。
5.根据权利要求2所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，所述将所述第二模态序列和降维后的待训练气象数据输入到极限学习机，对所述极限学习机进行训练，包括：
将所述第二模态序列和降维后的待训练气象数据输入到所述极限学习机对所述极限学习机的权重和偏差进行初始化；
基于蚁狮算法对所述极限学习机的初始后的权重和偏差进行优化训练。
6.根据权利要求1所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，所述对待预测风电功率数据进行CEEMD分解，得到若干个第一分量，包括：
在所述待预测风电功率数据中加入一对幅值相等的正负白噪声，得到目标噪声数据；
对所述目标噪声数据进行EMD分解，得到若干个内模分量；
计算所有内模分量的平均值，得到本征模态分量；
对所述待预测风电功率数据和所有所述本征模态分量的进行差值运算，得到余项分量；
当所述余项分量的极值点的数量小于或等于2时，输出若干个所述本征模态分量，将所述本征模态分量作为所述第一分量；
当所述余项分量的极值点的数量大于2时，将所述余项分量作为新的所述待预测风电功率数据，返回所述在所述待预测风电功率数据中加入一对幅值相等的正负白噪声，得到目标噪声数据的步骤。
7.根据权利要求1所述的基于CEEMD-LZC和流形学习的短期风电功率预测方法，其特征在于，还包括：
获取所述待预测风电功率数据和所述待预测气象数据。
8.一种基于CEEMD-LZC和流形学习的短期风电功率预测装置，其特征在于，包括：
第一分解模块，用于对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；
第一计算模块，用于计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列；
预测模块，用于将所述第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果；
所述第一计算模块具体用于：
计算若干个所述第一分量的Lempel-Ziv复杂度；
对每个所述Lempel-Ziv复杂度进行归一化处理；
根据归一化处理后的所述Lempel-Ziv复杂度划分若干个区间；
将在同一区间的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到所述第一模态序列。
9.根据权利要求8所述的基于CEEMD-LZC和流形学习的短期风电功率预测装置，其特征在于，还包括：
第一获取模块，用于获取所述待预测风电功率数据和所述待预测气象数据；
第二获取模块，用于获取待训练风电功率数据和待训练气象数据；
第二分解模块，用于对所述待训练风电功率数据进行CEEMD分解，得到若干个第二分量；
第二计算模块，用于计算若干个所述第二分量的Lempel-Ziv复杂度，将满足所述预置条件的所述Lempel-Ziv复杂度对应的所述第二分量进行叠加，得到第二模态序列；
训练模块，用于将所述第二模态序列和降维后的所述待训练气象数据输入到极限学习机，对所述极限学习机进行训练；
收敛模块，用于当所述极限学习机达到收敛条件时，得到训练好的所述极限学习机，将训练好的所述极限学习机作为所述预置极限学习机。
CN202010072450.7A 2020-01-21 2020-01-21 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 Active CN111274532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010072450.7A CN111274532B (zh) 2020-01-21 2020-01-21 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010072450.7A CN111274532B (zh) 2020-01-21 2020-01-21 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置

Publications (2)

Publication Number Publication Date
CN111274532A CN111274532A (zh) 2020-06-12
CN111274532B true CN111274532B (zh) 2023-05-02

Family

ID=70996953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010072450.7A Active CN111274532B (zh) 2020-01-21 2020-01-21 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置

Country Status (1)

Country Link
CN (1) CN111274532B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950764B (zh) * 2020-07-03 2024-03-22 国网冀北电力有限公司 一种极端天气条件电网风电功率预测修正方法
CN112529268B (zh) * 2020-11-28 2023-06-27 广西大学 一种基于流形学习的中短期负荷预测方法及装置
CN117394306A (zh) * 2023-09-19 2024-01-12 华中科技大学 基于新能源并网的风电功率预测模型建立方法及其应用

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311567B2 (en) * 2010-05-10 2016-04-12 Kuang-chih Lee Manifold learning and matting
CN102521671B (zh) * 2011-11-29 2014-10-29 华北电力大学 一种风电功率超短期预测方法
CN107392363A (zh) * 2017-07-12 2017-11-24 河海大学 一种ceemd和随机森林的短期风功率预测方法
CN110689190A (zh) * 2019-09-24 2020-01-14 南方电网科学研究院有限责任公司 一种电网负荷预测方法、装置及相关设备

Also Published As

Publication number Publication date
CN111274532A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111274532B (zh) 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置
Zhang et al. A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing
Xiaoyun et al. Short-term prediction of wind power based on deep long short-term memory
Wang et al. An adaptive deep belief network with sparse restricted Boltzmann machines
Liu et al. Short-term wind power forecasting by stacked recurrent neural networks with parametric sine activation function
Essien et al. A deep learning framework for univariate time series prediction using convolutional LSTM stacked autoencoders
Lin et al. Deep belief networks with genetic algorithms in forecasting wind speed
CN113177633B (zh) 一种深度解耦时间序列预测方法
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN111832825A (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
Li et al. Error tolerance based support vector machine for regression
CN114519145A (zh) 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法
CN113901679B (zh) 电力系统的可靠性分析方法、装置和计算机设备
Kumari et al. Wind power prediction using klms algorithm
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
Giffon et al. QuicK-means: accelerating inference for K-means by learning fast transforms
CN116522124A (zh) 一种基于环境因素影响的溶解氧含量预测方法和系统
Tian et al. A novel wind speed interval prediction system based on neural network and multi-objective grasshopper optimization
Cacciarelli et al. Hidden dimensions of the data: Pca vs autoencoders
Liu et al. Fintech index prediction based on RF-GA-DNN algorithm
CN115392594B (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
Khan et al. Forecasting renewable energy for environmental resilience through computational intelligence
Qu et al. Data imputation of wind turbine using generative adversarial nets with deep learning models
Wu et al. Forecast of short-term wind power based on a novel hybrid method
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法

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