CN113537566B - 一种基于dccso优化深度学习模型的超短期风电功率预测方法 - Google Patents

一种基于dccso优化深度学习模型的超短期风电功率预测方法 Download PDF

Info

Publication number
CN113537566B
CN113537566B CN202110668995.9A CN202110668995A CN113537566B CN 113537566 B CN113537566 B CN 113537566B CN 202110668995 A CN202110668995 A CN 202110668995A CN 113537566 B CN113537566 B CN 113537566B
Authority
CN
China
Prior art keywords
population
wind power
time sequence
deep learning
time
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
CN202110668995.9A
Other languages
English (en)
Other versions
CN113537566A (zh
Inventor
孟安波
陈顺
王陈恩
蔡涌烽
符嘉晋
殷豪
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110668995.9A priority Critical patent/CN113537566B/zh
Publication of CN113537566A publication Critical patent/CN113537566A/zh
Application granted granted Critical
Publication of CN113537566B publication Critical patent/CN113537566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风电功率预测的技术领域，更具体地，涉及一种基于DCCSO优化深度学习模型的超短期风电功率预测方法：采集原始风电数据并对原始风电数据进行预处理，建立时序注意力‑门控循环单元深度学习预测模型，并基于改进纵横交叉算法优化时序注意力‑门控循环单元深度学习预测模型的初始权值和阈值，可有效提升时序注意力‑门控循环单元深度学习预测模型的收敛速度及泛化性能；时序注意力‑门控循环单元深度学习预测模型中，时序注意力能够提升模型本身对输入的时间敏感性，门控循环单元则能进一步挖掘输入时间序列内在隐藏时间相关性，时序注意力与门控循环单元的结合对提高风电功率预测精度有重要的意义。

Description

一种基于DCCSO优化深度学习模型的超短期风电功率预测 方法
技术领域
本发明涉及风电功率预测的技术领域，更具体地，涉及一种基于DCCSO优化深度学习模型的超短期风电功率预测方法。
背景技术
现有风电功率预测方法可分为物理方法和基于数据驱动的预测方法。物理预测方法的建模较为复杂且计算成本大，同时模型容易受实际环境影响，存在抗干扰能力差的问题。基于数据驱动的预测方法可以细分为统计方法和应用人工智能算法的数据驱动预测方法，统计方法通过对历史数据进行研究获得相对应的统计关系来实现对未来风电功率的预测，但其存在假定数据间是线性相关的缺陷，因此不能很好的反映数据的非线性关系。早期应用于风电功率预测的人工智能算法中主要以传统机器学习模型为主，其可以拟合复杂的非线性关系，然而受网络深度的限制以及对输入风电功率系列数据间的时间相关性挖掘不足等因素的影响。
在模型深度固定的前提下，对模型的训练参数进行优化是一种提升模型泛化能力的可行方案之一。一般来说，模型的待优化训练参数量是庞大的，因此这是一个复杂的多维度变量优化问题。近年来，许多研究开始将智能优化算法引入对风电功率预测模型的训练参数作早期的优化，以求得到较为优质的初始训练参数解。如中国专利CN200910193820.6公开了一种基于遗传算法优化BP神经网络的风电功率预测方法，遗传算法用于超短期风电功率预测时，运行时间过长；中国专利CN107274012A公开了基于云进化粒子群算法的短期风电功率预测方法，用于超短期风电功率预测时，粒子群算法易陷于局部最优解。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于DCCSO优化深度学习模型的超短期风电功率预测方法，不易陷入局部最优解，且运行时间短。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于DCCSO优化深度学习模型的超短期风电功率预测方法，包括以下步骤：
S10.采集原始风电功率、原始风速和原始风向历史数据，并对原始风电功率、原始风速和原始风向历史数据预处理得到风电功率时间序列、风速时间序列和风向时间序列；
S20.将步骤S10中风向时间序列转换为风向的正弦序列和风向的余弦序列；
S30.将步骤S10中的风电功率时间序列、风速时间序列以及步骤S20中风向的正弦序列和风向的余弦序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,…,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure BDA0003118120430000021
S40.动态选择步骤S30中的输入样本序列作为训练样本，建立时序注意力-门控循环单元深度学习预测模型；
S50.使用DCCSO对步骤S40中所建立的时序注意力-门控循环单元深度学习预测模型作初始权值和阈值的优化；
S60.将步骤S50中优化得到的初始权值和阈值作为时序注意力-门控循环单元深度学习预测模型的初始权值和阈值，并对所述时序注意力-门控循环单元深度学习预测模型继续作常规梯度下降参数训练，直至训练完成；
S70.采用步骤S60中训练好的时序注意力-门控循环单元深度学习预测模型作提前t时间的风电功率预测，并获得预测风电功率时间序列。
本发明的基于DCCSO优化深度学习模型的超短期风电功率预测方法，基于改进纵横交叉算法优化时序注意力-门控循环单元深度学习预测模型的初始权值和阈值，可有效提升时序注意力-门控循环单元深度学习预测模型的收敛速度及泛化性能；时序注意力-门控循环单元深度学习预测模型可提升模型对输入的时间敏感性及进一步挖掘输入时间序列内在隐藏时间相关性，对提高风电功率预测精度有重要的意义。
与现有技术相比，本发明的有益效果是：
本发明的基于DCCSO优化深度学习模型的超短期风电功率预测方法，基于改进纵横交叉算法优化时序注意力-门控循环单元深度学习预测模型的初始权值和阈值，可有效提升时序注意力-门控循环单元深度学习预测模型的收敛速度及泛化性能；时序注意力-门控循环单元深度学习预测模型可提升模型对输入的时间敏感性及进一步挖掘输入时间序列内在隐藏时间相关性，对提高风电功率预测精度有重要的意义。
附图说明
图1为基于DCCSO优化深度学习模型的超短期风电功率预测方法示意图；
图2为基于DCCSO优化深度学习模型的超短期风电功率预测方法的预测效果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
如图1所示为本发明的基于DCCSO优化深度学习模型的超短期风电功率预测方法的实施例，方法包括以下步骤：
S10.采集原始风电功率、原始风速和原始风向历史数据，并对原始风电功率、原始风速和原始风向历史数据预处理得到风电功率时间序列、风速时间序列和风向时间序列；
S20.将步骤S10中风向时间序列转换为风向的正弦序列和风向的余弦序列；
S30.将步骤S10中的风电功率时间序列、风速时间序列以及步骤S20中风向的正弦序列和风向的余弦序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,…,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure BDA0003118120430000031
S40.动态选择训练样本，建立时序注意力-门控循环单元深度学习预测模型(TA-GRU预测模型)；
S50.使用DCCSO对步骤S40中所建立的时序注意力-门控循环单元深度学习预测模型作初始权值和阈值的优化；
S60.将步骤S50中优化得到的初始权值和阈值作为时序注意力-门控循环单元深度学习预测模型的初始权值和阈值，并对所述时序注意力-门控循环单元深度学习预测模型继续作常规梯度下降参数训练，直至训练完成；
S70.采用步骤S60中训练好的时序注意力-门控循环单元深度学习预测模型作提前t时间的风电功率预测，并获得预测风电功率时间序列。本实施例的t可为10min，但不限于10min。
步骤S10中，原始风电功率、原始风速和原始风向历史数据为连续采集一个月且每间隔10min采集一次的风电功率、风速和风向数据，每天有144个数据点(包含风电功率、风速和风向)。
步骤S40中，训练样本为前3320个历史风电数据，当然训练样本的数据数目和训练样本所选取的数据并不作为本发明的限制性规定。
步骤S40包括以下步骤：
S41：利用时序注意力评估模型动态评估不同历史时间节点输入对于当前时刻风电功率输出的重要程度；
S42：以经过时序注意力评估后的输出作为门控循环单元的输入，作进一步地时间序列内部隐藏规律的提取，并输出预测风电功率序列；
具体地，步骤S41中，按下述步骤构建时序注意力评估模型：
S411：时序注意力评估模型为层数为2的神经网络，输入和输出神经元数目相同，均为时间步长T；时序注意力评估模型运算过程如下：
Figure BDA0003118120430000041
Figure BDA0003118120430000042
其中，vk为神经网络所输出的未归一化权值向量，而
Figure BDA0003118120430000043
指第k个特征所对应的第i个时刻的未归一化权重值，V为对应的未归一化权值矩阵，使用softmax函数对vk进行归一化得到最终的注意力权重向量αk，而
Figure BDA0003118120430000044
指第k个特征所对应的第i个时刻的归一化注意力权重值，A为对应的时序注意力分布矩阵，Wa为神经网络权重矩阵；b为偏置项；fa(·)为神经网络输出激活函数。
S412：将A与输入样本序列X作点乘运算，得到评估后的时间序列Y；
Figure BDA0003118120430000045
S413：将评估后得到的时间序列Y作为门控循环单元的输入。
步骤S42中，门控循环单元模型按以下步骤进行构建：
S421：门控循环单元模型包括2个神经网络层，每层神经元的数目分别设置为4和8；
S422：在t时刻，门控循环单元模型GRU单元通过重置门和更新门来接收当前数据输入yt和前一时刻的状态输出ht-1，则t时刻GRU单元的状态输出ht计算过程如下：
(1)重置门rt决定网络当前时刻输入与历史时刻记忆之间的融合程度：
rt＝σ(Wryyt+ht-1Wrh+br) (5)
(2)更新门zt决定对历史时刻记忆信息的保存程度：
zt＝σ(Wzyyt+ht-1Wzh+bz) (6)
(3)计算此时刻的状态输出ht：
Figure BDA0003118120430000051
Figure BDA0003118120430000052
其中σ是Sigmoid激活函数；Wry和Wrh为重置门运算所用权重参数矩阵，br为对应偏置；Wzy和Wzh为更新门运算所用权重参数矩阵，bz为对应偏置；Why和Whh为计算
Figure BDA0003118120430000053
所用权重参数矩阵，bh为对应偏置；
Figure BDA0003118120430000054
是对当前时刻状态的记忆；⊙是元素对应位置点乘运算。
S423：在经过门控循环单元模型对输入序列作进一步的时间特征提取后，最后输出所预测的风电功率序列。
在所述步骤S50中，使用改进纵横交叉算法(DCCSO)对所建立的时序注意力-门控循环单元深度学习预测模型作初始权值和阈值的优化，具体包括以下步骤：
S51：以平均绝对误差、均方误差以及待优化参数的正则项的和最小为目标函数；
S52：确定待优化参数的上下限并初始化种群Z＝[Z(1),Z(2),…,Z(M)]，其中M为种群粒子数量；
S53：执行纵向交叉运算得到子种群Svc，利用Svc通过混沌运算得到子种群G，并将Svc和G联合起来一起更新种群Z；
S54：执行横向交叉运算得到子种群Shc，利用Shc通过混沌运算得到子种群G，并将Shc和G联合起来一起更新种群Z；
S55：根据设计的迭代次数重复执行步骤S53和S54。
在所述步骤S51中，所用最小目标函数式表示为：
Figure BDA0003118120430000055
其中，fobj为优化目标；N为训练样本数量；D为时序注意力-门控循环单元深度学习预测模型所需训练的整体参数数量，也是种群粒子的维度大小；θj指代模型的权值或阈值；p为训练样本对应的实际测量值；p*为根据当前算法寻优得到的参数向量θ计算出来的模型风电功率预测值；ξ和β为指标融合系数，两者相加为1；λ是正则化系数。
优选地，在所述步骤S52中，待优化参数上下限的确定方式以及种群Z中的单个个体Z(m)表示为：
Figure BDA0003118120430000061
Z(m)＝{θj}j＝1,2,L,D (11)
式(10)确定待优化参数上下限，其中，l表示所优化时序注意力-门控循环单元深度学习预测模型的第l层；Ll w和Ll b分别表示第l层的权值和阈值的上下限区间；nl in和nl out分别表示第l层的输入和输出神经元数量；ε为常数；
优选地，在所述步骤S53中，种群Z的具体更新步骤为：
S531：根据当前种群Z作纵向交叉运算，得到子种群Svc，包括以下子步骤：
(1)对种群Z中的每一维执行归一化，具体公式如下：
Figure BDA0003118120430000062
其中，Z(i,d)指种群Z中粒子Z(i)第d维的权值或阈值，θdmax指第d维的权值或阈值的最大值，θdmin指第d维的权值或阈值的最小值；
(2)在纵向交叉概率Pvc条件下，对种群Z中每个粒子的不同维作两两不重复交叉配对运算，共执行
Figure BDA0003118120430000063
次，具体运算过程如下：
Figure BDA0003118120430000064
其中，r为0到1之间的正态随机分布数，
Figure BDA0003118120430000065
是粒子Z(i)第d1维和第d2维纵向交叉得到的结果；
(3)对
Figure BDA0003118120430000066
作反归一化，得到最终的子种群Svc，具体运算如下：
Figure BDA0003118120430000067
S532：根据子种群Svc作混沌运算，得到子种群G，包括以下子步骤：
(1)以子种群Svc为输入，计算得到混沌变量阵Q，具体运算为：
Q(t)＝1-a·|Q(t-1)|+Snorm(t-1) (15)
Snorm(t)＝b·Q(t) (16)
其中，t为混沌运算内部迭代次数；Snorm是将Svc的每一维归一化到[0，1]区间的优化子群；参数a和b为常数；
(2)将Q动态保存用于下次混沌运算，并执行反归一化得到子种群G，具体过程如下：
Figure BDA0003118120430000071
其中，Q(i,d)是粒子Q(i)第d维反归一化结果；μ和η为常量；sdmax和sdmin分别为Svc归一化前第d维的最大值和最小值；
S533：根据子种群Svc和G，更新种群Z，更新方式如下：
Z(i)＝Lbest←min(fobj(Z(i)),fobj(Svc(i)),fobj(Q(i))),i∈[1,M] (18)
其中，Lbest指在粒子Z(i)、Svc(i)和Q(i)中选择根据式(5)计算出目标值最小所对应的粒子；
优选地，在所述步骤S54中，种群Z的具体更新步骤为：
S541：根据种群Svc作横向交叉运算，得到子种群Shc，包括以下子步骤：
(1)在横向交叉概率Phc条件下，对种群Svc中的不同粒子作两两不重复交叉配对运算，共执行
Figure BDA0003118120430000072
次后得到子种群Shc，具体运算过程如下：
Shc(i,d)＝r1×Svc(i,d)+(1-r1)×Svc(j,d)+c1×(Svc(i,d)-Svc(j,d)) (19)
Shc(j,d)＝r2×Svc(j,d)+(1-r2)×Svc(i,d)+c2×(Svc(j,d)-Svc(i,d)) (20)
其中，r1和r2是0到1之间的随机数；c1和c2是-1到1之间的随机数；Svc(i,d)和Svc(j,d)是粒子Svc(i和Svc(j)的第d维；Shc(i,d)和Shc(j,d)是Svc(i,d)和Svc(j,d)在第d维作横向交叉运算的结果；
S542：根据子种群Shc作混沌运算，得到子种群G，此步骤与S532相同，区别在于此时输入变为子种群Shc：
S543：根据子种群Shc和G，更新种群Z，更新方式如下：
Z(i)＝Lbest←min(fobj(Z(i)),fobj(Shc(i)),fobj(Q(i))),i∈[1,M] (21)
实施例二
本实施例为实施例一具体应用的实施例，本实施例中：
步骤S10中，原始风电功率、原始风速和原始风向历史数据为连续采集一个月且每间隔10min采集一次的风电功率、风速和风向数据，每天有144个数据点(包含风电功率、风速和风向)。
步骤S40中，训练样本为前3320个历史风电数据。
步骤S70中，采用步骤S60中训练好的时序注意力-门控循环单元深度学习预测模型作提前10min的风电功率预测。
如图2所示，本实施例将CSO优化TA-GRU预测模型作为对比，对比CSO优化TA-GRU预测模型预测结果、DCCSO优化TA-GRU预测模型预测结果以及实际值。由图可知，CSO优化TA-GRU预测模型预测曲线相对实际曲线发生偏离，而DCCSO优化TA-GRU预测模型预测曲线与实际曲线更为接近，以此可知，本申请可获得较好的风电功率预测精度。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于DCCSO优化深度学习模型的超短期风电功率预测方法，DCCSO为改进纵横交叉算法，其特征在于，方法包括以下步骤：
S10.采集原始风电功率、原始风速和原始风向历史数据，并对原始风电功率、原始风速和原始风向历史数据预处理得到风电功率时间序列、风速时间序列和风向时间序列；
S20.将步骤S10中风向时间序列转换为风向的正弦序列和风向的余弦序列；
S30.将步骤S10中的风电功率时间序列、风速时间序列以及步骤S20中风向的正弦序列和风向的余弦序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,···,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure FDA0003542252610000011
S40.动态选择步骤S30中的输入样本序列作为训练样本，建立时序注意力-门控循环单元深度学习预测模型；
S50.使用DCCSO对步骤S40中所建立的时序注意力-门控循环单元深度学习预测模型作初始权值和阈值的优化；
S60.将步骤S50中优化得到的初始权值和阈值作为时序注意力-门控循环单元深度学习预测模型的初始权值和阈值，并对所述时序注意力-门控循环单元深度学习预测模型继续作常规梯度下降参数训练，直至训练完成；
S70.采用步骤S60中训练好的时序注意力-门控循环单元深度学习预测模型作提前t时间的风电功率预测，并获得预测风电功率时间序列；
步骤S40中，按以下步骤构建时序注意力-门控循环单元深度学习预测模型：
S41.利用时序注意力动态评估不同历史时间节点输入对于当前时刻风电功率输出的重要程度；
S42.以经过时序注意力评估后的输出作为门控循环单元的输入，作进一步地时间序列内部隐藏规律的提取，并在最后输出预测风电功率序列；
步骤S50按以下步骤进行：
S51：以平均绝对误差、均方误差以及待优化参数的正则项的和最小为目标函数；
S52：确定待优化参数的上下限并初始化种群Z＝[Z(1),Z(2),···,Z(M)]，其中M为种群粒子数量；
S53：执行纵向交叉运算得到子种群Svc，利用Svc通过混沌运算得到子种群G，并将Svc和G联合起来一起更新种群Z；
S54：执行横向交叉运算得到子种群Shc，利用Shc通过混沌运算得到子种群G，并将Shc和G联合起来一起更新种群Z；
S55：根据设计的迭代次数重复执行步骤S53和S54。
2.根据权利要求1所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，步骤S41中，所述时序注意力动态评估模型按以下步骤构建：
S411：时序注意力评估模型即层数为2的神经网络，输入和输出神经元数目相同，均为时间步长T；时序注意力评估模型运算过程如下：
Figure FDA0003542252610000021
Figure FDA0003542252610000022
其中，vk为神经网络所输出的未归一化权值向量，而
Figure FDA0003542252610000023
指第k个特征所对应的第i个时刻的未归一化权重值，V为对应的未归一化权值矩阵，使用softmax函数对vk进行归一化得到最终的注意力权重向量αk，而
Figure FDA0003542252610000024
指第k个特征所对应的第i个时刻的归一化注意力权重值，A为对应的时序注意力分布矩阵，Wa为神经网络权重矩阵；b为偏置项；fa(·)为神经网络输出激活函数；
S412：将A与输入样本序列X作点乘运算，得到评估后的时间序列Y；
Figure FDA0003542252610000025
S413：将评估后得到的时间序列Y作为门控循环单元的输入。
3.根据权利要求1所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，步骤S42中，门控循环单元模型按以下步骤构建：
S421.门控循环单元模型包括2个神经网络层，每层神经元的数目分别设置为4和8；
S422.在t时刻，门控循环单元模型GRU单元通过重置门和更新门来接收当前数据输入yt和前一时刻的状态输出ht-1，得到t时刻GRU单元的状态输出ht；
S423.在经过门控循环单元模型对输入序列作进一步的时间特征提取后，最后输出所预测的风电功率序列。
4.根据权利要求3所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，步骤S422按以下步骤进行：
(1)重置门rt决定网络当前时刻输入与历史时刻记忆之间的融合程度：
rt＝σ(Wryyt+ht-1Wrh+br) (5)
(2)更新门zt决定对历史时刻记忆信息的保存程度：
zt＝σ(Wzyyt+ht-1Wzh+bz) (6)
(3)计算此时刻的状态输出ht：
Figure FDA0003542252610000031
Figure FDA0003542252610000032
其中σ是Sigmoid激活函数；Wry和Wrh为重置门运算所用权重参数矩阵，br为对应偏置；Wzy和Wzh为更新门运算所用权重参数矩阵，bz为对应偏置；Why和Whh为计算
Figure FDA0003542252610000033
所用权重参数矩阵，bh为对应偏置；
Figure FDA0003542252610000034
是对当前时刻状态的记忆；⊙是元素对应位置点乘运算。
5.根据权利要求1所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，步骤S51中，最小目标函数式表示为：
Figure FDA0003542252610000035
其中，fobj为优化目标；N为训练样本数量；D为时序注意力-门控循环单元深度学习预测模型所需训练的整体参数数量，也是种群粒子的维度大小；θj指代模型的权值或阈值；p为训练样本对应的实际测量值；p*为根据当前算法寻优得到的参数向量θ计算出来的模型风电功率预测值；ξ和β为指标融合系数，两者相加为1；λ是正则化系数。
6.根据权利要求1所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，步骤S52中，待优化参数上下限的确定方式以及种群Z中的单个个体Z(m)表示为：
Figure FDA0003542252610000041
Z(m)＝{θj}j＝1,2,…,D (11)
其中，l表示所优化时序注意力-门控循环单元深度学习预测模型的第l层；
Figure FDA0003542252610000042
和
Figure FDA0003542252610000043
分别表示第l层的权值和阈值的上下限区间；
Figure FDA0003542252610000044
和
Figure FDA0003542252610000045
分别表示第l层的输入和输出神经元数量；ε为常数。
7.根据权利要求1所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，在所述步骤S53中，种群Z的具体更新步骤为：
S531：根据当前种群Z作纵向交叉运算，得到子种群Svc，包括以下子步骤：
(1)对种群Z中的每一维执行归一化，具体公式如下：
Figure FDA0003542252610000046
其中，Z(i,d)指种群Z中粒子Z(i)第d维的权值或阈值，θdmax指第d维的权值或阈值的最大值，θdmin指第d维的权值或阈值的最小值；
(2)在纵向交叉概率Pvc条件下，对种群Z中每个粒子的不同维作两两不重复交叉配对运算，共执行
Figure FDA0003542252610000047
次，具体运算过程如下：
Figure FDA0003542252610000048
其中，r为0到1之间的正态随机分布数，
Figure FDA0003542252610000049
是粒子Z(i)第d1维和第d2维纵向交叉得到的结果；
(3)对
Figure FDA00035422526100000410
作反归一化，得到最终的子种群Svc，具体运算如下：
Figure FDA00035422526100000411
S532：根据子种群Svc作混沌运算，得到子种群G，包括以下子步骤：
(1)以子种群Svc为输入，计算得到混沌变量阵Q，具体运算为：
Q(t)＝1-a·|Q(t-1)|+Snorm(t-1) (15)
Snorm(t)＝b·Q(t) (16)
其中，t为混沌运算内部迭代次数；Snorm是将Svc的每一维归一化到[0，1]区间的优化子群；参数a和b为常数；
(2)将Q动态保存用于下次混沌运算，并执行反归一化得到子种群G，具体过程如下：
Figure FDA0003542252610000051
其中，Q(i,d)是粒子Q(i)第d维反归一化结果；μ和η为常量；sdmax和sdmin分别为Svc归一化前第d维的最大值和最小值；
S533：根据子种群Svc和G，更新种群Z，更新方式如下：
Z(i)＝Lbest←min(fobj(Z(i)),fobj(Svc(i)),fobj(Q(i))),i∈[1,M] (18)
其中，Lbest指在粒子Z(i)、Svc(i)和Q(i)中选择根据式(5)计算出目标值最小所对应的粒子。
8.根据权利要求7所述的基于DCCSO优化深度学习模型的超短期风电功率预测方法，其特征在于，在所述步骤S54中，种群Z的具体更新步骤为：
S541：在横向交叉概率Phc条件下，对种群Svc中的不同粒子作两两不重复交叉配对运算，共执行
Figure FDA0003542252610000052
次后得到子种群Shc，运算过程如下：
Shc(i,d)＝r1×Svc(i,d)+(1-r1)×Svc(j,d)+c1×(Svc(i,d)-Svc(j,d)) (19)
Shc(j,d)＝r2×Svc(j,d)+(1-r2)×Svc(i,d)+c2×(Svc(j,d)-Svc(i,d)) (20)
其中，r1和r2是0到1之间的随机数；c1和c2是-1到1之间的随机数；Svc(i,d)和Svc(j,d)是粒子Svc(i和Svc(j)的第d维；Shc(i,d)和Shc(j,d)是Svc(i,d)和Svc(j,d)在第d维作横向交叉运算的结果；
S542：根据子种群Shc作混沌运算，得到子种群G，步骤S542与步骤S532相同，区别在于此时输入变为子种群Shc：
S543：根据子种群Shc和G，更新种群Z，更新方式如下：
Z(i)＝Lbest←min(fobj(Z(i)),fobj(Shc(i)),fobj(Q(i))),i∈[1,M] (21)。
CN202110668995.9A 2021-06-16 2021-06-16 一种基于dccso优化深度学习模型的超短期风电功率预测方法 Active CN113537566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110668995.9A CN113537566B (zh) 2021-06-16 2021-06-16 一种基于dccso优化深度学习模型的超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110668995.9A CN113537566B (zh) 2021-06-16 2021-06-16 一种基于dccso优化深度学习模型的超短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN113537566A CN113537566A (zh) 2021-10-22
CN113537566B true CN113537566B (zh) 2022-05-06

Family

ID=78096202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110668995.9A Active CN113537566B (zh) 2021-06-16 2021-06-16 一种基于dccso优化深度学习模型的超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113537566B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169251A (zh) * 2021-12-27 2022-03-11 广东工业大学 一种超短期风电功率预测方法
CN114169252B (zh) * 2021-12-27 2022-11-29 广东工业大学 一种动态选择代表风电场的短期区域风电功率预测方法
CN117316334B (zh) * 2023-11-30 2024-03-12 南京邮电大学 一种水厂混凝剂用量预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及系统
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417498B2 (en) * 2016-12-30 2019-09-17 Mitsubishi Electric Research Laboratories, Inc. Method and system for multi-modal fusion model

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及系统
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Crisscross optimization algorithm and its application;MENG Anbo，CHEN Yucheng，YIN Hao;《Knowledge-Based Systems》;20141231;第218-229页 *
基于多神经网络融合的短期负荷预测方法;庞昊等;《电力自动化设备》;20200630;第40卷(第06期);第38-41页 *
基于混合算法优化的短期风功率预测;董朕等;《智慧电力》;20171130;第45卷(第11期);第25-29页 *

Also Published As

Publication number Publication date
CN113537566A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113537566B (zh) 一种基于dccso优化深度学习模型的超短期风电功率预测方法
CN109214566B (zh) 基于长短期记忆网络的风电功率短期预测方法
CN111340273B (zh) 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN112488415A (zh) 基于经验模态分解和长短时记忆网络的电力负荷预测方法
CN109242223B (zh) 城市公共建筑火灾风险的量子支持向量机评估与预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN112116162B (zh) 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN115688579A (zh) 一种基于生成对抗网络的流域多点水位预测预警方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN111898825A (zh) 一种光伏发电功率短期预测方法及装置
CN113052373A (zh) 一种基于改进elm模型的月径流变化趋势预测方法
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
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN115293400A (zh) 一种电力系统负荷预测方法及系统
CN116720620A (zh) 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法
CN115640901A (zh) 一种基于混合神经网络和生成对抗的小样本负荷预测方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN113156492A (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法

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