CN111695724B - 一种基于混合神经网络模型的风速预测方法 - Google Patents
一种基于混合神经网络模型的风速预测方法 Download PDFInfo
- Publication number
- CN111695724B CN111695724B CN202010484805.3A CN202010484805A CN111695724B CN 111695724 B CN111695724 B CN 111695724B CN 202010484805 A CN202010484805 A CN 202010484805A CN 111695724 B CN111695724 B CN 111695724B
- Authority
- CN
- China
- Prior art keywords
- neural network
- short
- term
- wind speed
- time sequence
- 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
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000007787 long-term memory Effects 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000006403 short-term memory Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 239000004973 liquid crystal related substance Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000002688 persistence Effects 0.000 description 4
- 238000000053 physical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种基于混合神经网络模型的风速预测方法，包括：对风速原始时间序列数据进行集成经验模态分解，建立长短期记忆神经网络对集成经验模态分解得到的分量信号进行预测，通过贝叶斯优化算法对长短期记忆神经网络的超参数进行调节优化，将分量信号的预测结果合成为最终的预测结果。本发明通过将随机非稳态的原始短期风速时间序列分解为稳定变化的时间序列数据，并对长短期记忆神经网络的超参数进行自动调节优化，得到预测结果，大大降低了预测误差，提高了预测精度，可应用于短期风速的预测，为风力发电网络的智能运维提供有力工具。
Description
技术领域
本发明涉及数据分析和风能领域，尤其涉及一种基于集成经验模态分解(Ensemble empirical mode decomposition,EEMD)、长短期记忆神经网络(Long short-term memory,LSTM)和贝叶斯优化(Bayesian optimization,BO)的混合神经网络模型的风速预测方法。
背景技术
风力发电中，电力系统是一个复杂的动态系统，需要维持发电、输电、用电之间的功率平衡。没有风电的传统电力系统中，电网调度机构根据日负荷曲线制定发电计划，满足次日电力的需求。风力发电依赖于气候条件，风的间歇性导致风电场输出功率具有很大的波动性，因此风电的大规模接入导致发电计划制定难度大大加大，影响着电力系统的调度和电网的稳定性。此外，电力供给与负载的匹配也是风力发电网络整合利用的一个难题：电力网络的稳定建立在电网频率稳定的基础上，大于供给的负载使电网频率下降，反之电网频率上升。而对风速的短期预测是电力系统经济调度的重要内容，对其准确预测可降低电力系统的旋转备用，减小其运行成本，为电力系统的安全、经济及优质运行提供支撑。
目前针对风速预测已有较多的研究，预测方法主要分为两类：一是物理方法，二是统计方法。物理方法基于实际的大气条件，如在一定的初始条件和边界条件下，根据不同高度的风向、风速、气压、湿度等气象要素的数值，利用大型计算机进行数值计算，得到未来某一时期中描述天气变化的流体力学和热力学方程，从而预测未来某一时期中大气的运动和天气现象。最典型的物理方法就是数值天气预报模型(Numeric Weather Prediction,NWP)。风速预测的物理方法的核心是提高数值天气预报的分辨率,即建立一个中微型时间尺度的数值天气预报和当地风之间的联系，以便系统可以准确地预测某个点(如每个风力涡轮机的地点)的天气(如风速、风向等)，从而建立风力发电场NWP模型的本地版本。该方法不需要大量的历史数据，但建模困难，需要研究和分析各种条件(风电场的地理环境和大气环境)。由于天气预报多为日更新，数据频率较低，因此物理预报方法主要应用于中期预报。
统计方法主要通过建立系统输入与风速之间的映射关系，利用历史数据得到风速的预测。传统的统计方法包括持续性模型，卡尔曼滤波，自回归滑动平均模型(Autoregression Moving Average,ARMA)等。除此之外，人工神经网络(ArtificialNeural Network,ANN)也常常被用于时序的风速预测中。文献(Gong Li,Jing Shi.Oncomparing three artificial neural networks for wind speed forecasting[J].Applied Energy,2010,87(7):2313-20.)比较了反向传播神经网络(Back PropagationNeural Network,BPNN)、径向基神经网络(Radial Basis Function Neural Network,RBFNN)、线性适应元神经网络(Adaptive Linear Element Network,ADALINE)这三种神经网络在小时风速预测上的表现。结果显示，不同的网络结构与模型在不同评估标准下的表现各不相同。同时也可以看出，单一人工神经网络模型的风速预测缺乏可靠性。
风速的影响因素繁杂，导致短期风速的变化具有很大的随机性。人工神经网络在短期风速的预测上准确率高于传统的数值方法，然而其拟合效果依然是有限的。近年来，人工神经网络在短期风速预测的研究上，单一的人工神经网络算法已经无法满足人们对高精度预测的要求，越来越多的混合模型开始出现。这些混合模型在原有人工神经网络的基础上进行改进，辅助以其他的算法，减小预测误差，提高预测模型的综合能力。
提高人工神经网络模型预测精度的基本思路有两个方面，一是优化人工神经网络自身结构，提高网络性能；二是优化输入数据，使数据变得易于分析和拟合。从这两个基本思路出发，提出一种基于集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)、长短期记忆(Long Short-Term Memory,LSTM)神经网络和贝叶斯优化(BayesianOptimization,BO)的新型人工神经网络预测算法，并应用于短期风速预测领域。但目前的短期风速数据预测模型的预测能力不足，预测误差大。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于集成经验模态分解、长短期记忆神经网络和贝叶斯优化的短期风速预测方法，该方法降低了预测难度，提高了预测精度。
本发明的目的是通过以下技术方案来实现的：
一种基于混合神经网络模型的风速预测方法，包括以下步骤：
S1：采集短期风速时间序列，所述的短期风速时间序列为随机非稳态的时间序列；
S2：对S1的短期风速时间序列进行集成经验模态分解，分解为一系列规律变化的本征模函数和残差信号；
S3：对每一个本征模函数和残差信号建立长短期记忆神经网络模型，并使用贝叶斯优化算法调节优化神经网络的超参数；
S4：使用S3得到的训练后的长短期记忆神经网络模型对S2得到的本征模函数和残差信号进行预测，得到每一个本征模函数和残差信号的预测值；
S5：将所有本征模函数和残差信号的预测值进行叠加，得到原始时间序列的最终预测结果。
进一步地，所述S2具体包括以下子步骤：
S2.1：定义辅助分析的白噪声的标准差；
S2.2：利用S2.1所定义的标准差随机生成一条白噪声，并加入到S1的短期风速时间序列中，得到信号s(t)；
S2.3：拟合信号s(t)的上下包络线，并计算其平均值，得到平均信号m(t)；
S2.4：从信号s(t)中去除平均信号m(t)，并得到新的时间序列H(t)；
S2.5：对新的时间序列H(t)重复步骤S2.3和S2.4，直到当前时间序列信号满足本征模函数的特征要求，得到一个本征模函数c(t)；
S2.6：从信号s(t)中减去S2.5得到的本征模函数c(t)，得到残差信号r(t)，并对残差信号r(t)重复步骤S2.3～S2.5，从而从原始信号中分离出一系列本征模函数，直到残差信号r(t)满足停止条件；
S2.7：重复步骤S2.2～S2.6 M次，得到最终的本征模函数IMFj：
其中，cj,m表示第m次进行经验模态分解得到的第j个本征模函数。
进一步地，所述的S3具体为：
S3.1：定义优化问题，即在搜索范围θL≤θ≤θH内，找到θ*＝argminf(θ)
其中，θ为长短期记忆神经网络模型的超参数组，θ＝[θ1，θ2，θ3，θ4]，θ1，θ2，θ3，θ4分别为学习率、隐藏层层数、隐藏层节点数和时间步；f(θ)为超参数组θ与神经网络模型的损失函数值之间存在的关系；隐藏层层数的搜索范围为1～5，每个隐藏层的节点数搜索范围为1～200，时间步的搜索范围为1～150，学习率的搜索范围为0.000001-0.1；
S3.2：对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行初始化，并使用Adam优化算法对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行迭代更新；
S3.3：用测试集数据对训练好的长短期记忆神经网络模型进行测试，计算测试集的损失函数值；
S3.4：利用贝叶斯优化中的采样函数，得到下一组设计变量的值；
S3.5：重复步骤S3.2～S3.4，直到满足优化停止条件，得到优化的长短期记忆神经网络模型。
进一步地，所述的S3.4具体过程如下：
(1)假设优化目标为Y＝f(θ)，则得到一组采样点{(θ1，y1)，(θ2，y2)，...，(θn，yn)}；设定函数f(θ)符合高斯过程，即Y～N(μ，K)，在f(θ)中加入零均值的高斯白噪声，求得n个样本的有限集合的先验分布表示为Y～N(μ，K+σ2I)；
其中，K为协方差矩阵，μ为一n×1的平均向量：
μ＝[μ1，μ2，...，μn]T
k为ARD Matern 5/2协方差函数：
I为一个n×n的单位矩阵；σ2为白噪声的方差；
(2)给定采样集Sd＝[Xn，Yn]，下一个采样点θn+1及其函数值f(θn+1)也符合高斯分布
所述的下一个采样点利用采样函数得到；
其中，
Xn＝[θ1，θ2，...，θn]T，Yn＝[f(θ1)，f(θ2)，...，f(θn)T；
f(θn+1)的均值μn+1|D和方差
表示为：
μn+1|D＝m(θn+1)+k(θn+1，Xn)(K+σ2I)-1(Yn-m)
其中，
m＝[m(θ1)，m(θ2)，...，m(θn)]T
k(θn+1，Xn)＝[k(θn+1，θ1)，k(θn+1，θ2)，...，k(θn+1，θn)]
k(Xn，θn+1)＝k(θn+1，Xn)T。
进一步地，所述的(2.3)中的采样函数为期望增量函数。
本发明的有益效果是，
本发明的方法利用集成经验模态分解将随机非稳态时间序列的复杂预测问题转换为一系列规律变化的时间序列数据的简单预测问题，降低预测难度，从而提高预测精度；利用长短期记忆神经网络模型对集成经验模态分解得到的一系列本征模函数分别进行时序预测，比普通的循环神经网络更好的拟合了数据的长期依赖特征，从而提高预测精度；利用贝叶斯优化算法对神经网络模型的超参数进行自动调节优化，从而提高预测精度。
附图说明
图1是基于集成经验模态分解、长短期记忆神经网络和贝叶斯优化的时间序列预测方法流程图。
图2为本发明实施例对10分钟平均风速进行单步预测的实际值和预测值的时序对比图，其中(a-f)分别为持续性模型、ARIMA模型、LSTM模型、BO-LSTM模型、EEMD-LSTM模型、EEMD-BO-LSTM模型的预测结果。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的方法为了提高随机非平稳时间序列的可预测性，采用EEMD方法将原始时间序列分解为多个分量(每个分量是单频平稳信号)和一个残差信号。利用分解后的信号训练神经网络，利用BO算法对超参数进行调节优化。在训练神经网络的基础上，通过对分解后的信号的所有预测值求和，对后续时间序列数据进行预测。
本发明的基于集成经验模态分解、长短期记忆神经网络和贝叶斯优化算法的短期风速预测方法具体包括如下步骤：
S1：采集短期风速时间序列，所述的短期风速时间序列为随机非稳态的时间序列；
S2：对S1的短期风速时间序列进行集成经验模态分解，分解为一系列规律变化的本征模函数和残差信号；
S2.1：定义辅助分析的白噪声的标准差；
S2.2：利用S2.1所定义的标准差随机生成一条白噪声，并加入到S1的短期风速时间序列中，得到信号s(t)；
S2.3：拟合信号s(t)的上下包络线，并计算其平均值，得到平均信号m(t)；
S2.4：从信号s(t)中去除平均信号m(t)，并得到新的时间序列H(t)；
S2.5：对新的时间序列H(t)重复步骤S2.3和S2.4，直到当前时间序列信号满足本征模函数的特征要求，得到一个本征模函数c(t)；
S2.6：从信号s(t)中减去S2.5得到的本征模函数c(t)，得到残差信号r(t)，并对残差信号r(t)重复步骤S2.3～S2.5，从而从原始信号中分离出一系列本征模函数，直到残差信号r(t)满足停止条件；
S2.7：重复步骤S2.2～S2.6 M次，得到最终的本征模函数IMFj：
其中，cj,m表示第m次进行经验模态分解得到的第j个本征模函数。
S3：对每一个本征模函数和残差信号建立长短期记忆神经网络模型，并使用贝叶斯优化算法调节优化神经网络的超参数；
S3.1：定义优化问题，即在搜索范围θL≤θ≤θH内，找到θ*＝argminf(θ)
其中，θ为长短期记忆神经网络模型的超参数组，θ＝[θ1，θ2，θ3，θ4]，θ1，θ2，θ3，θ4分别为学习率、隐藏层层数、隐藏层节点数和时间步；f(θ)为超参数组θ与神经网络模型的损失函数值之间存在的关系；隐藏层层数的搜索范围为1～5，每个隐藏层的节点数搜索范围为1～200，时间步的搜索范围为1～150，学习率的搜索范围为0.000001-0.1；
S3.2：对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行初始化，并使用Adam优化算法对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行迭代更新；
S3.3：用测试集数据对训练好的长短期记忆神经网络模型进行测试，计算测试集的损失函数值；
S3.4：利用贝叶斯优化中的采样函数，得到下一组设计变量的值；
(1)假设优化目标为Y＝f(θ)，则得到一组采样点{(θ1，y1)，(θ2，y2)，...，(θn，yn)}；设定函数f(θ)符合高斯过程，即Y～N(μ，K)，在f(θ)中加入零均值的高斯白噪声，求得n个样本的有限集合的先验分布表示为Y～N(μ，K+σ2I)；
其中，K为协方差矩阵，μ为一n×1的平均向量：
μ＝[μ1，μ2，...，μn]T
k为ARD Matern 5/2协方差函数：
I为一个n×n的单位矩阵；σ2为白噪声的方差；
(2)给定采样集Sd＝[Xn，Yn]，下一个采样点θn+1及其函数值f(θn+1)也符合高斯分布
所述的下一个采样点利用采样函数得到；
其中，
Xn＝[θ1，θ2，...，θn]T，Yn＝[f(θ1)，f(θ2)，...，f(θn)]T；
f(θn+1)的均值μn+1|D和方差
表示为：
μn+1|D＝m(θn+1)+k(θn+1，Xn)(K+σ2I)-1(Yn-m)
其中，
m＝[m(θ1)，m(θ2)，...，m(θn)]T
k(θn+1，Xn)＝[k(θn+1，θ1)，k(θn+1，θ2)，...，k(θn+1，θn)]
k(Xn，θn+1)＝k(θn+1，Xn)T。
S3.5：重复步骤S3.2～S3.4，直到满足优化停止条件，得到优化的长短期记忆神经网络模型。
S4：使用S3得到的训练后的长短期记忆神经网络模型对S2得到的本征模函数和残差信号进行预测，得到每一个本征模函数和残差信号的预测值；
S5：将所有本征模函数和残差信号的预测值进行叠加，得到原始时间序列的最终预测结果。
下面以一个具体的实施例对本发明的方法的应用进行说明。
该实施例中，采集10分钟平均风速时序数据，通过风电场数据采集获得，总样本量为29946个；然后对时间序列进行集成经验模态分解，设置集成次数为100，噪声标准差为0.05，将随机非稳态的时间序列分解为13个本征模函数和1个残差序列。并分成训练集和测试集，其中，训练集含样本5000个，测试集含样本24946个。
本实施例针对该模型的单步预测性能及多步预测性能进行了评估，并与其他模型进行比较研究，预测误差的评估方法如下：
(1)均方根误差(Root Mean Square Error,RMSE)：
(2)平均绝对百分误差(Mean Absolute Percentage Error,MAPE)：
(3)平均绝对误差(Mean Absolute Error,MAE)：
(4)R平方误差(R-square)：
其中，yi,y′i,
分别为实际值、预测值和实际值均值。
各模型的单步预测误差如表1所示；截取单步预测结果中的某一片段，各模型预测值与真实值的时序图如图2所示，其中(a-f)分别为持续性模型、ARIMA模型、LSTM模型、BO-LSTM模型、EEMD-LSTM模型、EEMD-BO-LSTM模型的预测结果。
从表1和图2可以看出，与传统统计模型(持续性模型和差分整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)模型)相比，EEMD-BO-LSTM模型在各个误差指标上均显示出很大优势；而与单一的LSTM模型，BO-LSTM模型，EEMD-LSTM模型相比，EEMD-BO-LSTM在预测精度上有了很大的提升，证明了该模型在短期风速预测方面的优越性。
表1各种模型的单步预测误差
各模型的多步预测误差如表2所示，从中可以看出在多步预测中，EEMD-BO-LSTM模型依然具有很大的优势。
表2各种模型的二步、三步、四步预测误差
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例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。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (2)
1.一种基于混合神经网络模型的风速预测方法，其特征在于，包括以下步骤：
S1：采集短期风速时间序列，所述的短期风速时间序列为随机非稳态的时间序列；
S2：对S1的短期风速时间序列进行集成经验模态分解，分解为一系列规律变化的本征模函数和残差信号；所述S2具体包括以下子步骤：
S2.1：定义辅助分析的白噪声的标准差；
S2.2：利用S2.1所定义的标准差随机生成一条白噪声，并加入到S1的短期风速时间序列中，得到信号s(t)；
S2.3：拟合信号s(t)的上下包络线，并计算其平均值，得到平均信号m(t)；
S2.4：从信号s(t)中去除平均信号m(t)，并得到新的时间序列H(t)；
S2.5：对新的时间序列H(t)重复步骤S2.3和S2.4，直到当前时间序列信号满足本征模函数的特征要求，得到一个本征模函数c(t)；
S2.6：从信号s(t)中减去S2.5得到的本征模函数c(t)，得到残差信号r(t)，并对残差信号r(t)重复步骤S2.3～S2.5，从而从原始信号中分离出一系列本征模函数，直到残差信号r(t)满足停止条件；
S2.7：重复步骤S2.2～S2.6 M次，得到最终的本征模函数IMFj：
其中，cj,m表示第m次进行经验模态分解得到的第j个本征模函数；
S3：对每一个本征模函数和残差信号建立长短期记忆神经网络模型，并使用贝叶斯优化算法调节优化神经网络的超参数；所述的S3具体为：
S3.1：定义优化问题，即在搜索范围θL≤θ≤θθ内，找到θ*＝argminf(θ)
其中，θ为长短期记忆神经网络模型的超参数组，θ＝[θ1,θ2,θ3,θ4]，θ1,θ2,θ3,θ4分别为学习率、隐藏层层数、隐藏层节点数和时间步；f(θ)为超参数组θ与神经网络模型的损失函数值之间存在的关系；隐藏层层数的搜索范围为1～5，每个隐藏层的节点数搜索范围为1～200，时间步的搜索范围为1～150，学习率的搜索范围为0.000001-0.1；
S3.2：对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行初始化，并使用Adam优化算法对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行迭代更新；
S3.3：用测试集数据对训练好的长短期记忆神经网络模型进行测试，计算测试集的损失函数值；
S3.4：利用贝叶斯优化中的采样函数，得到下一组设计变量的值；所述的S3.4具体过程如下：
(1)假设优化目标为Y＝f(θ)，则得到一组采样点{(θ1,y1),(θ2,y2),…,(θn,yn)}；设定函数f(θ)符合高斯过程，即Y～N(μ,K)，在f(θ)中加入零均值的高斯白噪声，求得n个样本的有限集合的先验分布表示为Y～N(μ,K+σ2I)；
其中，K为协方差矩阵，μ为一n×1的平均向量：
μ＝[μ1,μ2,…,μn]T
k为ARD Matern 5/2协方差函数：
I为一个n×n的单位矩阵；σ2为白噪声的方差；
(2)给定采样集Sd＝[Xn,Yn]，下一个采样点θn+1及其函数值f(θn+1)也符合高斯分布
所述的下一个采样点利用采样函数得到；
其中，
Xn＝[θ1,θ2,…,θn]T，Yn＝[f(θ1),f(θ2),…,f(θn)]T；
f(θn+1)的均值μn+1|D和方差
表示为：
μn+1|D＝n(θn+1)+k(θn+1,Xn)(K+σ2I)-1(Yn-m)
其中，
m＝[m(θ1),m(θ2),…,m(θn)]T
k(θn+1,Xn)＝[k(θn+1,θ1),k(θn+1,θ2),…,k(θn+1,θn)]
k(Xn,θn+1)＝k(θn+1,Xn)T；
S3.5：重复步骤S3.2～S3.4，直到满足优化停止条件，得到优化的长短期记忆神经网络模型；
S4：使用S3得到的训练后的长短期记忆神经网络模型对S2得到的本征模函数和残差信号进行预测，得到每一个本征模函数和残差信号的预测值；
S5：将所有本征模函数和残差信号的预测值进行叠加，得到原始时间序列的最终预测结果。
2.根据权利要求1所述的方法，其特征在于，所述的步骤S3.4中的采样函数为期望增量函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010484805.3A CN111695724B (zh) | 2020-06-01 | 2020-06-01 | 一种基于混合神经网络模型的风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010484805.3A CN111695724B (zh) | 2020-06-01 | 2020-06-01 | 一种基于混合神经网络模型的风速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695724A CN111695724A (zh) | 2020-09-22 |
| CN111695724B true CN111695724B (zh) | 2023-05-05 |
Family
ID=72479088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010484805.3A Active CN111695724B (zh) | 2020-06-01 | 2020-06-01 | 一种基于混合神经网络模型的风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695724B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022088064A1 (zh) * | 2020-10-30 | 2022-05-05 | 威盛电子股份有限公司 | 神经网络模型的超参数设定方法及建立平台 |
| CN112910288B (zh) * | 2020-12-08 | 2022-08-09 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN113409072A (zh) * | 2021-05-31 | 2021-09-17 | 河北科技师范学院 | 一种经验模态分解和分布式gru神经网络及价格预测方法 |
| CN113537592B (zh) * | 2021-07-15 | 2023-09-15 | 中国石油大学(北京) | 基于长短时记忆网络的油气藏产量预测方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4007701A1 (de) * | 1990-03-10 | 1991-09-12 | Vacuumschmelze Gmbh | Deaktivierbarer diebstahlsicherungsstreifen |
| US5401584A (en) * | 1993-09-10 | 1995-03-28 | Knogo Corporation | Surveillance marker and method of making same |
| NO962734L (no) * | 1995-07-27 | 1997-01-28 | Esselte Meto Int Gmbh | Deaktiverbar sikkerhetsstripe og fremgangsmåte og anordning for fremstilling av en deaktiverbar sikkerhetsstripe |
| AU2000228984A1 (en) * | 2000-02-25 | 2001-09-03 | Mxt Inc. | Deactivating element for magnetic marker and method of making same |
| GB2411794A (en) * | 2004-03-05 | 2005-09-07 | A C S Advanced Coding Systems | A magnetic tag comprised of a soft magnetic unit and a hard magnetic unit having coercivity higher than 1000oe |
| JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
| CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
-
2020
- 2020-06-01 CN CN202010484805.3A patent/CN111695724B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695724A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
| Zhao et al. | Multi-step wind speed and power forecasts based on a WRF simulation and an optimized association method | |
| Bessa et al. | Entropy and correntropy against minimum square error in offline and online three-day ahead wind power forecasting | |
| CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
| CN107169683A (zh) | 一种变权重系数的并网光伏电站短期功率组合预测方法 | |
| CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
| CN107358318A (zh) | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN112580874A (zh) | 一种基于随机森林算法和tcn的短期风电功率预测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
| CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN110222910A (zh) | 一种有源配电网态势预测方法及预测系统 | |
| CN113704695A (zh) | 一种适用于区域数值模式集合模拟预报的初值小扰动法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| Abdallah et al. | A vector autoregressive methodology for short-term weather forecasting: tests for Lebanon | |
| CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
| Yang et al. | Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method | |
| Chang et al. | Forecasting wind power generation by a new type of radial basis function-based neural network |
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 |