CN111832825A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111832825A CN111832825A CN202010676903.7A CN202010676903A CN111832825A CN 111832825 A CN111832825 A CN 111832825A CN 202010676903 A CN202010676903 A CN 202010676903A CN 111832825 A CN111832825 A CN 111832825A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- frequency
- meteorological
- learning machine
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006403 short-term memory Effects 0.000 title claims abstract description 14
- 230000007787 long-term memory Effects 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000001808 coupling effect Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000004880 explosion Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了融合长短期记忆网络和极限学习机的风电预测方法,获取风电功率序列及对应的气象数据,按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。针对不同频率的分量设置不同的预测模型,融合预测模型的预测结果能够提高风电预测的效果。同时充分考虑风电气象信息与风电功率的强耦合作用,提高了风电功率预测的准确性。
Description
技术领域
本公开涉及风力发电相关技术领域,具体的说,是涉及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。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
风电是一种清洁的可再生能源。近年来,风电获得高速发展,大大缓解了我国能源的不足。然而,风电的波动性和随机性显著提高了电力系统的不确定因素,给电力系统的平稳运行和实时调度带来了不利的影响。并且,随着风电一体化的快速发展,风电占社会总用电量的比重正在不断提高,其存在的问题对大电网的影响也越来越突出,包括:风电的接入使得电能质量降低,电力系统稳定和可靠降低,增加了实时的电网运行与控制的难度,电力市场设计与结算的辅助服务要求与成本提高,输电系统的传输容量需要升级以及需要建立互联互通标准等。
因此,实时准确的风电功率预测,无论是对于保障电力系统的安全稳定运行,还是对提高风能的利用率都有着重要的意义。
发明人发现,现有的风电预测方法没有充分考虑分解后风电子序列的频率特性,对不同频率的风电序列预测方式单一,从而限制了预测精度的提高,低频序列每一周期内时间跨度长,包含序列数据量大,传统预测方法建模时有梯度消失与爆炸的问题;高频序列每一周期内时间跨度短,包含序列数据量小但数据变化复杂,传统预测方法模型的泛化性能较低。
发明内容
本公开为了解决上述问题,提出了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,充分考虑风电气象信息与风电功率的强耦合作用,充分考虑了风电序列的频率特性,将不同频率的数据采用不同的模型进行处理,解决了单一模型存在的预测效果差的问题。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了融合长短期记忆网络和极限学习机的风电预测方法,包括如下步骤:
获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;
按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
一个或多个实施例提供了融合长短期记忆网络和极限学习机的风电预测系统,包括:
获取及预处理模块:被配置为用于获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;
分类模块:被配置为用于按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
预测模块:被配置为用于将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
融合模块:被配置为用于将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开针对不同频率的分量设置不同的预测模型,融合不同的预测模型的预测结果能够提高风电预测的效果。长短期记忆网络预测模型和极限学习机预测模型作为组合预测模型,用于实现对待测风电系统的风电功率预测,对于风电功率序列的低频分量采用长短期记忆网络预测模型,对于风电功率序列的高频特征分量采用极限学习机预测模型,通过组合模型分别针对频率不同的数据进行组合和训练,能够解决风电功率序列的低频分量在模型的建立过程中梯度消失和梯度爆炸的问题,同时针对高频分量采用泛化性能优良、收敛速度快的模型,能够提高预测的准确性及预测的效率,大大提高了风电功率预测的效果。
(2)本公开通过将气象数据作为预测风电功率的输入项,充分考虑风电气象信息与风电功率的强耦合作用,可以提高风电功率预测的准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的方法流程图;
图2是本公开实施例1的LSTM网络结构及神经元结构示意图;
图3是本公开实施例2的系统框图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,融合长短期记忆网络和极限学习机的风电预测方法,包括如下步骤:
步骤1、获取风电功率序列及对应的气象数据,分别对风电功率序列及气象特征数据进行预处理,获得风电功率序列的特征数据和气象特征数据;
步骤2、按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量:
具体的,可以将风电功率序列的低频分量与气象数据中影响风力发电的主成分信息组合作为第一特征向量即为低频组合输入特征向量,将风电功率序列的高频分量与气象特征分量组合作为第二特征向量即为高频组合输入特征向量。
步骤3、将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
步骤4、将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
本公开针对不同频率的分量设置不同的预测模型,融合不同的预测模型的预测结果能够提高风电预测的效果。通过对于风电功率序列的低频分量采用长短期记忆网络预测模型,长短期记忆网络预测模型和极限学习机预测模型作为组合预测模型用于实现对待测风电系统的风电功率预测;对于风电功率序列的高频特征分量采用极限学习机预测模型,通过组合模型分别针对频率不同的数据进行组合和训练,能够解决风电功率序列的低频分量在模型的建立过程中梯度消失和梯度爆炸的问题,同时针对高频分量采用泛化性能优良、收敛速度快的模型,分为不同的模型预测能够提高预测的准确性及预测的效率,大大提高了风电功率预测的效果。
下面对上述步骤进行详细说明。
获取当前的风电功率序列以及对应的气象数据,所述风电功率序列具体可以为按照采样时间间隔采集的风电功率,采样时间间隔可以为15分钟,气象数据包括风速、风向角、大气压强、温度、湿度等与风电功率相关的气象信息。
步骤1中数据预处理包括风电功率序列数据及对应的气象数据的预处理。
针对风电功率序列采用集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD),步骤如下:
(3)重复执行步骤(1)和(2)各m次,每次在原始风电序列中添加不同的白噪声,并获得相应的IMF子特征分量,在EEMD分解时,内部包含终止条件,如果满足终止条件就会退出,从而获得m次分解的结果。
(4)计算在m次分解中获得的所有IMF子特征分量和残差项的平均值,将其作为最终的IMF子层,表示如下:
EEMD分解完成后,原始风电功率序列可以用IMF子特征分量和残差项的线性组合表示,如下:
其中,cjt和rjt分别是m次分解过程中提取的第j个IMF子特征分量和第j个冗余项的平均值,n是IMF的个数。
气象条件是影响风力发电的影响因素,本实施例通过将气象数据作为预测风电功率的输入项,可以提高风电功率预测的准确性,所述气象数据可以包含风速、风向角、大气压强、温度、湿度等与风电功率相关的气象信息。
可选的,对气象数据采用主成分分析(Principal Component Analysis,PCA)算法提取特征,PCA的作用为找出气象特征中对风电功率影响比较大的特征,步骤如下:
1)提取气象数据中的所有的输入特征进行去中心化:
本实施例到的气象数据中输入特征包括风速、风向角、大气压强、温度、湿度等数据的数值。
求每一个输入特征fj的均值,然后将每一个输入特征都减去自身的均值,表示如下:
(2)计算特征的协方差矩阵,表示如下:
(3)计算协方差矩阵Cov(f)的特征值(λ1,λ2,...,λp)和相对应的特征向量,并计算所有特征的贡献率,最终据此选取合适的主成分,如公式(10)所示。贡献率越高,特征中包含的原始变量的信息越强。主成分的选取主要由特征的累积贡献率决定,累积贡献率通常要求达到95%以上,以确保主成分可以包含原始特征的大部分信息。
可选的,步骤2中,将特征重新组合形成输入特征向量,可以具体为:
步骤21、将采用EEMD分解的风电功率序列的特征数据划分为低频分量和高频分量;
步骤22、将基于EEMD分解的IMF低频分量与基于PCA提取的气象信息主成分作为第一输入特征向量;
第一输入特征向量即为建立的组合特征输入向量Xi,公式如下:
Xi=[IMFi,PCi] (11)
其中,IMFi表示风电功率序列的第i个子特征分量,PCi表示气象数据的信息主成分。
步骤23、将基于EEMD分解的IMF高频分量与所有气象特征分量(MeteorologicalFeatures,WF)组合作为第二个输入特征向量;所有气象特征分量即为采集的原始的气象特征,包括采集的风速、风向角、大气压强、温度、湿度等气象特征,每一个气象特征就是一个气象特征分量。
第二个输入特征向量即为建立的第二组合特征输入向量Yi,公式可以如下:
Yi=[IMFi,WFi] (12)
其中,IMFi表示风电功率序列的第i个子特征分量,WFi表示气象特征分量。
本实施例在进行风电功率预测时,根据风电气象信息与风电功率的强耦合作用对特征数据进行重新组合,通过将气象数据的影响风力发电的主成分与风电功率序列的低频分量组合,优点是:LSTM网络的输入是风电功率和经过PCA处理的气象特征,因为LSTM网络结构复杂,运行速度慢,LSTM网络对数据的主要成分进行处理预测,可以减少数据量,提高运行速度;将高频分量与所有气象特征分量组合,采用学习机预测模型进行处理预测,处理高频分量及所有的气象数据,针对高频特征分量每一周期内时间跨度短,包含的序列数据量小但数据变化复杂的特点,可以提高预测的泛化性能,上述组合数据输入组合模型能够在为了保证算法运行速度足够快的前提下,提高预测的准确性。
风电功率数据的低频分量每一周期内时间跨度长,包含的序列数据量大,建模过程中存在梯度消失和梯度爆炸的特点,长短期记忆网络预测模型能够灵活适应其时序属性。
长短期记忆网络的神经元采用具有记忆功能的神经元,本实施例的长短期记忆网络(Long Short-Term Memory,简称为LSTM)预测模型包括三个控制门,分别为:更新门、遗忘门和输出门。
更新门将当前时刻的输入量xt和上一个时刻的状态值ht-1组合形成混合输入并进行筛选控制,生成更新信息it,并通过sigmoid函数将更新信息限值在0到1之间,表示所通过信息的比例。
遗忘门与记忆单元ct-1进行点乘运算,舍弃记忆单元中一些无效的历史信息。
输出门对更新信息it和通过遗忘门处理的信息重新计算后,经tanh激活函数处理后获得预测值。
本实施例建立的长短期记忆网络模型的网络结构如图2所示,本实施例的长短期记忆网络模型的表达公式可以如下:
更新门:
it=σ(wxixt+whiht-1+wcict-1+bi)
遗忘门:
gt=σ(wxgxt+whght-1+wcgct-1+bg)
输出门:
ct=gtct-1+it tanh(wxcxt+whcht-1+bc)
ot=σ(wxoxt+whoht-1+wcoct+bo)
ht=ot tanh(ct)
上式中wxc、wxi、wxf、wxo分别表示连接输入信息xt的权重矩阵;whc、whi、whf、who分别表示连接上一时刻输出信息ht-1的权重矩阵;wci、wcf、wco分别表示连接记忆单元信息ct-1的权重矩阵;bi、bf、bc、bo分别表示偏置向量。
高频特征分量每一周期内时间跨度短,包含的序列数据量小但数据复杂多变的特点;采用极限学习机预测模型对高频分量进行处理,泛化性能优良,收敛速度快,可以较快的获得预测结果。
极限学习机(Extreme Learning Machine,ELM)是一种高效前馈神经网络,ELM在训练时中随机选择隐含层的阈值和权重,无需反复的迭代计算即可求解输出权重,相较于其他的神经网络,ELM可明显降低模型训练时间。
ELM模型包括依次连接的输入层、隐含层和输出层,极限学习机随机设置所有隐含层节点参数与输入层权值,通过一定的矩阵计算建立隐含层到输出层的输出权重,以输出误差最小为目标拟合这N个样本对应关系,设定连接隐藏节点和输入节点的权重矩阵、隐含层神经元的传递函数以及隐含层节点的偏置矩阵,采用最小二乘法获得输出权值系数β。
N个样本对应关系,可以如下式所示:
其中,L指隐藏层节点的个数,βi指连接隐藏节点和输出节点的权重矩阵,Wi=[wi1,wi2,...,win]T表示连接隐藏节点和输入节点的权重矩阵,bi表示隐含层节点的偏置矩阵。
公式(13)采用矩阵形式可以表示如下:
Hβ=T (14)
其中,H、T分别表示隐藏层与预测目标的输出矩阵,g表示ELM隐含层神经元的传递函数,可以是sigmoid函数,一旦这些参数被设定,隐含层的输出矩阵H就保持不变。
ELM模型的输出权值系数β可以通过求解下列线性方程组的最小二乘结果来获得:
||Hβ*-T||=||HH+T-T||=minβ||Hβ-T|| (16)
公式(16)的解可以表示如下:
β*=H+T (17)
其中,H+表示隐含层输出矩阵H的摩尔-彭洛斯(Moore-Penrose)广义逆矩阵。
进一步的,所述步骤4中对两种预测结果进行融合的方法,具体的:可以为加权组合,将LSTM网络与ELM模型的预测值加权组合,得到组合模型的最终结果。
在一些实施例中,还包括对建立的长短期记忆网络预测模型与极限学习机预测模型的组合模型进行训练的步骤,具体的,可以如下:
步骤100:分别获取当前时刻风电功率序列及对应的气象数据及下一时刻的风电功率序列,对当前时刻的数据进行预处理获得风电功率序列的特征数据和气象特征数据;
其中,所述预处理获得风电功率序列的特征数据和气象特征数据的方法,可以采用与步骤1中相同方法步骤,此处不再赘述。
步骤200:按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
其中,重新组合的方法与步骤2中的方法可以相同,此处不再赘述。
步骤300、将低频组合输入特征向量作为长短期记忆网络预测模型的输入,将高频组合输入特征向量作为极限学习机预测模型输入,以下一时刻的风电功率序列作为两个模型加权组合的输出结果,对组合模型进行训练,分别获得两个模型的模型参数。
本实施例的预测方法,可以根据当前时刻采集的数据,通过当前的数据,预测未来短时间内风电功率,如未来在4小时以内风电功率。
实施例2
本实施例提供融合长短期记忆网络和极限学习机的风电预测系统,如图3所示,包括:
获取及预处理模块:被配置为用于获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;
分类模块:被配置为用于按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
预测模块:被配置为用于将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
融合模块:被配置为用于将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.融合长短期记忆网络和极限学习机的风电预测方法,其特征是,包括如下步骤:
获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;
按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
2.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:对风电功率序列的预处理采用集合经验模态分解,获得各个模态分量,所述模态分量包括低频分量和高频分量。
3.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:对气象特征数据的预处理采用主成分分析法获得气象特征数据的主成分信息。
4.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:按照频率大小将风电功率序列的特征数据和气象特征数据重新组合,具体的:将风电功率序列的低频分量与气象数据中影响风力发电的主成分信息组合作为低频组合输入特征向量,将风电功率序列的高频分量与所有气象特征分量组合作为高频组合输入特征向量。
5.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:按照频率大小将风电功率序列的特征数据和气象特征数据重新组合,具体的步骤为:
将采用集合经验模态分解的风电功率序列的特征数据划分为低频分量和高频分量;
将基于集合经验模态分解的IMF低频分量与基于主成分分析法提取的气象信息主成分作为低频组合输入特征向量;
将基于集合经验模态分解的IMF高频分量与所有的气象特征分量组合作为高频组合输入特征向量。
6.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:对预测结果融合的方法,具体的为加权融合;
或者,极限学习机预测模型包括依次连接的输入层、隐含层和输出层;
或者,长短期记忆网络预测模型的包括:更新门、遗忘门和输出门;
更新门将当前时刻的输入量和上一个时刻的状态值组合形成混合输入并进行筛选控制,生成更新信息;
遗忘门与记忆单元进行点乘运算,舍弃记忆单元中一些无效的历史信息;
输出门对更新信息和通过遗忘门处理的信息,经激活函数处理后获得预测值。
7.如权利要求1所述的融合长短期记忆网络和极限学习机的风电预测方法,其特征是:建立的长短期记忆网络预测模型与极限学习机预测模型的组合模型进行训练的步骤,如下:
分别获取当前时刻风电功率序列及对应的气象数据及下一时刻的风电功率序列,对当前时刻的数据进行预处理获得风电功率序列的特征数据和气象特征数据;
按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
将低频组合输入特征向量作为长短期记忆网络预测模型的输入,将高频组合输入特征向量作为极限学习机预测模型输入,以下一时刻的风电功率序列作为两个模型加权组合的输出结果,对组合模型进行训练,分别获得两个模型的模型参数。
8.融合长短期记忆网络和极限学习机的风电预测系统,其特征是,包括:
获取及预处理模块:被配置为用于获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;
分类模块:被配置为用于按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;
预测模块:被配置为用于将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;
融合模块:被配置为用于将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676903.7A CN111832825B (zh) | 2020-07-14 | 2020-07-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676903.7A CN111832825B (zh) | 2020-07-14 | 2020-07-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832825A true CN111832825A (zh) | 2020-10-27 |
CN111832825B CN111832825B (zh) | 2024-04-16 |
Family
ID=72923281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676903.7A Active CN111832825B (zh) | 2020-07-14 | 2020-07-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832825B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308169A (zh) * | 2020-11-10 | 2021-02-02 | 浙江大学 | 一种基于改进在线序列极限学习机的出水水质预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113779875A (zh) * | 2021-08-31 | 2021-12-10 | 润联软件系统(深圳)有限公司 | 基于图神经模型的风力发电量预测方法及其相关设备 |
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
CN113505938B (zh) * | 2021-07-26 | 2024-09-24 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
CN110458341A (zh) * | 2019-07-25 | 2019-11-15 | 山东大学 | 一种考虑气象特性的超短期风电预测方法及系统 |
CN111275244A (zh) * | 2020-01-10 | 2020-06-12 | 南京航空航天大学 | 一种车速时间序列分频预测方法 |
-
2020
- 2020-07-14 CN CN202010676903.7A patent/CN111832825B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
CN110458341A (zh) * | 2019-07-25 | 2019-11-15 | 山东大学 | 一种考虑气象特性的超短期风电预测方法及系统 |
CN111275244A (zh) * | 2020-01-10 | 2020-06-12 | 南京航空航天大学 | 一种车速时间序列分频预测方法 |
Non-Patent Citations (1)
Title |
---|
付玉婷: ""基于智能混合模型对我国短期风速预测的实证研究"", 《硕士电子期刊》, no. 8, pages 1 - 70 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112365040B (zh) * | 2020-11-03 | 2022-03-01 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112308169A (zh) * | 2020-11-10 | 2021-02-02 | 浙江大学 | 一种基于改进在线序列极限学习机的出水水质预测方法 |
CN112308169B (zh) * | 2020-11-10 | 2022-05-03 | 浙江大学 | 一种基于改进在线序列极限学习机的出水水质预测方法 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113505938B (zh) * | 2021-07-26 | 2024-09-24 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113779875A (zh) * | 2021-08-31 | 2021-12-10 | 润联软件系统(深圳)有限公司 | 基于图神经模型的风力发电量预测方法及其相关设备 |
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
CN115882454B (zh) * | 2023-02-09 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111832825B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832825B (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 | |
Ren et al. | A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
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 | |
CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN116861201B (zh) | 基于人工智能的电力供给系统 | |
Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
CN114548532A (zh) | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN114841072A (zh) | 一种基于差分融合Transformer的时序预测方法 | |
CN114881318A (zh) | 基于生成对抗网络的锂电池健康状态预测方法及系统 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
Liang et al. | A wind speed combination forecasting method based on multifaceted feature fusion and transfer learning for centralized control center |
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 |