CN114298136A - 一种基于局域均值分解和深度学习神经网络的风速预测方法 - Google Patents

Abstract

一种基于LMD和LSTM的风速预测方法，将实际风速分解为多个分量，降低预测难度，并结合LSTM建立时序模型进行风速预测；包括如下步骤，(1)稳态数据提取；(2)基于LMD的风速特征提取；(3)建立基于LSTM的风速预测模型；将LMD与LSTM相结合，利用组合预测具备两种算法有点的特征，提高了风速预测精度；局域均值分解法分解数据，可有效消除模态混叠，提高模型预测精度；利用LSTM出色的时间序列特征提取能力，可以有效将这种风速预测方法推广到复杂地理特征的不同站点的风速预测，从时间和空间上提高风速预测的准确性。

Description

一种基于局域均值分解和深度学习神经网络的风速预测方法

技术领域

本发明涉及风力发电领域，尤其涉及一种基于局域均值分解和深度学习神经网络的风速预测方法。

背景技术

可再生能源，如风能、太阳能、地热和生物质能源，可以减少环境污染，实现可持续发展目标。在这些可再生能源中，风能因其清洁和丰富的特性越来越受到关注。如今，许多风力发电被集成到电网系统中。然而，由于风电具有随机性、间歇性和波动性等特点，如果将其直接纳入电网，可能会对电网系统的可靠性和稳定性产生干扰。准确预测风速和功率，可以使电力调度部门及时优化电网系统和风电场运行，是缓解风电一体化不利影响的有效途径。因此，准确的风速预测是必要的。

在过去的几十年中,已经提出了各种方法以增强风速预测的性能.这些方法大致分为以下3类:物理方法、统计方法以及机器学习方法.物理方法主要通过利用气象因素和地理因素等物理参数来预测风速.但是,物理模型的计算成本高且无法捕获气象因素复杂的动态变化关系,因此不适用于短期风速预测.统计方法利用历史时间序列中各个变量的线性关系来构建统计模型,如时间序列方法、自回归移动平均方法和卡尔曼滤波方法等,这些方法克服了物理模型的缺点,但它们只能分析历史时间序列中变量之间的线性关系,难以处理气象要素之间的非线性关系.机器学习如支持向量机、多层感知器和极限学习机可以提取风速时间序列中的复杂非线性特征,并在一定程度上提高预报的准确性.但这些传统的线性和非线性模型只能提取浅特征,并且需要进行大量的特征工程,无法自动提取时间序列特征.

在实际风速预测中，通过以上单一预测方法往往无法达到理想的预测效果，要对单一预测模型进行一定的优化和改进来提高风速的预测精度。

发明内容

针对上述不足，提出一种基于局域均值分解(localmeandecomposition，LMD)和长短期记忆神经网络(long short-term memory,LSTM)的风速预测方法，利用局域均值分解法将风速序列分解为频率不同的若干个分量，降低了风速序列的非平稳性；然后创建长短期记忆神经网络，构建预测模型，预测最终的风速变化。通过实验仿真分析，所提方法有效提高了风速预测的精度。

一种基于LMD和LSTM的风速预测方法，其特征在于，将实际风速分解为多个分量，降低预测难度，并结合LSTM建立时序模型进行风速预测；包括如下步骤，

(1)稳态数据提取；

(2)基于LMD的风速特征提取；

(3)建立基于LSTM的风速预测模型。

本发明的技术方案的优点：

这种基于LMD-LSTM的风速预测方法，其特征在于将实际风速分解为多个分量，降低预测难度，并结合LSTM建立时序模型。能带来有益效果如下：

1)将LMD与LSTM相结合，利用组合预测具备两种算法有点的特征，提高了风速预测精度；

2)局域均值分解法分解数据，可有效消除模态混叠，提高模型预测精度；

3)利用LSTM出色的时间序列特征提取能力，可以有效将这种风速预测方法推广到复杂地理特征的不同站点的风速预测，从时间和空间上提高风速预测的准确性。

附图说明

图1基于LMD和LSTM的风速预测模型技术图

图2LSTM训练流程

图3模型预测结果

具体实施方式

下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。

一种基于LMD和LSTM的风速预测方法，将实际风速分解为多个分量，降低预测难度，并结合LSTM建立时序模型。所述方法包括如下步骤，如图1：

(1)稳态数据提取；

其中通过随机采样一致(Random Sample Consensus，RANSAC)算法结合最小二乘算法得到一定窗口内的预处理数据模型进行滤波，可以有效的去除噪声干扰与异常数据的影响。

首先，获取风电场数据样本，定义数据总长度为L；其次，根据采样间隔，结合风电机组的运行特性，定义窗口初始长度h，取滑动窗口初始位置h₀＝0；然后，判断h+h₀是否小于数据总长度L，若h+h₀>L，结束该流程；若h+h₀<L，取h₀+1到h₀+h个数据点作为采样点，进行RANSAC算法筛选；再对筛选后的点进行最小二乘拟合，对拟合后的多项式x(i)＝P₀+P₁i+P₂i²+…P_mi^m进行稳态检测，采用的稳态判别条件为：

1)预处理数据最小二乘拟合后曲线模型多项式滤波值的最大与最小值差值C₁小于给定阈值；

2)随机采样一致算法筛选出的“内点”的预处理数据的最大与最小值差值C₂小于给定阈值；

3)曲线模型P₁系数小于给定阈值；

若同时满足以上三个条件，则可认为该窗口内数据为稳态数据。

(2)基于LMD的风速特征提取：

LMD可分析非平稳信号，可将波动且不可控信号分解为n个瞬时频率乘积函数PF(product function)之和，各分量由包络信号与纯调频信号的乘积得到。LMD的分解只剔除每个PF分量中的最高频率成分，不会使原始信号的主要信息丢失，因此可用于风速数据分解。步骤如下：

1)对稳态风速数据的所有极值点排序，分别对左、右端的极值点进行镜像延拓，延拓后得到新序列。

2)对风速数据的极值点进行三次样条插值，得到上、下包络线。求取局部均值函数lm(t)和包络估计函数B(t)

3)将lm(t)从风速稳态数据的延拓序列分离，得到剩余量f(t)，对其解调，可获得调频信号s(t)；将所有稳态数据处理完毕，直至达到迭代条件。

4)将得到的所有包络估计函数相乘，得到包络信号，再将包络信号与调频信号相乘，得到PF分量。

(3)建立基于LSTM的风速预测模型。

LSTM神经网络设置如图2所示，建立LSTM风速预测模型的步骤如下：

1)时序特征提取：时间序列是按照时间排序的一组随机变量，本质上反映的是某个或者某些随机变量随时间不断变化的趋势。将上述得到的历史风速数据经步骤(3)处理后的分量作为LSTM的输入，并通过AIC准则定阶，在输入中考虑模型的时延。

2)模型训练和分类识别：将输入特征矩阵汇总形成训练集带入LSTM模型中进行训练,调整LSTM模型的参数，以建立性能良好的风速预测模型。

实施例：应用原始数据选自河南某风电场的实测数据，采样间隔为5min，共采取了3000个样本点，取前2900个样本点作为训练集，后100个样本点作为测试集。

进行如下步骤：

(1)稳态数据提取；

根据所获取实际风电场1年运行数据，定义数据总长度L＝2700，并定义窗口长度h＝180,窗口初始长度h₀＝0；采用随机采样一致结合最小二乘算法得到稳态数据.具体的稳态判别指标为：

1)C₁<20；

2)C₂<35；

3)P₁<3δ

若同时满足以上三个条件，则认为该窗口的数据为稳态数据。

(2)基于LMD的风速特征提取；

①对稳态风速数据u(t)的所有极值点排序，分别对左、右端的极值点进行镜像延拓，延拓后得到序列u₁(t)。

②对风速数据的极值点进行三次样条插值，得到上、下包络线L_min、L_max。

③通过以下算式计算局部均值函数：

通过以下算式计算包络估计函数

④通过式(3)计算剩余量f(t)，通过式(4)计算调频信号s(t)；

f₁₁(t)＝u(t)-lm₁₁(t) (3)

s₁₁(t)＝f₁₁(t)/B₁₁(t) (4)

重复上述步骤，直至达到迭代条件(5)

⑤由式(6)计算包络估计函数乘积，由式(7)得第一个PF分量

PF₁(t)＝B₁(t)s_1n(t) (7)

同理，将PF信号从稳态数据中分离出来，得到新信号n₁(t)。对其重复上述步骤，

直到新信号变成单调函数为止。得到N个PF分量和N个剩余分量。

(3)建立LSTM的风速预测模型。

①时序特征提取：整理输入输出数据，建立LSTM模型的输入输出矩阵。

②模型训练和分类识别：设置LSTM模型的隐藏单元个数为100，批尺寸为80,采用Adam优化算法对模型进行训练,训练的初始学习率设为0.001,为了防止出现无法收敛的情况,设定每训练100轮将学习率衰减为原来的0.2倍,训练的最大轮数为1000,将输入矩阵汇总形成训练集带入LSTM模型中进行训练,训练完成后将测试集数据代入训练好的模型,得到最终的识别结果。最后，选取均方根误差作为预测结果的评价指标，

其中，N为采样点数；y(t)为t时刻的预测值，y_r(t)为t时刻的实际值。

性能评价结果如表1所示。

模型预测结果如图3所示。

最后应说明的是：以上所述仅为本发明的解释，并不用于限制本发明，尽管对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述所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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于LMD和LSTM的风速预测方法，其特征在于，将实际风速分解为多个分量，降低预测难度，并结合LSTM建立时序模型进行风速预测；包括如下步骤，

(1)稳态数据提取；

(2)基于LMD的风速特征提取；

(3)建立基于LSTM的风速预测模型。

2.根据权利要求1所述的基于LMD和LSTM的风速预测方法，其特征在于，步骤(1)中：通过随机采样一致算法结合最小二乘算法得到一定窗口内的预处理数据模型进行滤波，去除噪声干扰与异常数据的影响。

3.根据权利要求2所述的基于LMD和LSTM的风速预测方法，其特征在于，首先，获取风电场数据样本，定义数据总长度为L；其次，根据采样间隔，结合风电机组的运行特性，定义窗口初始长度h，取滑动窗口初始位置h₀＝0；然后，判断h+h₀是否小于数据总长度L，若h+h₀>L，结束该流程；若h+h₀<L，取h₀+1到h₀+h个数据点作为采样点，进行RANSAC算法筛选；再对筛选后的点进行最小二乘拟合，对拟合后的多项式x(i)＝P₀+P₁i+P₂i²+P_mi^m进行稳态检测。

4.根据权利要求3所述的基于LMD和LSTM的风速预测方法，其特征在于，

采用的稳态判别条件为：

1)预处理数据最小二乘拟合后曲线模型多项式滤波值的最大与最小值差值C₁小于给定阈值；

2)随机采样一致算法筛选出的“内点”的预处理数据的最大与最小值差值C₂小于给定阈值；

3)曲线模型P₁系数小于给定阈值；

若同时满足以上三个条件，则该窗口内数据为稳态数据。

5.根据权利要求1所述的基于LMD和LSTM的风速预测方法，其特征在于，步骤(2)中：将波动且不可控信号分解为n个瞬时频率乘积函数PF分量之和，各分量由包络信号与纯调频信号的乘积得到。

6.根据权利要求5所述的基于LMD和LSTM的风速预测方法，其特征在于，步骤(2)中包括：

①对稳态风速数据的所有极值点排序，分别对左、右端的极值点进行镜像延拓，延拓后得到新序列；

②对风速数据的极值点进行三次样条插值，得到上、下包络线；

③求取局部均值函数lm(t)和包络估计函数B(t)；

④将lm(t)从风速稳态数据的延拓序列分离，得到剩余量f(t)，对其解调，可获得调频信号s(t)；将所有稳态数据处理完毕，直至达到迭代条件。

⑤将得到的所有包络估计函数相乘，得到包络信号，再将包络信号与调频信号相乘，得到PF分量。

7.根据权利要求1所述的基于LMD和LSTM的风速预测方法，其特征在于，步骤(3)中，主要步骤如下：

①时序特征提取：将上述处理后的PF分量作为LSTM的输入，并通过AIC准则定阶，在输入中考虑模型的时延；

②模型训练和分类识别：将输入特征矩阵汇总形成训练集带入LSTM模型中进行训练,调整LSTM模型的参数，以建立性能良好的风速预测模型。

Images