CN115271225A - 一种基于小波降噪和神经网络的风力-风功率建模方法 - Google Patents

Abstract

本发明公开一种基于小波降噪和神经网络的风力‑风功率建模方法，建模方法包括：预处理原始风电数据集，得到基本数据集；基于小波降噪技术，对基本数据集进行降噪处理，得到去噪数据集；基于去噪数据和滑动时间窗口算法，构建网络数据集并划分训练集、验证集和测试集；搭建改进Transformer网络；通过训练和验证改进Transformer网络，得到最佳风力‑风功率模型；采用最佳风力‑风功率模型进行测试，输出风功率估计值。本发明为新能源并网及调度决策提供了指导，能够有效的提高建模精度，进而提升风功率预测的精度，降低新型电力系统不确定性调度的难度。

Description

一种基于小波降噪和神经网络的风力-风功率建模方法

技术领域

本发明属于人工智能技术在新能源电力系统的应用领域，尤其涉及一种基于小波降噪和和神经网络的风力-风功率建模方法。

背景技术

风力资源作为一种清洁的可再生能源，已广泛应用于发电，然而由于风力资源的随机波动性，风功率具有不确定性。提高风功率的预测精度对新型电力系统调度运行的意义重大。目前数值天气预报系统较为成熟，可获取风速、风向、气温等风力综合信息数据，但是风力与风功率之间的关系呈现复杂的高阶非线性，国内外相关的建模方法精确度不高，不能完全满足风电并网的要求。

另一方面人工智能领域中神经网络具有强非线性映射、强提取深层次信息的学习能力，通过建立人工智能模型对大量数据进行训练，让模型自主学习数据内部特征联系，代替传统的函数关系模型，可用于解决风力-风功率建模问题。

因此，本发明基于人工智能技术来进一步研究风力—风功率之间的物理数学模型，提出一种基于小波降噪和神经网络的风力-风功率建模方法，能够更加精确的反映风电机组的出力大小。

发明内容

为了解决风力-风功率建模中存在的问题，本发明提出一种基于小波降噪和神经网络的风力-风功率建模方法，以提高建模精度，进而提升风功率预测的精度，降低新型电力系统不确定性调度的难度。

一种基于小波降噪和神经网络的风力-风功率建模方法，所述建模方法包括以下步骤：

步骤1、采集目标风电站不同高度位置的原始风电信息数据，形成原始风电信息数据集，对原始风电信息数据集进行异常值剔除、缺失值填补及数据归一化预处理得到基本数据集D₁；

步骤2、基于小波降噪技术，对所述基本数据集D₁中的数据进行分解、降噪、重构，得到去噪数据集D₂；

步骤3、基于去噪数据集D₂和滑动时间窗口算法，构建网络数据集D₃，并将D₃按照比例划分成训练集Tr、验证集Va和测试集Te；

步骤4、搭建改进Transformer网络；

步骤5、通过训练集Tr和验证集Va对改进Transformer网络进行训练和验证，获得最佳风力-风功率模型；

步骤6、将测试集Te中的风力数据输入最佳风力-风功率模型，得到对应的风功率，并根据综合评价指标来评价建模效果。

进一步地，步骤1中所述基本数据集的获取方法为：

步骤11、采集目标风电站既定历史时间周期内的天气数据及风电功率数据，选取包括X个不同高度的风速W_V1、W_V2、…、W_VX，X个不同高度的风向W_D1、W_D2、…、W_DX以及风电功率P共2X+1个参数，按照时序排列形成2X+1个特征列，构成原始风电信息数据集；

步骤12、对原始风电信息数据中不符合标准的异常值进行剔除，并使用线性插值的方法进行填补；

步骤13、对修补后的数据集进行归一化操作，先对数据进行无量纲化处理，再将数据标准化到[0,1]范围内，获得预处理后的基本数据集D₁。

进一步地，步骤2中所述去噪数据集的获取方式为：

步骤21、对所述步骤1所得基本数据集D₁中的每一列特征进行小波分解，使用的小波基函数为F(x)，小波分解层次为K，每一列特征经过分解后得到K个高频细节分量和1个低频近似分量，共计K+1个分量；

步骤22：采用小波软阈值降噪方法，阈值设为Ts，对每一列数据中的K个高频细节分量进行降噪处理；

步骤23：对分解、降噪后的每一列数据的K+1个分量相加重构，经整合后得到去噪数据集D₂。

进一步地，所述步骤3的具体操作方式为：

步骤31、在去噪数据集D₂中，将风速和风向信息构成的2X个特征列作为输入特征列，将风功率构成的1个特征列作为输出特征列；

步骤32、构建网络数据集D₃，根据滑动时间窗口算法，将2X个输入特征列和1个输出特征列从时间序列转化为适用于神经网络学习的多维多步的网络数据集D₃，输入历史时间步长T，构造网络数据集D₃＝{(X₁，y₁),(X₂，y₂),…,(X_i，y_i)}，其中X_i为i时刻的网络输入数据，X_i是一个T+1行，2X列的风力矩阵，y_i是i时刻的风功率真实值；即用当前时刻风速、风向以及前T个时间步长的历史风速、风向组成的多维多步矩阵拟合当前时刻的风功率；

步骤33、将网络数据集D₃按照a:b:c的比例划分成训练集Tr、验证集Va和测试集Te。

进一步地，所述步骤4的具体操作步骤包括如下：

步骤41、搭建基于网络数据集的改进Transformer网络，所述改进Transformer网络包括输入嵌入层、编码器以及输出层，输入嵌入层由特征嵌入和位置编码构成，特征嵌入采用多通道卷积嵌入，编码技术采用正余弦位置编码；编码器由一维卷积层、池化层、多头注意力机制、求和与归一化层以及前馈层组成；输出层由全连接实现输出；

步骤42、设置特征嵌入中的嵌入维度e、编码器卷积核尺寸s、池化核尺寸p、注意力头数h和板块数N，网络批样本数为B，则网络输入的形状为(B,T+1,2X)，网络输出为对应时刻的风功率估计值。

进一步地，步骤5中最佳风力-风功率模型获取方法包括以下步骤：

步骤51、将训练集Tr输入步骤4中所搭建的改进Transformer网络中，初始化网络权值、阈值，确定一组网络超参数后开始训练，共训练E轮；

步骤52：每完成一轮训练，就将验证集Va输入改进Transformer网络，对该网络进行验证，若验证集误差指标是当前最小值，则保存当前网络参数为最优的网络参数，并展开下一轮训练；若验证集误差指标不是最小值，则网络启动早停机制，连续M次早停后便会触发网络停止按键，网络结束训练；

步骤53、更新网络超参数，重新训练、验证网络，展开对比实验，根据验证误差最小原则获得最佳风力-风功率模型。

进一步地，步骤6中所述综合评价指标包括均方根误差RMSE、平均绝对误差MAE和合格率PR，具体计算公式如下：

式中：

为i时刻的风功率输出估计值，y_i为i时刻的风功率真实值,y_max为所有风功率真实值中的最大值，Q_i为判断风功率输出估计值是否合格的标志，Q_i等于1，表示合格，Q_i等于0，表示不合格，n为指标评价周期所对应的时刻总数。

有益效果：本发明提供的风力-风功率建模方法，综合考虑了多种风力信息对风功率的影响，具体包括不同高度的风速、风向数据，并将信号处理领域的小波分析应用于数据降噪上，和改进Transformer神经网络一起应用于风功率的建模，能够更准确地描述风力与风电功率之间的关系，辅助提高风电功率预测的准确性。

附图说明

图1是本发明的步骤流程图，介绍了从原始数据到实现风功率建模的具体流程；

图2是改进Transformer神经网络的结构；

图3是基于改进Transformer、SVR、CNN、LSTM的四种风力-风功率模型效果对比。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。

实施例1

如图1所示的基于小波降噪和神经网络的风力-风功率建模方法，具体步骤包括：

步骤1：预处理原始风电数据集。取X＝5，采集测风塔在5个不同高度位置处的风速和风向数据，并从系统导出风电场实况发电功率值，按照时序排列形成11个特征列，构成原始数据集后进行数据预处理：首先针对异常值，将明显不符合标准的异常值剔除掉之后和数据缺失值一起通过线性插值法补齐，通过式(1)对所有数据归一化处理，使它们标准化到[0,1]范围内，得到预处理后的数据集D₁。

式中，x_max代表每一列数据中的最大值，x_min代表每一列数据中的最小值，x、x^*分别代表关于归一化前和归一化后的数据。

步骤2：基于小波降噪技术，对预处理后的数据集进行降噪处理，得到去噪数据集。将数据集D₁中每一列特征提取出来，进行小波降噪，设置小波基函数为F(x)，分解层数为K，阈值为Ts。经过小波分解、降噪和重构后，得到数据集D₂。

步骤3：基于去噪数据和滑动时间窗口算法，构建和划分模型数据集。基于去噪数据集D₂，将风速和风向信息构成的10个特征列作为输入特征列，将风功率构成的1个特征列作为输出特征列。通过滑动时间窗口算法将以上时间序列转化为适用于神经网络学习的多维多步数据集D₃。选定滑动历史时间步长为Timestep，则D₃＝{(X₁，y₁),(X₂，y₂),…,(X_i，y_i)}，其中X_i为一个T+1列,10行的矩阵，y_i是i时刻风功率真实值，并按照a:b:c的比例划分好训练集、验证集和测试集。

步骤4：搭建改进Transformer网络。建立合适的改进Transformer神经网络模型，Transformer的结构如图2所示，主要包括一维卷积层、池化层、多头注意力机制、求和与归一化层、前馈层以及全连接层等，并设置网络中嵌入维度(e)、卷积核尺寸(s)、池化核尺寸(p)、注意力头数(h)、板块数(N)等超参数。设置批样本数为B，则改进Transformer网络中一维卷积嵌入的输入形状为(B,T+1,10)，最后经全连接层输出风电功率估计值。

步骤5：训练和验证Transformer网络，得到最佳风力-风功率模型。确定一组网络超参数后，将训练样本集代入到搭建的网络中训练Epoch轮，每完成一轮训练，采用验证集对网络进行验证，若验证集误差指标是当前最小值，则保存当前网络参数为最优的网络模型参数，并展开下一轮训练；若验证集误差指标不是最小值，则网络启动早停机制，连续M次早停后便会触发网络停止按键，网络结束训练。更新网络超参数，重新训练、验证网络，确定最佳风力-风功率模型。

步骤6：采用最佳风力-风功率模型进行测试。将测试集中的风力数据代入到得到的最佳风力-风功率模型中，得到测试集上的风功率估计结果。测试集上模型综合评价指标分别为均方根误差(RMSE)、平均绝对误差(MAE)，合格率(PR)，计算公式如下：

式中，

为i时刻的风功率输出估计值，y_i为i时刻的风功率真实值,y_max为所有风功率真实值中的最大值，Q_i为判断风功率输出估计值是否合格的标志，Q_i等于1，表示合格，Q_i等于0，表示不合格，n为指标评价周期所对应的时刻总数。

实施例2

将本发明所提出的建模方法运用到具体实验中，数据来源于我国某区域风电场2019年的实况数据。本次共采集6-12月数据进行实验，其中6-10月份的数据作为训练集，11月份的数据作为验证集，12月份的数据作为测试集。并搭建SVR、CNN、LSTM三种模型用于对比试验，实例验证具体为：

步骤1：采集目标风电站2019年6-12月份共7个月的相关数据，得到包含10m、30m、50m、70m、80m高度处的风速、风向和风电功率数据，按照时间顺序整理，构成共11个特征列的原始数据集，对原始数据集进行异常值剔除、缺失值填补、数据归一化等预处理工作后得到基本数据集；

步骤2：通过小波降噪实验对基本数据集进行分解、降噪、重构，11个特征参数对应11次小波降噪工作。小波基函数设置为F(x)＝db4(x)，分解层数K＝3，阈值Ts＝0.3，以70m处的风速W_v4为例，经过分解后，得到3个高频分量和1个低频分量，对其中的高频分量进行软阈值降噪，降噪后将所有分量相加重构，其余特征参照该方法依次进行小波降噪；

步骤3：通过滑动时间窗口算法将重构后的数据集转化为适用于神经网络学习的多维多步数据集，设置滑动的历史时间步长T＝32，则多维多步数据集中的每个样本为一个33行，10列的矩阵，标签为对应时刻风功率真实值。选取其中6-10月份数据为网络训练集，11月份数据为验证集，12月份数据为测试集；

步骤4：搭建改进Transformer基本网络，设置B＝64，则样本输入网络的形状为(64，33，10)，经一维卷积层、池化层、多头注意力机制、求和与归一化层、前馈层以及全连接层后，输出风功率估计值；

步骤5：将训练样本集代入到建立的网络中训练Epoch＝100轮，每完成1轮，就采用验证集对网络进行验证，设置M＝15，即验证集验证误差连续15次变大时终止网络训练。通过不断更新超参，优化网络参数，经验证后，根据验证误差最小原则得到一个最佳网络并保存形成最佳风力-风功率模型。其中，最佳网络的一组网络超参数如表1所示；

表1最佳改进Transformer网络超参数

步骤6：将测试集中的风力数据输入建立好的最佳风力-风功率模型中，得到对应的风功率估计结果，并根据结果计算模型的评价指标。

为了验证本发明提出的建模方法的优越性，将本发明提出的风力-风功率模型(改进Transformer)与SVR模型、CNN模型以及LSTM模型进行对比分析，并采用均方根误差(RMSE)、绝对平均误差(MAE)和合格率(PR)来比较建模效果，表2为改进Transformer模型与SVR、CNN、LSTM模型的测试集评价指标对比。从表2中可以看出，不论是MAE指标、RMSE指标还是合格率指标，改进Transformer模型的建模精度都优于其他三个模型，充分证明了本发明提出的建模方法的先进性。

为了更加直观的反映风功率建模结果，在测试集中，随机选取某天的数据(连续输入96个样本)输入到模型中得到某天(连续输出96个测试结果)的风电功率建模结果，各模型日风功率曲线对比如图3所示。由图3可以看出，基于改进Transformer网络的风功率建模相较于其他方法，其偏离度最小，滞后性最低，可以最优贴合真实风电功率曲线。

表2不同模型建模结果对比

Model	MAE(MW)	RMSE(MW)	PR
				SVR	14.573	18.019	76.94％
CNN	13.412	18.857	78.61％
				LSTM	11.683	16.485	81.91％
改进Transformer	10.162	14.378	86.46％

上述实例分析表明：本模型能有效地利用已知的风力信息因素，准确给出对应风力水平下的风电功率输出值。各评价指标均比现有水平有所提升，符合现电力系统调度的基本需求。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种基于小波降噪和神经网络的风力-风功率建模方法，其特征在于，所述建模方法包括以下步骤：

步骤1、采集目标风电站不同高度位置的原始风电信息数据，形成原始风电信息数据集，对原始风电信息数据集进行异常值剔除、缺失值填补及数据归一化预处理工作得到基本数据集D₁；

步骤2、基于小波降噪技术，对所述基本数据集D₁中的数据进行分解、降噪、重构，得到去噪数据集D₂；

步骤3、基于去噪数据集D₂和滑动时间窗口算法，构建网络数据集D₃，并将D₃按照比例划分成训练集Tr、验证集Va和测试集Te；

步骤4、搭建改进Transformer网络；

步骤5、通过训练集Tr和验证集Va对改进Transformer网络进行训练和验证，获得最佳风力-风功率模型；

步骤6、将测试集Te中的风力数据输入最佳风力-风功率模型，得到对应的风功率，并根据综合评价指标来评价建模效果。

2.根据权利要求1所述的风力-风功率建模方法，其特征在于，步骤1中所述基本数据集的获取方法为：

步骤11、采集目标风电站既定历史时间周期内的天气数据及风电功率数据，选取包括X个不同高度的风速W_V1、W_V2、…、W_VX，X个不同高度的风向W_D1、W_D2、…、W_DX以及风电功率P共2X+1个参数，按照时序排列形成2X+1个特征列，构成原始风电信息数据集；

步骤12、对原始风电信息数据中不符合标准的异常值进行剔除，并使用线性插值的方法进行填补；

步骤13、对修补后的数据集进行归一化操作，先对数据进行无量纲化处理，再将数据标准化到[0,1]范围内，获得预处理后的基本数据集D₁。

3.根据权利要求1所述的风力-风功率建模方法，其特征在于，步骤2中所述去噪数据集的获取方式为：

步骤21、对所述步骤1所得基本数据集D₁中的每一列特征进行小波分解，使用的小波基函数为F(x)，小波分解层次为K，每一列特征经过分解后得到K个高频细节分量和1个低频近似分量，共计K+1个分量；

步骤22：采用小波软阈值降噪方法，阈值设为Ts，对每一列数据中的K个高频细节分量进行降噪处理；

步骤23：对分解、降噪后的每一列数据的K+1个分量相加重构，经整合后得到去噪数据集D₂。

4.根据权利要求1所述的风力-风功率建模方法，其特征在于，所述步骤3的具体操作方式为：

步骤31、在去噪数据集D₂中，将风速和风向信息构成的2X个特征列作为输入特征列，将风功率构成的1个特征列作为输出特征列；

步骤32、构建网络数据集D₃，根据滑动时间窗口算法，将2X个输入特征列和1个输出特征列从时间序列转化为适用于神经网络学习的多维多步的网络数据集D₃，输入历史时间步长T，构造网络数据集D₃＝{(X₁，y₁),(X₂，y₂),…,(X_i，y_i)}，其中X_i为i时刻的网络输入数据，X_i是一个T+1行，2X列的风力矩阵，y_i是i时刻的风功率真实值；用当前时刻风速、风向以及前T个时间步长的历史风速、风向组成的多维多步矩阵拟合当前时刻的风功率；

步骤33、将网络数据集D₃按照a:b:c的比例划分成训练集Tr、验证集Va和测试集Te。

5.权利要求1所述的风力-风功率建模方法，其特征在于，所述步骤4的具体操作步骤包括如下：

步骤41、搭建基于网络数据集的改进Transformer网络，所述改进Transformer网络包括输入嵌入层、编码器以及输出层，输入嵌入层由特征嵌入和位置编码构成，特征嵌入采用多通道卷积嵌入，编码技术采用正余弦位置编码；编码器由一维卷积层、池化层、多头注意力机制、求和与归一化层以及前馈层组成；输出层由全连接实现输出；

步骤42、设置特征嵌入中的嵌入维度e、编码器卷积核尺寸s、池化核尺寸p、注意力头数h和板块数N，网络批样本数为B，则网络输入的形状为(B,T+1,2X)，网络输出为对应时刻的风功率估计值。

6.权利要求1所述的风力-风功率建模方法，其特征在于，步骤5中最佳风力-风功率模型获取方法包括以下步骤：

步骤51、将训练集Tr输入步骤4中所搭建的改进Transformer网络中，初始化网络权值、阈值，确定一组网络超参数后开始训练，共训练E轮；

步骤52：每完成一轮训练，就将验证集Va输入改进Transformer网络，对该网络进行验证，若验证集误差指标是当前最小值，则保存当前网络参数为最优的网络参数，并展开下一轮训练；若验证集误差指标不是最小值，则网络启动早停机制，连续M次早停后便会触发网络停止按键，网络结束训练；

步骤53、更新网络超参数，重新训练、验证网络，展开对比实验，根据验证误差最小原则获得最佳风力-风功率模型。

7.权利要求1所述的风力-风功率建模方法，其特征在于，步骤6中所述综合评价指标包括均方根误差RMSE、平均绝对误差MAE和合格率PR，具体计算公式如下：

式中：

为i时刻的风功率输出估计值，y_i为i时刻的风功率真实值,y_max为所有风功率真实值中的最大值，Q_i为判断风功率输出估计值是否合格的标志，Q_i等于1，表示合格，Q_i等于0，表示不合格，n为指标评价周期所对应的时刻总数。

Images