CN114169251A - 一种超短期风电功率预测方法 - Google Patents

一种超短期风电功率预测方法 Download PDF

Info

Publication number
CN114169251A
CN114169251A CN202111616484.9A CN202111616484A CN114169251A CN 114169251 A CN114169251 A CN 114169251A CN 202111616484 A CN202111616484 A CN 202111616484A CN 114169251 A CN114169251 A CN 114169251A
Authority
CN
China
Prior art keywords
wind power
population
sub
prediction
power prediction
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.)
Pending
Application number
CN202111616484.9A
Other languages
English (en)
Inventor
孟安波
朱梓彬
许炫淙
王陈恩
张铮
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 CN202111616484.9A priority Critical patent/CN114169251A/zh
Publication of CN114169251A publication Critical patent/CN114169251A/zh
Pending legal-status Critical Current

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及风电功率预测的技术领域，更具体地，涉及一种超短期风电功率预测方法，本实施例采用多元变分模态分解方法，将所采集的风电功率和风速序列依次进行分解，并拼接形成一个T×F的输入特征矩阵，降低复杂度。再通过自动编码器与极限学习机的结合构建深度极限学习机预测模型，并利用多目标纵横交叉算法对所建立的预测模型作权值和阈值的初始寻优。将寻优结果作为深度极限学习模型的初始参数并继续训练，最后利用训练好的模型对分解后的各子序列分别进行预测，将各子序列预测结果叠加从而得到风电功率预测值。本发明的超短期风电功率预测方法，有效提升了模型在风电功率的预测精度、预测稳定性与泛化性能。

Description

一种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，涉及一种超短期风电功率预测方法。
背景技术
由于风能资源具有随机性，间歇性等特点，使得实际风电输出功率序列属于波动幅度大、非平稳的复杂信号。这也导致了在进行风电预测时，直接以无处理的原始风电序列作为输入的单一机器学习预测模型精度难以满足要求。为了提升风电功率预测精度，公开专利中有技术方案使用模态分解方法对风电功率及气象序列进行分解，得到数个复杂度更低的子序列，再对分解后的各子序列分别建立预测模型，将各预测结果叠加进而实现对风电功率的预测。但在进行多变量分解时，单变量输入的模态分解方法的处理效率不高，并且由于无法完成并行分解处理，不能够保证每个通道在分解时分量频率的一致性。
采用上述添加模态分解的风电功率预测方案可以获得较为良好的预测精度，除此之外，选择合适的群智能算法对预测模型进行优化的组合使用也可以带来预测精度的提升。近年来，许多公开的现有技术开始引入群智能算法对风电功率预测模型的训练参数进行优化，如遗传算法(GA)、鲸鱼算法(WOA)、粒子群算法(PSO)等，然而这些单目标优化算法在风电功率预测中往往只以预测准确性为目标，而忽略了预测稳定性。想要提升预测性能，获得更高的预测精度，则需要同时考虑准确性与稳定性两个目标。针对这两个目标组合的风电功率预测多目标问题，很难像解决单目标问题一样去寻找函数的最优解。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种在超短期风电功率预测方法，同时具备风电功率预测的准确性和稳定性。
为解决上述技术问题，本发明采用的技术方案是：
提供一种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、风速历史数据，以T分钟为单位，并对风电功率、风速历史数据预处理以获得风电功率时间序列、风速时间序列，所述预处理包括剔除异常数据、数据标准化；
S20：将预处理后得到的风电功率时间序列、风速时间序列，采用多元变分模态分解MVMD同时进行分解，得到j个(j＝1,2,…,m，m为多元变分模态分解的序列数量)风电功率子序列与风速子序列；
S30：将步骤S20中风电功率子序列、风速子序列依次进行拼接，形成一个T×F的输入特征矩阵，其中T为时间步长，F为特征数；重复m次，最后得到m个形状同样为T×F的输入特征矩阵，单个输入矩阵Xorg表示为：
Figure BDA0003436585820000021
S40：建立m个深度极限学习机DELM风电功率预测模型；
S50：构建风电功率预测中优化的多目标问题的目标函数，多目标问题包括预测准确性与预测稳定性；
S60：利用多目标纵横交叉算法MOCSO以步骤S50中所述的的多目标问题的目标函数为目标函数，对步骤S40中所建立的DELM风电功率预测模型作初始权值和阈值的优化，得到多目标纵横交叉算法-深度极限学习机预测模型MOCSO-DELM预测模型；
S70：依次从S30中得到的m个风电功率子序列、风速子序列构成的输入矩阵中动态选择训练样本，并对步骤S60中所建立的m个MOCSO-DELM预测模型进行训练；
S80：利用步骤S70中训练好的m个MOCSO-DELM预测模型作提前t时间的风电功率预测，并获得对应的m个预测风电功率时间子序列；
S90：将各子模态经步骤S80预测得到的结果进行叠加重构，获得对应预测风电功率时间序列。
与现有技术相比，本发明的有益效果是：
(1)本发明采用的多元变分模态分解方法(MVMD)在处理多变量、多通道信号分解时，在分解效率以及分解效果上均能取得明显提升。为多特征输入的风电功率预测效率及精度提升提供了重要参考。
(2)本发明提出的基于多目标纵横交叉算法(MOCSO)优化预测模型初始的权值和阈值对模型的预测精度、预测稳定性以及收敛速度的提升均有一定地帮助。
(3)本发明提出多目标纵横交叉算法-深度极限学习机预测模型，其中，结合自动编码器(AE)与极限学习机(ELM)，通过多个ELM-AE的堆栈形成的深度学习网络深度极限学习机，能够提升模型对数据特征映射的表现，最大限度地降低了数据重构误差，增强了模型的泛化能力。与多目标优化算法的有机结合，对提高风电功率预测精度有重要的实际工程意义。
附图说明
图1为超短期风电功率预测方法的流程图；
图2为深度极限学习机结构示意图；
图3为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至图2所示为本发明的超短期风电功率预测方法的实施例，包括以下步骤：
S10：采集原始风电功率、风速历史数据，以T分钟为单位，并对风电功率、风速历史数据预处理以获得风电功率时间序列、风速时间序列，所述预处理包括剔除异常数据、数据标准化；风电功率受风速的影响大，而且风速对风电功率预测的准确性起着重要作用，所以在预测输入数据时，除了历史功率也加入了风速数据。S20：将预处理后得到的风电功率时间序列、风速时间序列，采用多元变分模态分解MVMD同时进行分解，得到j个(j＝1,2,…,m，m为多元变分模态分解的序列数量)风电功率子序列与风速子序列，降低序列复杂度；
S30：将步骤S20中风电功率子序列、风速子序列依次进行拼接，形成一个T×F的输入特征矩阵，其中T为时间步长，F为特征数；重复m次，最后得到m个形状同样为T×F的输入特征矩阵，单个输入矩阵Xorg表示为：
Figure BDA0003436585820000031
S40：建立m个深度极限学习机DELM风电功率预测模型；
S50：构建风电功率预测中优化的多目标问题的目标函数，多目标问题包括预测准确性与预测稳定性；
S60：利用多目标纵横交叉算法MOCSO以步骤S50中所述的的多目标问题的目标函数为目标函数，对步骤S40中所建立的DELM风电功率预测模型作初始权值和阈值的优化，得到多目标纵横交叉算法-深度极限学习机预测模型MOCSO-DELM预测模型；
S70：依次从S30中得到的m个风电功率子序列、风速子序列构成的输入矩阵中动态选择训练样本，并对步骤S60中所建立的m个MOCSO-DELM预测模型进行训练；
S80：利用步骤S70中训练好的m个MOCSO-DELM预测模型作提前t时间的风电功率预测，并获得对应的m个预测风电功率时间子序列；
S90：将各子模态经步骤S80预测得到的结果进行叠加重构，获得对应预测风电功率时间序列。
本实施例将多元变分模态分解方法用于处理风电功率时间序列和风速时间序列，采用多目标纵横交叉算法对深度极限学习机模型进行优化，采用优化后的模型预测风电功率，发明要点在于各种方法在风电功率预测中的应用，而不在于各种方法的具体计算公式。多元变分模态分解方法的应用有效降低了序列的复杂度，结合该算法对所建立的深度极限学习机预测模型作初始权值和阈值的寻优，提升了模型在风电功率的预测精度、预测稳定性与泛化性能。
实施例二
本实施例与实施例一类似，所不同之处在于：
步骤S20中，按以下步骤进行多元变分模态分解：
S21：将进行分解的多通道信号序列x(t)记为[x1(t)，x2(t)，···，xN(t)]，t表示时间，N表示信号通道数；在执行多元模态分解时，需要预先设置分解阶数K，即假设有K个IMF分量信号uk(t)，使得：
Figure BDA0003436585820000041
其中，uk(t)＝[u1(t),u2(t),···,uN(t)],i＝1,2,···,k；
S22：利用Hilbert变换，分别得到S21中向量uk(t)每一个元素的解析表示，记为
Figure BDA0003436585820000042
以计算单侧频谱，并将单侧频谱与指数项
Figure BDA0003436585820000043
相乘，调整其中心频率ωk(t)使每个模态的频谱被调制到与它相应的基频带上；通过谐波转换后，利用
Figure BDA0003436585820000051
的梯度函数的范数平方估计出各模态
Figure BDA0003436585820000052
的带宽；受约束的相关优化问题表示为：
Figure BDA0003436585820000053
其中，
Figure BDA0003436585820000054
为通道为n、模式为k的各子模态解析信号；ωk为中心频率；δ表示狄拉克Dirac分布；
Figure BDA0003436585820000055
表示范数的平；
S23：对于上述变分问题求解，构造增广的拉格朗日乘子为：
Figure BDA0003436585820000056
其中，
Figure BDA0003436585820000057
为通道为n、模式为k的各子模态解析信号；ωk为中心频率；δ表示狄拉克Dirac分布；xn(t)表示通道为n的信号；α为二次惩罚因子参数；λ为拉格朗日乘子；<>表示内积；
S24：应用乘子交替方向方法ADMM方法进行迭代更新计算，然后求取uk(t)及中心频率便得到分解后的信号分量，模式更新表示为：
Figure BDA0003436585820000058
其中，h表示迭代次数，
Figure BDA0003436585820000059
和
Figure BDA00034365858200000510
表示经过傅里叶变换后的信号；α为二次惩罚因子参数。中心频率更新表示为：
Figure BDA00034365858200000511
S25：通过S24中的更新关系自适应地分解信号的频带，得到K个窄带IMF分量，即预处理后风电功率时间序列、风速时间序列被分解成K个子模态序列。
步骤S40中，按以下步骤构建深度极限学习机预测模型：
S41：深度极限学习机DELM是将极限学习机ELM与自动编码器AE相结合，由多个ELM-AE堆栈而成的深度学习网络；构建的ELM-AE使得隐含层节点随机权值和随机阈值正交，能够将特征更好地进行表示，从而提高模型的泛化能力；产生正交的随机权重和阈值表示为：
Figure BDA0003436585820000061
其中，α表示为输入层节点到隐含层节点的输入权重矩阵；B表示为隐含层节点的阈值矩阵；I是单位矩阵；
S42：对于高维和降维特征表达，深度极限学习机隐藏层的输出权重β表示为：
Figure BDA0003436585820000062
其中，β表示输出节点与隐藏节点之间连接的权重；C表示正则化系数；H为ELM-AE的隐含层输出矩阵；X为数据输入；
对于输入维度与编码维度相等的特征表达，隐含层的输出权重β表示为：
β＝TH-1 (9)。
当所述隐含层设置为M个时，将风电功率输入数据样本X通过ELM-AE结构获得第一个权重矩阵，接着获得隐含层的特征向量；以此类推，最终能够得到M层的输入权重矩阵和隐含层的特征向量，完成预测数据输出。
步骤S50中，按以下步骤构建风电功率预测中优化的多目标问题的目标函数：
对于风电功率预测时的准确性，采用均方误差MSE作为目标函数，MSE表示为：
Figure BDA0003436585820000063
其中，N为训练样本数量；yt为实际功率值；yp为预测功率值；
对于风电功率预测时的稳定性，则采用标准差Std作为目标函数，Std表示为：
Figure BDA0003436585820000064
步骤S60中，利用多目标纵横交叉算法按以下步骤对所建立的深度极限学习机模型作初始权值和阈值的优化：
S61：以均方误差以及标准差最小为目标函数；
S62：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；
S63：执行纵向交叉运算得到子种群Svc，计算子种群的适应度，并找到外部存档集G，通过新产生的非支配解与外部存档集进行比较，完成更新；
S64：执行横向交叉运算得到子种群Shc，计算子种群的适应度，并找到外部存档集G，通过新产生的非支配解与外部存档集进行比较，完成更新；
S65：根据设计的迭代次数重复执行步骤S63和S64。
步骤S61中，目标函数表示为：
Figure BDA0003436585820000073
其中，fobj1、fobj2为优化目标；N为训练样本数量；yt为训练样本对应的实际测量值；yp为根据当前算法寻优计算出来的模型风电功率预测值。
步骤S63中，种群Z与外部存档G的具体更新步骤为：
S631：根据种群Z作横向交叉运算，得到子种群Svc，主要包括以下子步骤：
1)对种群Z中的每一维执行归一化，具体公式如下：
Figure BDA0003436585820000071
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；等式前后的Z(i,d)表示种群中所处位置坐标为(i,d)的信息，该位置的信息通过上述公式的计算改变了数值。
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 BDA0003436585820000072
次，具体运算过程如下：
Svc(i,d1)＝r×Z(i,d1)+(1-r)×Z(i,d2),i∈[1,M],d1,d2∈[1,D] (14)
其中，r为0到1之间的正态随机分布数，Svc(i,d1)是粒子Z(i)第d1维和第d2维纵向交叉得到的结果；
3)对Svc作反归一化，得到最终的子种群Svc，具体运算如下：
Svc(i,d)＝Svc(i,d)×(θdmax-θdmin)+θdmin (15)
等式前后的Svc(i,d)表示子种群中所处位置坐标为(i,d)的信息，该位置的信息通过上述公式的计算改变了数值。S632：根据子种群Svc，计算适应度值，对更新后的子种群进行快速非支配排序，更新种群Z与外部存档G，更新方式如下：
Figure BDA0003436585820000081
其中，PNon-dominated solution指在子种群Svc根据计算适应度值所选出的非支配解对应的粒子；L为外部存档最大容量数。
步骤S64中，种群Z与外部存档G的具体更新步骤为：
S641：根据种群Svc作横向交叉运算，得到子种群Shc，主要包括以下子步骤：
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 BDA0003436585820000082
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)) (17)
Shc(j,d)＝r2×Svc(j,d)+(1-r2)×Svc(i,d)+c2×(Svc(j,d)-Svc(i,d)) (18)
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；
S642：根据子种群Shc，计算适应度值，对更新后的子种群进行快速非支配排序，更新种群Z与外部存档G，更新方式如下：
Figure BDA0003436585820000083
在所述步骤S632与S642中，外部存档G的具体更新步骤为：
1)将更新后获得的非支配解对应的粒子输入外部存档G进行储存，当储存的非劣解数量超过外部存档设置的最大容量数时，删除一部分非劣解；对当前外部存档进行网格划分，并计算非劣解的拥挤度；当非劣解的拥挤度越高时，被选中删除的概率越高；同时，需要选择当前非劣解集最稀疏的解作为领导者，从而引导粒子尽可能地探索存档中的未知区域；在选取领导者时，非劣解的拥挤度越低，被选取的概率就越高；相关的计算表示如下：
Figure BDA0003436585820000091
Figure BDA0003436585820000092
Figure BDA0003436585820000093
其中，c表示非劣解的拥挤度；pd表示非劣解被选中删除的概率；ps为非劣解被选中作为领导者的概率；i,j为非劣解在存档中的序号；num为与该非劣解处于同一网格中的非劣解数量；m为当前存档中非劣解的数量。
实施例三
本实施例为实施例二的具体应用实施例，与实施例二所不同之处在于：
在所述步骤S1中，所述风电功率历史数据为连续采集且每间隔10min采集一次的风电功率数据，共有1440个数据点；
在所述步骤S2中，采用多元变分模态分解方法，对1440个原始风电功率、风速数据组成的时间序列进行分解；
在所述步骤S4中，构建深度极限学习机预测模型，训练样本为前1152个历史风电功率数据。
将本实施例MVMD-MOCSO-DELM预测模型、本领域通常使用的ELM模型的预测结果均与实际值对比，如图3所示，可以看出：本实施例预测模型的预测精度、预测稳定性以及收敛速度均优于ELM模型。
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 (10)

1.一种超短期风电功率预测方法，其特征在于，包括以下步骤：
S10：采集原始风电功率、风速历史数据，以T分钟为单位，并对风电功率、风速历史数据预处理以获得风电功率时间序列、风速时间序列，所述预处理包括剔除异常数据、数据标准化；
S20：将预处理后得到的风电功率时间序列、风速时间序列，采用多元变分模态分解MVMD同时进行分解，得到j个(j＝1,2,…,m，m为多元变分模态分解的序列数量)风电功率子序列与风速子序列；
S30：将步骤S20中风电功率子序列、风速子序列依次进行拼接，形成一个T×F的输入特征矩阵，其中T为时间步长，F为特征数；重复m次，最后得到m个形状同样为T×F的输入特征矩阵，单个输入矩阵Xorg表示为：
Figure FDA0003436585810000011
S40：建立m个深度极限学习机DELM风电功率预测模型；
S50：构建风电功率预测中优化的多目标问题的目标函数，多目标问题包括预测准确性与预测稳定性；
S60：利用多目标纵横交叉算法MOCSO以步骤S50中所述的的多目标问题的目标函数为目标函数，对步骤S40中所建立的DELM风电功率预测模型作初始权值和阈值的优化，得到多目标纵横交叉算法-深度极限学习机预测模型MOCSO-DELM预测模型；
S70：依次从S30中得到的m个风电功率子序列、风速子序列构成的输入矩阵中动态选择训练样本，并对步骤S60中所建立的m个MOCSO-DELM预测模型进行训练；
S80：利用步骤S70中训练好的m个MOCSO-DELM预测模型作提前t时间的风电功率预测，并获得对应的m个预测风电功率时间子序列；
S90：将各子模态经步骤S80预测得到的结果进行叠加重构，获得对应预测风电功率时间序列。
2.根据权利要求1所述的超短期风电功率预测方法，其特征在于，步骤S20中，按以下步骤进行多元变分模态分解：
S21：将进行分解的多通道信号序列x(t)记为[x1(t)，x2(t)，…，xN(t)]，t表示时间，N表示信号通道数；在执行多元模态分解时，需要预先设置分解阶数K，即假设有K个IMF分量信号uk(t)，使得：
Figure FDA0003436585810000021
其中，uk(t)＝[u1(t),u2(t),…,uN(t)],i＝1,2,…,k；
S22：利用Hilbert变换，分别得到S21中向量uk(t)每一个元素的解析表示，记为
Figure FDA0003436585810000022
以计算单侧频谱，并将单侧频谱与指数项
Figure FDA0003436585810000023
相乘，调整其中心频率ωk(t)使每个模态的频谱被调制到与它相应的基频带上；通过谐波转换后，利用
Figure FDA0003436585810000024
的梯度函数的范数平方估计出各模态
Figure FDA0003436585810000025
的带宽；受约束的相关优化问题表示为：
Figure FDA0003436585810000026
其中，
Figure FDA0003436585810000027
为通道为n、模式为k的各子模态解析信号；ωk为中心频率；δ表示狄拉克Dirac分布；
Figure FDA0003436585810000028
表示范数的平；
S23：对于上述变分问题求解，构造增广的拉格朗日乘子为：
Figure FDA0003436585810000029
其中，
Figure FDA00034365858100000210
为通道为n、模式为k的各子模态解析信号；ωk为中心频率；δ表示狄拉克Dirac分布；xn(t)表示通道为n的信号；α为二次惩罚因子参数；λ为拉格朗日乘子；<>表示内积；
S24：应用乘子交替方向方法ADMM方法进行迭代更新计算，然后求取uk(t)及中心频率便得到分解后的信号分量，模式更新表示为：
Figure FDA0003436585810000031
其中，h表示迭代次数，
Figure FDA0003436585810000032
和
Figure FDA0003436585810000033
表示经过傅里叶变换后的信号；α为二次惩罚因子参数。中心频率更新表示为：
Figure FDA0003436585810000034
S25：通过S24中的更新关系自适应地分解信号的频带，得到K个窄带IMF分量，即预处理后风电功率时间序列、风速时间序列被分解成K个子模态序列。
3.根据权利要求1所述的超短期风电功率预测方法，其特征在于，步骤S40中，按以下步骤构建深度极限学习机预测模型：
S41：深度极限学习机DELM是将极限学习机ELM与自动编码器AE相结合，由多个ELM-AE堆栈而成的深度学习网络；构建的ELM-AE使得隐含层节点随机权值和随机阈值正交，能够将特征更好地进行表示，从而提高模型的泛化能力；产生正交的随机权重和阈值表示为：
Figure FDA0003436585810000035
其中，α表示为输入层节点到隐含层节点的输入权重矩阵；B表示为隐含层节点的阈值矩阵；I是单位矩阵；
S42：对于高维和降维特征表达，深度极限学习机隐藏层的输出权重β表示为：
Figure FDA0003436585810000036
其中，β表示输出节点与隐藏节点之间连接的权重；C表示正则化系数；H为ELM-AE的隐含层输出矩阵；X为数据输入；
对于输入维度与编码维度相等的特征表达，隐含层的输出权重β表示为：
β＝TH-1 (9)。
4.根据权利要求3所述的超短期风电功率预测方法，其特征在于，当所述隐含层设置为M个时，将风电功率输入数据样本X通过ELM-AE结构获得第一个权重矩阵，接着获得隐含层的特征向量；以此类推，最终能够得到M层的输入权重矩阵和隐含层的特征向量，完成预测数据输出。
5.根据权利要求1至4任一项所述的超短期风电功率预测方法，其特征在于，步骤S50中，按以下步骤构建风电功率预测中优化的多目标问题的目标函数：
对于风电功率预测时的准确性，采用均方误差MSE作为目标函数，MSE表示为：
Figure FDA0003436585810000041
其中，N为训练样本数量；yt为实际功率值；yp为预测功率值；
对于风电功率预测时的稳定性，则采用标准差Std作为目标函数，Std表示为：
Figure FDA0003436585810000042
6.根据权利要求5所述的超短期风电功率预测方法，其特征在于，步骤S60中，利用多目标纵横交叉算法按以下步骤对所建立的深度极限学习机模型作初始权值和阈值的优化：
S61：以均方误差以及标准差最小为目标函数；
S62：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；
S63：执行纵向交叉运算得到子种群Svc，计算子种群的适应度，并找到外部存档集G，通过新产生的非支配解与外部存档集进行比较，完成更新；
S64：执行横向交叉运算得到子种群Shc，计算子种群的适应度，并找到外部存档集G，通过新产生的非支配解与外部存档集进行比较，完成更新；
S65：根据设计的迭代次数重复执行步骤S63和S64。
7.根据权利要求6所述的超短期风电功率预测方法，其特征在于，步骤S61中，目标函数表示为：
Figure FDA0003436585810000051
其中，fobj1、fobj2为优化目标；N为训练样本数量；yt为训练样本对应的实际测量值；yp为根据当前算法寻优计算出来的模型风电功率预测值。
8.根据权利要求6所述的超短期风电功率预测方法，其特征在于，步骤S63中，种群Z与外部存档G的具体更新步骤为：
S631：根据种群Z作横向交叉运算，得到子种群Svc，主要包括以下子步骤：
1)对种群Z中的每一维执行归一化，具体公式如下：
Figure FDA0003436585810000052
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 FDA0003436585810000053
次，具体运算过程如下：
Svc(i,d1)＝r×Z(i,d1)+(1-r)×Z(i,d2),i∈[1,M],d1,d2∈[1,D] (14)
其中，r为0到1之间的正态随机分布数，Svc(i,d1)是粒子Z(i)第d1维和第d2维纵向交叉得到的结果；
3)对Svc作反归一化，得到最终的子种群Svc，具体运算如下：
Svc(i,d)＝Svc(i,d)×(θdmax-θdmin)+θdmin (15)
S632：根据子种群Svc，计算适应度值，对更新后的子种群进行快速非支配排序，更新种群Z与外部存档G，更新方式如下：
Figure FDA0003436585810000054
其中，PNon-dominatedsolution指在子种群Svc根据计算适应度值所选出的非支配解对应的粒子；L为外部存档最大容量数。
9.根据权利要求8所述的超短期风电功率预测方法，其特征在于，步骤S64中，种群Z与外部存档G的具体更新步骤为：
S641：根据种群Svc作横向交叉运算，得到子种群Shc，主要包括以下子步骤：
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 FDA0003436585810000061
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)) (17)
Shc(j,d)＝r2×Svc(j,d)+(1-r2)×Svc(i,d)+c2×(Svc(j,d)-Svc(i,d)) (18)
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；
S642：根据子种群Shc，计算适应度值，对更新后的子种群进行快速非支配排序，更新种群Z与外部存档G，更新方式如下：
Figure FDA0003436585810000062
10.根据权利要求9所述的超短期风电功率预测方法，其特征在于，在所述步骤S632与S642中，外部存档G的具体更新步骤为：
1)将更新后获得的非支配解对应的粒子输入外部存档G进行储存，当储存的非劣解数量超过外部存档设置的最大容量数时，删除一部分非劣解；对当前外部存档进行网格划分，并计算非劣解的拥挤度；当非劣解的拥挤度越高时，被选中删除的概率越高；同时，需要选择当前非劣解集最稀疏的解作为领导者，从而引导粒子尽可能地探索存档中的未知区域；在选取领导者时，非劣解的拥挤度越低，被选取的概率就越高；相关的计算表示如下：
Figure FDA0003436585810000063
Figure FDA0003436585810000064
Figure FDA0003436585810000065
其中，c表示非劣解的拥挤度；pd表示非劣解被选中删除的概率；ps为非劣解被选中作为领导者的概率；i,j为非劣解在存档中的序号；num为与该非劣解处于同一网格中的非劣解数量；m为当前存档中非劣解的数量。
CN202111616484.9A 2021-12-27 2021-12-27 一种超短期风电功率预测方法 Pending CN114169251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111616484.9A CN114169251A (zh) 2021-12-27 2021-12-27 一种超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111616484.9A CN114169251A (zh) 2021-12-27 2021-12-27 一种超短期风电功率预测方法

Publications (1)

Publication Number Publication Date
CN114169251A true CN114169251A (zh) 2022-03-11

Family

ID=80488204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111616484.9A Pending CN114169251A (zh) 2021-12-27 2021-12-27 一种超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN114169251A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和系统
CN117748628A (zh) * 2024-02-21 2024-03-22 青岛理工大学 一种面向风电机组输出功率平滑的有功功率优化调度方法
CN117892113A (zh) * 2024-03-13 2024-04-16 广东工业大学 一种自适应vmd和双重降维注意力机制的风电功率预测方法

Citations (8)

* 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
CN109255477A (zh) * 2018-08-24 2019-01-22 国电联合动力技术有限公司 一种基于深度极限学习机的风速预测方法及其系统和机组
CN109787236A (zh) * 2019-01-28 2019-05-21 云南电网有限责任公司 一种基于深度学习的电力系统频率态势预测方法
CN110363360A (zh) * 2019-07-24 2019-10-22 广东工业大学 一种短期风电功率预测方法、装置及设备
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN111105005A (zh) * 2019-12-03 2020-05-05 广东电网有限责任公司 一种风电功率预测方法
CN113537566A (zh) * 2021-06-16 2021-10-22 广东工业大学 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
CN113689030A (zh) * 2021-08-03 2021-11-23 广东工业大学 一种基于双向注意力和二次优化的短期风功率预测方法

Patent Citations (8)

* 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
CN109255477A (zh) * 2018-08-24 2019-01-22 国电联合动力技术有限公司 一种基于深度极限学习机的风速预测方法及其系统和机组
CN109787236A (zh) * 2019-01-28 2019-05-21 云南电网有限责任公司 一种基于深度学习的电力系统频率态势预测方法
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN110363360A (zh) * 2019-07-24 2019-10-22 广东工业大学 一种短期风电功率预测方法、装置及设备
CN111105005A (zh) * 2019-12-03 2020-05-05 广东电网有限责任公司 一种风电功率预测方法
CN113537566A (zh) * 2021-06-16 2021-10-22 广东工业大学 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
CN113689030A (zh) * 2021-08-03 2021-11-23 广东工业大学 一种基于双向注意力和二次优化的短期风功率预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘乃毓等: "基于自适应多元变分模态分解的电力系统低频振荡模态辨识", 《东北电力大学学报》 *
孟安波等: "采用多目标纵横交叉算法的电力系统动态环境经济调度", 《电力系统保护与控制》 *
曹文耀等: "基于混沌策略文化差分进化算法的动态环境经济调度", 《宁夏电力》 *
魏明磊等: "基于多目标纵横交叉算法的分布式电源规划", 《黑龙江电力》 *
黄强等: "考虑风电与电动汽车协同作用的动态环境经济调度", 《广东电力》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和系统
CN117748628A (zh) * 2024-02-21 2024-03-22 青岛理工大学 一种面向风电机组输出功率平滑的有功功率优化调度方法
CN117892113A (zh) * 2024-03-13 2024-04-16 广东工业大学 一种自适应vmd和双重降维注意力机制的风电功率预测方法
CN117892113B (zh) * 2024-03-13 2024-06-11 广东工业大学 一种自适应vmd和双重降维注意力机制的风电功率预测方法

Similar Documents

Publication Publication Date Title
CN112348271B (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
CN109102126B (zh) 一种基于深度迁移学习的理论线损率预测模型
CN114169251A (zh) 一种超短期风电功率预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
US20230196076A1 (en) Method for optimally selecting flood-control operation scheme based on temporal convolutional network
Niu et al. Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed
CN109583588B (zh) 一种短期风速预测方法及系统
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN111882120A (zh) 基于VMD-MQPSO-BPn网络的电力负荷预测方法
CN111860790A (zh) 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统
CN111105005B (zh) 一种风电功率预测方法
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及系统
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN115345661A (zh) 一种电力价格预测方法及系统
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
CN116911459A (zh) 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN117117827A (zh) 一种基于卷积神经网络的新型配电网状态估计方法
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
Zhang et al. A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220311

RJ01 Rejection of invention patent application after publication