CN113343590B - 一种基于组合模型的风速预测方法及系统 - Google Patents
一种基于组合模型的风速预测方法及系统 Download PDFInfo
- Publication number
- CN113343590B CN113343590B CN202110772591.4A CN202110772591A CN113343590B CN 113343590 B CN113343590 B CN 113343590B CN 202110772591 A CN202110772591 A CN 202110772591A CN 113343590 B CN113343590 B CN 113343590B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- modal
- component
- prediction
- prediction result
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明提出了一种基于组合模型的风速预测方法及系统,涉及风力发电风速预测领域,该方法包括:采集历史风速数据,构建原始风速数据集;利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。通过将变分模态分解法和Transformer模型进行组合,可有效提升风速预测的准确性和可靠性。
Description
技术领域
本发明涉及风力发电风速预测领域,特别是涉及一种基于组合模型的风速预测方法及系统。
背景技术
目前,风速预测方法可分为物理方法、统计方法和人工智能方法三大类。其中,物理方法依靠大量物理学定律,建立风速和温度、湿度和气压等关系表达式,根据所测地区的风力数据,利用计算机进行数值计算,得到风速预测结果。这种方法对数据和硬件要求苛刻,计算量巨大,不适合推广使用。统计方法需要采集大量风速数据,经过处理分析后对风速进行预测,相较于物理方法,统计方法更容易实现,但是风速序列具有非平稳性,单一的统计方法的预测精度并不高。人工智能方法利用机器学习模型或深度学习模型等神经网络模型进行风速预测,但单一的机器学习模型或深度学习模型无法充分学习风速时间序列的整体特征,其预测精度也不高。所以,现有的风速预测方法普遍存在预测精度低的问题。基于此,目前亟需一种精度更高的风速预测方法。
发明内容
本发明的目的是提供一种基于组合模型的风速预测方法及系统,将变分模态分解法和Transformer模型进行组合,利用变分模态分解法将非平稳的风速时间序列分解为多个模态分量,再利用改进的Transformer模型分别对每个模态分量进行预测,可有效提升风速预测精度。
为实现上述目的,本发明提供了一种基于组合模型的风速预测方法,包括:
采集历史风速数据,构建原始风速数据集;
利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;
将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;
将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。
可选的,所述采集历史风速数据,构建原始风速数据集,包括:
按照预设的采样周期,对风速待预测区域的所述历史风速数据进行采样,得到风速采样数据;
根据所述风速采样数据,构建所述原始风速数据集;所述原始风速数据集包括所述风速时间序列,所述风速时间序列用于表征风速-时间信息。
可选的,所述利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量,具体包括:
采用所述变分模态分解算法对所述原始风速数据集的所述风速时间序列进行分解,得到N个所述模态分量;
N个所述模态分量等于K个所述固有模态分量和1个所述残余分量的和;其中,K的取值采用观察中心频率法确定。
可选的,所述K的取值采用观察中心频率法确定具体包括:
在通过所述变分模态分解算法对所述风速时间序列进行分解的同时,将所述固有模态分量的数量K由小到大取值;
观察分解后的各个所述固有模态分量的中心频率是否存在重叠;若不存在重叠,则继续使用所述变分模态分解算法对所述风速时间序列进行分解;若存在重叠,则将所述固有模态分量的数量K取值为上一次分解时的分解次数值。
可选的,所述将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果,具体包括:
将各个所述模态分量单独作为一个输入,将其输入至一个所述预先训练好的改进Transformer模型中进行单独预测;
当N个所述模态分量分别单独预测完毕后,输出N个所述模态分量的预测结果;N个所述模态分量的预测结果包括K个所述固有模态分量的预测结果和1个所述残余分量的预测结果。
可选的,所述预先训练好的改进Transformer模型的训练过程,具体包括:
将各个所述模态分量分别按照预设比例划分为训练集和测试集;
将各个所述模态分量的所述训练集分别输入至N个所述改进Transfomer模型中进行训练,并采用交叉验证法对N个所述改进Transfomer模型进行交叉验证,以确定所述改进Transfomer模型的超参数;
训练完成后,保存所述改进Transfomer模型;
将各个所述模态分量的所述测试集分别输入至保存的所述改进Transfomer模型中进行测试和超参数评估,选择最优的改进Transformer模型;
将所述最优的改进Transformer模型作为所述预先训练好的改进Transformer模型。
可选的,所述将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果,具体包括:
将K个所述固有模态分量的预测结果和1个所述残余分量的预测结果进行线性叠加,得到线性叠加后的预测结果;
将所述线性叠加后的预测结果作为所述最终的风速预测结果。
可选的,在所述利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量的步骤之后,还包括:根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量。
可选的,所述根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量,具体包括:
对利用所述变分模态分解算法分解得到的各个所述模态分量分别进行相空间重构,得到重构矩阵;
按照升序的方式对所述重构矩阵的每一行元素进行重新排列,排序后记录当前行的各个元素的排列前的下标顺序,得到一组符号序列;
统计所述符号序列中每一行元素的下标顺序出现的次数,并将其作为当前行的概率,计算所述风速时间序列中所有行的信息熵,对所述所有行的信息熵求和即为排列熵;
根据所述排列熵与所述风速时间序列的含噪程度成正比关系,判断所述模态分量的含噪程度,并直接滤除含噪程度最高的所述模态分量。
本发明还提供了一种基于组合模型的风速预测系统,包括:
原始风速数据集构建模块,用于采集历史风速数据,构建原始风速数据集;
风速时间序列分解模块,用于利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;
模型验证模块,用于将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;
预测结果获取模块,用于将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出一种基于组合模型的风速预测方法及系统,首先采集历史风速数据,构建原始风速数据集;然后利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;再将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;最后将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。利用变分模态分解法将非平稳的风速时间序列分解为多个模态分量(包括K个固有模态分量和1个残余分量),以降低原始风速时间序列的复杂性和多变性,从而提高风速预测精度。然后针对分解出来的模态分量,利用改进的Transformer模型分别对每个模态分量进行预测,Transformer模型中的注意力机制可以有效解决风速预测迟延难以估计的问题,有效提升了风速预测精度。通过将变分模态分解法和Transformer模型进行组合,可得到可靠、准确的风速预测结果,提升了风速预测的准确性、可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于组合模型的风速预测方法的流程图;
图2为本发明实施例1提供的基于组合模型的风速预测方法的原理图;
图3为本发明实施例1提供的改进的Transformer模型的结构示意图;
图4为本发明实施例1提供的变分模态分解算法对一年四季的风速数据的风速时间序列进行分解的分解结果图;
图5为本发明实施例1提供的一年四季的风速预测值与真实值的对比示意图;
图6为本发明实施例2提供的基于组合模型的风速预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种基于组合模型的风速预测方法及系统,通过将变分模态分解法和Transformer模型进行组合,利用变分模态分解法将非平稳的风速时间序列分解为多个模态分量,以降低原始风速时间序列的复杂性和多变性,提高风速预测精度。然后针对分解出来的分量,通过改进的Transformer模型分别对每个模态分量进行预测,Transformer模型中的注意力机制可以有效解决风速预测迟延难以估计的问题,有效提升风速预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1和图2所示,本实施例提供了一种基于组合模型的风速预测方法,具体步骤包括:
步骤S1、采集历史风速数据,构建原始风速数据集;具体包括:
步骤S1.1、按照预设的采样周期,对风速待预测区域的所述历史风速数据进行采样,得到风速采样数据;
步骤S1.2、根据所述风速采样数据,构建所述原始风速数据集;所述原始风速数据集包括所述风速时间序列,所述风速时间序列用于表征风速-时间信息。
本实施例中,对历史风速数据进行采集并建立原始风速数据集,是为了根据多个历史时刻下检测的实际风速数据,对下一时刻的风速进行预测,因此,采集的是历史风速数据,这里的历史风速数据包括过去某一段时间内的风速数据,还可以包括对当前时刻实时采集的风速数据。
步骤S2、利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;具体包括:
采用所述变分模态分解算法对所述原始风速数据集的所述风速时间序列进行分解,得到N个所述模态分量;N个所述模态分量等于K个所述固有模态分量和1个所述残余分量的和,即N=K+1,其中,N表示的是模态分量的总数量,K表示的是固有模态分量的数量,K的取值采用观察中心频率法确定。
其中,采用观察中心频率法确定K的取值,具体包括以下步骤:
在通过所述变分模态分解算法对所述风速时间序列进行分解的同时,将所述固有模态分量的数量K由小到大取值;然后观察分解后的各个固有模态分量的中心频率是否存在重叠;若各个固有模态分量的中心频率不存在重叠,则继续使用所述变分模态分解算法对所述风速时间序列进行分解;若各个固有模态分量的中心频率存在重叠,则将所述固有模态分量的数量K取值为上一次分解时的分解次数值。
变分模态分解算法是一种新的信号分解算法,在获取各分量信号时,完全摒弃了经验模态分解算法利用循环筛选的处理手段,通过迭代搜寻变分模型的最优解来确定每个模态函数的中心频率和带宽,最后自适应地分解信号的频带,得到预设尺度数的K个固有模态分量,是一种完全非递归的信号分解方法。
本实施例中,变分模态分解算法主要包括变分问题的构造和变分问题的求解,具体步骤如下:
(1)变分问题的构造,具体包括:
变分模态分解算法的核心是以输入信号f(t)等于模态分量IMF之和为前提,寻找最小的模态分量IMF的预估带宽之和,故得到式(1)表达式:
式(1)中,uk表示第k个模态函数,uk={u1,u2,…,uk};ωk表示第k个中心频率,ωk={ω1,ω2,…,ωk};表示梯度运算符,δt表示狄拉克分布函数,“*”表示卷积运算符,f表示原始输入信号,k表示需要分解的模态个数,e为自然对数,j为虚数单位,t表示时间。
(2)变分问题的求解,具体包括:
引入二次惩罚项α和增广拉格朗日函数λ(t)将式(1)从约束性问题转换为非约束问题,得到式(2)的表达式:
式(2)中,α表示二次惩罚因子;λ表示拉格朗日乘法算子。
采用乘法算子交替方向法求解上述变分问题,通过交替更新和λn+1寻求扩展拉格朗日表达式的“鞍点”,所述“鞍点”即为上述变分问题最优解。和λn+1这三个参数实际上就是变分问题中的uk,ωk和λ,其中,表示第n+1次迭代更新后的第k个模态函数,表示第n+1次迭代更新后的第k个中心频率,λn+1表示第n+1次迭代更新后的拉格朗日乘法算子。具体过程如下:
2)执行循环:n=n+1,其中,n表示迭代次数;
4)采用下式更新λ:
式(5)中,τ表示噪声容忍度,满足信号分解的保真度要求,λn+1表示第n+1次迭代更新后的拉格朗日乘法算子,λn表示第n次迭代更新后的拉格朗日乘法算子;
原始输入信号f(t)经过上述变分模态分解算法之后,最终得到K个固有模态分量,用原始输入信号f(t)减去所有固有模态分量之和得到一个残余分量。
步骤S3、将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果。
如图3所示,改进Transformer模型的结构主要包括输入层、编码层、解码层和输出层。其中,输入层由全连接神经网络层和位置编码构成。编码层由n个完全相同的编码器堆叠而成,各个编码器之间采用多头注意力机制、相加、归一化以及前馈连接等方式实现编码。解码层由n个完全相同的解码器堆叠而成,各个解码器之间也采用多头注意力机制、相加、归一化以及前馈连接等方式进行解码。输出层为简单的全连接神经网络层。
应说明的是,本实施例中,编码层由4个完全相同的编码器堆叠而成,且每个编码器head个数为8,解码层也由4个完全相同的解码器堆叠而成,每个解码器的head个数也为8。其中,编码器和解码器的数量和head个数仅仅是一个优选值,并不是固定的、唯一的,可根据实际情况自行设定。
步骤S3具体包括以下步骤:
步骤S3.1、将各个所述模态分量单独作为一个输入,将其输入至一个所述预先训练好的改进Transformer模型中进行单独预测;
步骤S3.2、当N个所述模态分量分别单独预测完毕后,输出N个所述模态分量的预测结果;N个所述模态分量的预测结果包括K个所述固有模态分量的预测结果和1个所述残余分量的预测结果。
本实施例中,改进Transformer模型需要提前训练好,以供各个模态分量进行风速预测时直接使用。预先训练好的改进Transformer模型的训练过程,具体包括:
(1)将各个所述模态分量分别按照预设比例划分为训练集和测试集;
(2)将各个所述模态分量的所述训练集分别输入至N个所述改进Transfomer模型中进行训练,并采用交叉验证法对N个所述改进Transfomer模型进行交叉验证,以确定所述改进Transfomer模型的超参数;
(3)训练完成后,保存所述改进Transfomer模型;
(4)将各个所述模态分量的所述测试集分别输入至保存的所述改进Transfomer模型中进行测试和超参数评估,选择最优的改进Transformer模型;
(5)将所述最优的改进Transformer模型作为所述预先训练好的改进Transformer模型。
本实施例采用了Transformer模型作为风速预测模型,将包含K个固有模态分量以及1个残余分量共计N个模态分量作为输入,分别单独代入到Transformer模型中进行风速预测,输出风速预测结果。Transformer模型的核心就是注意力机制,注意力机制能够以高权重去聚焦重要信息,低权重去忽略不相关的信息,并且还可以不断调整权重,使得在不同的情况下也可以选取重要的信息,解决了风速预测迟延难以估计的问题,有效提升风速预测精度。
步骤S4、将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果;具体包括:
将K个所述固有模态分量的预测结果和1个所述残余分量的预测结果进行线性叠加,所述线性叠加即将各个模态分量的预测结果直接相加,得到线性叠加后的预测结果;
将所述线性叠加后的预测结果作为所述最终的风速预测结果。
由于变分模态分解算法对噪声比较敏感,因此,本发明在步骤S2利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量的步骤之后,以及步骤S3将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测的步骤之前,还可以包括以下步骤:根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量。熵可用于描述数据信息的不确定性,而排列熵具有可准确刻画复杂时间序列突变性的特点,能够定量评估信号序列中含有的随机噪声。
本发明根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量的具体步骤如下:
(1)对利用所述变分模态分解算法分解得到的各个所述模态分量分别进行相空间重构,得到重构矩阵;
(2)按照升序的方式对所述重构矩阵的每一行元素进行重新排列,排序后记录当前行的各个元素的排列前的下标顺序,得到一组符号序列;
(3)统计所述符号序列中每一行元素的下标顺序出现的次数,并将其作为当前行的概率,计算所述风速时间序列中所有行的信息熵,对所述所有行的信息熵求和即为排列熵;
(4)根据所述排列熵与所述风速时间序列的含噪程度之间成正比关系这一特性,判断所述模态分量的含噪程度,并直接滤除含噪程度较高的模态分量。
需要说明的是,本实施例利用排列熵原理滤除高噪模态分量,可以滤除含噪程度最高的一个模态分量,还可以滤除含噪程度相对较高的几个模态分量,可根据具体情况自行确定。
下面结合实际应用对本发明进行说明:
本实施例采用河北某风电场的风速数据,风速数据之间的采样时间设置为1小时,将风速数据按照季节分为春、夏、秋、冬四季的风速数据,每个季节随机选取一个星期为测试集,测试集前面的四个星期则为训练集。应说明,上述采样时间和采样周期的设定并不是固定的,可根据实际情况自行设定数据采集的持续时间、采样周期以及间隔时间。
按照上述采集周期和采样时间在构建原始风速数据集并确定风速时间序列后,采用变分模态分解算法对原始风速数据集的风速时间序列进行分解,将其分解为K个固有模态分量和1个残余分量。其中,K值是由观察中心频率的方法确定的,具体过程为:K由小到大取值,观察分解后各模态分量的中心频率是否有重叠,若无重叠,则继续分解;若有重叠,则K取值为上一次分解次数。本实施例中将K值取为7,原始风速数据集的风速时间序列经过变分模态算法分解成c1到c7,c8为残余分量即原始数据减去c1到c7后余下的部分,分解结果如图4所示,图4的横坐标为时间值,纵坐标为c1-c8对应的风速值,4(a)为春季风速数据的风速时间序列的分解结果图,4(b)为夏季风速数据的风速时间序列的分解结果图,4(c)为秋季风速数据的风速时间序列的分解结果图,4(d)为冬季风速数据的风速时间序列的分解结果图。
将每个模态分量分别输入到N个已训练好的改进Transformer模型中进行单独预测,即如图2所示的包括K个固有模态分量和1个残余分量共计N(N=K+1)个模态分量对应输入至N个已训练好的改进Transformer模型中进行一对一的预测,得到每个模态分量的预测结果,共计N个预测结果,然后线性叠加这N个预测结果得到最终的风速预测结果。各季节的风速预测值与真实值的对比图如图5所示,5(a)为春季风速数据的风速预测值与真实值的对比图,5(b)为夏季风速数据的风速预测值与真实值的对比图,5(c)为秋季风速数据的风速预测值与真实值的对比图,5(d)为冬季风速数据的风速预测值与真实值的对比图。
本实施例中,还将平均绝对误差(MAE)和均方根误差(RSME)作为评价指标,对本发明所提出的预测方法进行了定性评估,评估结果如表1所示。表1显示出本发明的预测方法误差较小,预测精度较高。
表1风速预测结果的定性评估结果
季节 | 春季 | 夏季 | 秋季 | 冬季 |
MAE | 0.25 | 0.41 | 0.38 | 0.41 |
RSME | 0.31 | 0.51 | 0.47 | 0.55 |
本发明提出的一种基于组合模型的风速预测方法,主要包括用于风速时间序列分解的变分模态分解算法部分和用于风速时间序列预测的改进Transformer模型部分,利用变分模态分解法将非平稳的风速时间序列分解为多个模态分量(包括K个固有模态分量和1个残余分量),以降低原始风速时间序列的复杂性和多变性,从而提高风速预测精度。然后针对分解出来的模态分量,利用改进的Transformer模型分别对每个模态分量进行预测,Transformer模型中的注意力机制可以有效解决风速预测迟延难以估计的问题,有效提升了风速预测精度。通过将变分模态分解法和Transformer模型进行组合,可得到可靠、准确的风速预测结果,提升了风速预测的准确性、可靠性。
实施例2
如图6所示,本实施例提供了一种基于组合模型的风速预测系统,包括:
原始风速数据集构建模块M1,用于采集历史风速数据,构建原始风速数据集;
风速时间序列分解模块M2,用于利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;
模型验证模块M3,用于将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;
预测结果获取模块M4,用于将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于组合模型的风速预测方法,其特征在于,包括:
采集历史风速数据,构建原始风速数据集;
利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;
将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;所述改进Transformer模型包括输入层、编码层、解码层和输出层;所述输入层由全连接神经网络层和位置编码构成;所述编码层由n个完全相同的编码器堆叠而成,各个编码器之间采用多头注意力机制、相加、归一化以及前馈连接的方式实现编码;所述解码层由n个完全相同的解码器堆叠而成,各个解码器之间也采用多头注意力机制、相加、归一化以及前馈连接的方式进行解码;所述输出层为全连接神经网络层;
将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。
2.根据权利要求1所述的风速预测方法,其特征在于,所述采集历史风速数据,构建原始风速数据集,包括:
按照预设的采样周期,对风速待预测区域的所述历史风速数据进行采样,得到风速采样数据;
根据所述风速采样数据,构建所述原始风速数据集;所述原始风速数据集包括所述风速时间序列,所述风速时间序列用于表征风速-时间信息。
3.根据权利要求1所述的风速预测方法,其特征在于,所述利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量,具体包括:
采用所述变分模态分解算法对所述原始风速数据集的所述风速时间序列进行分解,得到N个所述模态分量;
N个所述模态分量等于K个所述固有模态分量和1个所述残余分量的和;其中,K的取值采用观察中心频率法确定。
4.根据权利要求3所述的风速预测方法,其特征在于,所述K的取值采用观察中心频率法确定具体包括:
在通过所述变分模态分解算法对所述风速时间序列进行分解的同时,将所述固有模态分量的数量K由小到大取值;
观察分解后的各个所述固有模态分量的中心频率是否存在重叠;若不存在重叠,则继续使用所述变分模态分解算法对所述风速时间序列进行分解;若存在重叠,则将所述固有模态分量的数量K取值为上一次分解时的分解次数值。
5.根据权利要求1所述的风速预测方法,其特征在于,所述将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果,具体包括:
将各个所述模态分量单独作为一个输入,将其输入至一个所述预先训练好的改进Transformer模型中进行单独预测;
当N个所述模态分量分别单独预测完毕后,输出N个所述模态分量的预测结果;N个所述模态分量的预测结果包括K个所述固有模态分量的预测结果和1个所述残余分量的预测结果。
6.根据权利要求1所述的风速预测方法,其特征在于,所述预先训练好的改进Transformer模型的训练过程,具体包括:
将各个所述模态分量分别按照预设比例划分为训练集和测试集;
将各个所述模态分量的所述训练集分别输入至N个所述改进Transfomer模型中进行训练,并采用交叉验证法对N个所述改进Transfomer模型进行交叉验证,以确定所述改进Transfomer模型的超参数;
训练完成后,保存所述改进Transfomer模型;
将各个所述模态分量的所述测试集分别输入至保存的所述改进Transfomer模型中进行测试和超参数评估,选择最优的改进Transformer模型;
将所述最优的改进Transformer模型作为所述预先训练好的改进Transformer模型。
7.根据权利要求1所述的风速预测方法,其特征在于,所述将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果,具体包括:
将K个所述固有模态分量的预测结果和1个所述残余分量的预测结果进行线性叠加,得到线性叠加后的预测结果;
将所述线性叠加后的预测结果作为所述最终的风速预测结果。
8.根据权利要求1所述的风速预测方法,其特征在于,在所述利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量的步骤之后,还包括:根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量。
9.根据权利要求8所述的风速预测方法,其特征在于,所述根据排列熵原理计算各个所述模态分量的排列熵值并滤除高噪分量,具体包括:
对利用所述变分模态分解算法分解得到的各个所述模态分量分别进行相空间重构,得到重构矩阵;
按照升序的方式对所述重构矩阵的每一行元素进行重新排列,排序后记录当前行的各个元素的排列前的下标顺序,得到一组符号序列;
统计所述符号序列中每一行元素的下标顺序出现的次数,并将其作为当前行的概率,计算所述风速时间序列中所有行的信息熵,对所述所有行的信息熵求和即为排列熵;
根据所述排列熵与所述风速时间序列的含噪程度成正比关系,判断所述模态分量的含噪程度,并直接滤除含噪程度最高的所述模态分量。
10.一种基于组合模型的风速预测系统,其特征在于,包括:
原始风速数据集构建模块,用于采集历史风速数据,构建原始风速数据集;
风速时间序列分解模块,用于利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量;所述N个模态分量包括K个固有模态分量和1个残余分量;
模型验证模块,用于将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预测,得到所述固有模态分量的预测结果和所述残余分量的预测结果;所述改进Transformer模型包括输入层、编码层、解码层和输出层;所述输入层由全连接神经网络层和位置编码构成;所述编码层由n个完全相同的编码器堆叠而成,各个编码器之间采用多头注意力机制、相加、归一化以及前馈连接的方式实现编码;所述解码层由n个完全相同的解码器堆叠而成,各个解码器之间也采用多头注意力机制、相加、归一化以及前馈连接的方式进行解码;所述输出层为全连接神经网络层;
预测结果获取模块,用于将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加,得到最终的风速预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772591.4A CN113343590B (zh) | 2021-07-08 | 2021-07-08 | 一种基于组合模型的风速预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772591.4A CN113343590B (zh) | 2021-07-08 | 2021-07-08 | 一种基于组合模型的风速预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343590A CN113343590A (zh) | 2021-09-03 |
CN113343590B true CN113343590B (zh) | 2022-03-22 |
Family
ID=77483012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772591.4A Active CN113343590B (zh) | 2021-07-08 | 2021-07-08 | 一种基于组合模型的风速预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343590B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021803A (zh) * | 2021-10-29 | 2022-02-08 | 华能酒泉风电有限责任公司 | 一种基于卷积transformer架构的风功率预测方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
-
2021
- 2021-07-08 CN CN202110772591.4A patent/CN113343590B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968715A (zh) * | 2020-06-30 | 2020-11-20 | 厦门大学 | 一种基于病历数据和药物相互作用风险的药物推荐建模方法 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
A Three-Stage Ensemble Short-Term Wind Power Prediction Method Based on VMD-WT Transform and SDAE Deep Learning;Peng Xiaosheng 等;《2020 IEEE IAS Industrial and Commercial Power System Asia Technical Conference》;20200929;全文 * |
An Accurate Ensemble Forecasting Approach for Highly-Dynamic Clo;SHAOJING ZHOU 等;《IEEE Access》;20200623;全文 * |
Prediction method of transformer top oil temperature based on VMD and GRU neural network;WANG Kai 等;《2020 IEEE International Conference on High Voltage Engineering and Application(ICHVE)》;20201215;全文 * |
Short-Term Wind Speed Prediction Based on Variational Mode Decomposition and Linear–Nonlinear Combination Optimization Model;Wei Sun 等;《Energies》;20190617;全文 * |
基于变分模态分解与双向长短期记忆神经网络的超短期风速预测;刘宇 等;《工业控制计算机》;20201231;全文 * |
基于神经网络的IGBT模块剩余使用寿命预测模型;葛建文 等;《半导体技术》;20210430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113343590A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
CN112311488A (zh) | 基于小波分解的频谱感知方法 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
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 | |
CN114912666A (zh) | 一种基于ceemdan算法和注意力机制的短时客流量预测方法 | |
CN117200208B (zh) | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 | |
CN110138479B (zh) | 极低信噪比环境下基于字典学习的频谱感知方法 | |
CN117134346A (zh) | 一种基于vmd-ga-pso-lstm模型的短期负荷预测方法及装置 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
CN116307206A (zh) | 基于分段图卷积和时间注意力机制的天然气流量预测方法 | |
CN113344245A (zh) | 混合深度学习短期预测模型、方法、存储介质和计算设备 | |
CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 | |
CN112446516A (zh) | 一种出行预测方法及装置 | |
CN111126659A (zh) | 一种电力负荷预测方法及系统 | |
CN117252448B (zh) | 基于时空特征提取及二次分解聚合的风电功率预测方法 | |
Huangfu et al. | Short-term Forecast of Wind Speed Based on Hybrid Multi-Stage Decomposition and LSTM Optimized by an Improved WOA | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 |
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 |