CN115796327A - 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 - Google Patents
一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 Download PDFInfo
- Publication number
- CN115796327A CN115796327A CN202211283487.XA CN202211283487A CN115796327A CN 115796327 A CN115796327 A CN 115796327A CN 202211283487 A CN202211283487 A CN 202211283487A CN 115796327 A CN115796327 A CN 115796327A
- Authority
- CN
- China
- Prior art keywords
- wind power
- gru
- iwoa
- vmd
- network model
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于风电功率预测方法,具体涉及一种基于VMD和IWOA‑F‑GRU模型的风电功率区间预测方法,该方法包括:采用VMD算法对风电功率数据进行分解;建立用于风电预测的F‑GRU网络模型;将分解后的风电数据输入F‑GRU网络模型进行训练,其中训练过程中,采用IWOA算法对F‑GRU网络模型进行优化得到优化后的F‑GRU网络模型;采用优化后的F‑GRU网络模型对需要预测的风电数据输进行风电功率区间预测。解决现有的方法无法有效处理风电功率数据,导致风电功率区间预测不可靠的问题,预测结果精度高。
Description
技术领域
本发明属于风电功率预测方法,具体涉及一种基于VMD和IWOA-F-GRU模型的风电功率区间预测方法。
背景技术
随着全球经济的发展,能源和环境问题日益严重。可再生能源的开发利用已成为世界各国的研究热点。由于可更新性和可访问性的优点,风力发电站在全世界范围内迅速增长,对电力系统稳定性和经济性的影响越来越大。由于集成规模的扩大,风力发电的随机性、波动性和不确定性对电力系统的安全性、稳定性和经济性具有重大影响,风能预测是解决这一问题的关键。采用历史数据和当前风力发电信息预测风力发电的变化,以提高系统的安全性、可靠性和可控性。
由于风能的随机性、波动性和不确定性,风电功率数据是非平稳的。传统的信号处理无法有效处理风电功率数据,导致风电功率区间预测不理想。因此,确定一种准确、合理、有效的风电功率区间预测方法具有重要意义。
发明内容
本发明所要解决的技术问题在于提供一种基于VMD和IWOA-F-GRU模型的风电功率区间预测方法,解决现有的方法无法有效处理风电功率数据,导致风电功率区间预测不可靠的问题。
本发明是这样实现的,
一种基于VMD和IWOA-F-GRU模型的风电功率区间预测方法,该方法包括:
采用VMD算法对风电功率数据进行分解;
建立用于风电预测的F-GRU网络模型;
将分解后的风电数据输入F-GRU网络模型进行训练,其中训练过程中,采用IWOA算法对F-GRU网络模型进行优化得到优化后的F-GRU网络模型;
采用优化后的F-GRU网络模型对需要预测的风电数据输进行风电功率区间预测。
进一步地,
采用VMD算法对风电功率数据进行分解包括:
建立风电功率数据表达式为:
S={u1(ω1),u2(ω2),Λ,uk(ωk)},k=1,2,Λ,n (1)
其中uk和ωk分别为分解后的各模态和其中心频率,S为风电功率数据;
采用中心频率分析方法确定分解层数k,设置由小到大的k值对数据进行分解,并计算分解后各分量的最大中心频率,当满足公式(2)时,确定k值:
其中ω是分量的最大中心频率,n层号,k为总层数。即最大中心频率的变化幅度呈现下降趋势时,确定分解层数k;
按照公式(3)将风电功率数据转化成变分形式:
并采用交替方向乘子算法优化公式(3),通过公式(4)迭代更新的方法求取分解后的模态分量和各模态的中心频率:
其中uk为得到的分解模态,ωk为对应模态中心频率,λ为拉格朗日乘子。
进一步地,
建立用于风电预测的F-GRU网络模型包括:
构建GRU基础网络,其中基础网络模型包含三个部分:输入层,包括1个神经元;隐含层,包括3个神经元和输出层,包括2个神经元,各层神经元之间采用全连接的方式;
模拟FLN网络,加入输入层与输出层之间的连接,构建F-GRU网络数学表达式为公式(5):
其中Wz,Wr,Wh和bz,br,bh分别是更新门、重置门和候选状态权重矩阵和偏差参数;
采用IWOA算法对GRU网络模型进行优化。
进一步地,
采用IWOA算法对GRU网络模型进行优化,包括:
(1)初始化鲸鱼族群数量xi和混沌个体xc;
(2)当t<tmax,计算鲸鱼个体的适应度,并记录最小适应度fmin和最大适应度fmax。
(3)更新当前最优个体xbest,并计算收敛因子α;
(4)对于i=1ΛN,计算xi的惯性权重ω,并更新WOA中的参数;
(5)重复(1)-(4)直到找到全局最优个体。
进一步地,
其中IWOA算法采用公式(6)的非线性收敛因子α:
其中T1和T2是用于控制α衰减时间的非负常数。
进一步地,
所述IWOA算法采用公式(7)的自适应惯性权重:
其中ω是惯性权重,其符合正态分布;fi数据的适应度,fmax和fmin分别是最大适应度和最小适应度。
本发明与现有技术相比,有益效果在于:
本发明采用全新构建的VMD和IWOA-F-GRU模型对风电功率数据进行区间预测,首先采用变分模态分解(VMD)方法降低风电功率数据的复杂度;其次采用构建快速学习网络(FLN)-门控循环单元(GRU)模型训练风电功率数据,得到模型的主要参数,并采用改进的鲸鱼算法(IWOA)优化F-GRU模型参数;最后通过计算区间覆盖率(PICP)、区间归一化均方根宽度(PINRW)和预测区间平均偏差(PIAD)评价预测结果。结果显示,本发明利用VMD降低数据的复杂程度来提高模型训练效率,IWOA-F-GRU模型能够进一步提高预测精度。
附图说明
图1为四个季节风电功率原始数据;
图2为冬季风电功率数据VMD分解结果;
图3A为本发明实施例提供的FLN网络示意图;
图3B为本发明实施例提供的GRU网络示意图;
图3C为本发明实施例提供的F-GRU网络示意图;
图4为本发明实施例提供的模型对比结果。
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仅用以解释本发明,并不用于限定本发明。
以海南省的风电数据为例。风电原始数据是由风速传感器测量得到,每十分钟采集一个数据,如图1所示,本发明采用的数据是一年中四个季节的风电数据,每个季节的数据量为5000个。
本发明方法包括:
采用VMD算法对风电功率数据进行分解;
建立用于风电预测的F-GRU网络模型;
将分解后的风电数据输入F-GRU网络模型进行训练,其中训练过程中,采用IWOA算法对F-GRU网络模型进行优化得到优化后的F-GRU网络模型;
采用优化后的F-GRU网络模型对需要预测的风电数据输进行风电功率区间预测。
其中采用VMD算法对风电功率数据进行分解,利用VMD算法分别分解四个季节的风电功率数据,达到降低数据复杂度的目的。其步骤如下:
第一步:建立风电功率数据表达式为:
S={u1(ω1),u2(ω2),Λ,uk(ωk)},k=1,2,Λ,n (1)
其中uk和ωk分别为分解后的各模态和其中心频率,S为风电功率数据。
第二步:选择分解层数k。在VMD算法中分解层数的合理性直接影响着分解效果的正确性。以冬季风电数据为例,采用中心频率分析方法确定分解层数k,即设置由小到大的k值对数据进行分解,并计算分解后各分量的最大中心频率,当满足公式(2)时,确定k值。
其中ω是分量的最大中心频率,n层号,k为总层数。即最大中心频率的变化幅度呈现下降趋势时,确定分解层数k。如表1所示,冬季风电数据分解当k>6时开始呈现下降趋势,因此分解层数k=6。
表1冬季风电功率数据VMD分解模态中心频率表
第三步:将风电功率冬季数据转化成变分问题,如公式(3)所示:
并采用交替方向乘子算法优化公式(3),通过迭代更新的方法求取分解后的模态分量和各模态的中心频率,如公式(4)所示:
其中uk为得到的分解模态,ωk为对应模态中心频率,λ为拉格朗日乘子。图2为风电功率冬季数据的分解结果。
建立用于风电预测的F-GRU网络模型,包括分两个步骤构建GRU网络:
第一步:构建快速学习网络(FLN),用以提高模型学习速度。FLN网络包含三个部分:输入层5层,隐含层9层和输出层2层,网络采用全连接方式,如图3A所示。其特点是隐含层与输出层是非线性关系,输入层与输出层是线性关系。
第二步:在FLN网络的隐含层构建GRU网络,其结构如图3B所示。GRU是长短期记忆网络(LSTM)的改进,只需构建两个门,分别是更新门和重置门,相比LSTM网络GRU网络需要更少的参数对网络进行迭代更新,其参数表达式如公式(5)所示:
zt=σ(Wz·[ht-1,xt]+bz)
rt=σ(Wr·[ht-1,xt]+br)
其中Wz,Wr,Wh和bz,br,bh分别是更新门、重置门和候选状态权重矩阵和偏差参数。构建的F-GRU模型结构如图3C所示,其网络结构:输入层为1层,隐含层为3层,输出层为2层。
将分解后的风电数据输入F-GRU网络模型进行训练:将风电数据输入F-GRU网络,其中90%的数据作为训练集,10%的数据作为测试集,迭代次数为300次。采用改进的WOA算法(IWOA)优化F-GRU网络。为了克服传统WOA算法中出现的收敛和优化失衡的问题,本发明引入了非线性收敛因子α,其表达式如公式(6)所示:
其中T1和T2是用于控制α衰减时间的非负常数。
作为在传统的WOA优化算法中最重要的参数,惯性权重在训练开始时应该是一个较大的值,以搜索全局优化,而当迭代次数增加时,惯性权重应是一个较小的值以提高全局优化的精度。然而,惯性权重的下降趋势影响了收敛结果和种群的多样性。惯性权重的缓慢下降和快速下降分别导致种群难以收敛和种群多样性下降;为了解决以上问题,本发明提出了一个新的惯性权重即自适应惯性权重,其表达式如公式(7)所示:
ω=normrnd(1,σ2)
其中ω是惯性权重,其符合正态分布;fi数据的适应度,fmax和fmin分别是最大适应度和最小适应度。
假设鲸鱼族群数量为xi,IWOA优化算法的具体过程如下:
(1)初始化鲸鱼族群数量xi和混沌个体xc;
(2)当t<tmax,计算鲸鱼个体的适应度,并记录最小适应度fmin和最大适应度fmax。
(3)更新当前最优个体xbest,并计算收敛因子α;
(4)对于i=1ΛN,计算xi的惯性权重ω,并更新WOA中的参数;
(5)重复(1)-(4)直到找到全局最优个体。
针对IWOA-F-GRU模型的性能和效果评价是,计算区间覆盖率(PICP)、区间归一化均方根宽度(PINRW)和预测区间平均偏差(PIAD)评价预测结果。
区间覆盖率(PICP)用来表达区间计算的准确性,其表达式如公式(8)所示:
其中N为预测点总数,yi实际功率值。
区间归一化均方根宽度(PINRW)用来描述区间平均带宽的参数,其表达式如公式(9)所示:
其中R是实际值的范围,用于标准化平均带宽。
预测区间平均偏差(PIAD)是用来评价预测区间的偏差程度,其表达式如公式(10)所示:
分别对四个季节风电功率数据区间预测结果进行评价,计算区间覆盖率(PICP)、区间归一化均方根宽度(PINRW)和预测区间平均偏差(PIAD)。将本发明方法与经典方法进行了比较,结果如图4所示,其评价指标如表2所示。从对比结果可以看出,本发明方法的预测指数在所有四个季节都明显优于其他四个预测模型。基于上述结果,本发明方法以更高的精度和更小的带宽有效预测风电功率数据区间范围。
表2模型对比参数表
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于VMD和IWOA-F-GRU模型的风电功率区间预测方法,其特征在于,该方法包括:
采用VMD算法对风电功率数据进行分解;
建立用于风电预测的F-GRU网络模型;
将分解后的风电数据输入F-GRU网络模型进行训练,其中训练过程中,采用IWOA算法对F-GRU网络模型进行优化得到优化后的F-GRU网络模型;
采用优化后的F-GRU网络模型对需要预测的风电数据输进行风电功率区间预测。
2.按照权利要求1所述的基于VMD和IWOA-F-GRU模型的风电功率区间预测方法,其特征在于,
采用VMD算法对风电功率数据进行分解包括:
建立风电功率数据表达式为:
S={u1(ω1),u2(ω2),Λ,uk(ωk)},k=1,2,Λ,n (1)
其中uk和ωk分别为分解后的各模态和其中心频率,S为风电功率数据;
采用中心频率分析方法确定分解层数k,设置由小到大的k值对数据进行分解,并计算分解后各分量的最大中心频率,当满足公式(2)时,确定k值:
其中ω是分量的最大中心频率,n层号,k为总层数。即最大中心频率的变化幅度呈现下降趋势时,确定分解层数k;
按照公式(3)将风电功率数据转化成变分形式:
并采用交替方向乘子算法优化公式(3),通过公式(4)迭代更新的方法求取分解后的模态分量和各模态的中心频率:
其中uk为得到的分解模态,ωk为对应模态中心频率,λ为拉格朗日乘子。
4.按照权利要求3所述的基于VMD和IWOA-F-GRU模型的风电功率区间预测方法,其特征在于,
采用IWOA算法对GRU网络模型进行优化,包括:
(1)初始化鲸鱼族群数量xi和混沌个体xc;
(2)当t<tmax,计算鲸鱼个体的适应度,并记录最小适应度fmin和最大适应度fmax。
(3)更新当前最优个体xbest,并计算收敛因子α;
(4)对于i=1ΛN,计算xi的惯性权重ω,并更新WOA中的参数;
(5)重复(1)-(4)直到找到全局最优个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283487.XA CN115796327A (zh) | 2022-10-20 | 2022-10-20 | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283487.XA CN115796327A (zh) | 2022-10-20 | 2022-10-20 | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796327A true CN115796327A (zh) | 2023-03-14 |
Family
ID=85433294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211283487.XA Pending CN115796327A (zh) | 2022-10-20 | 2022-10-20 | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116257884A (zh) * | 2023-03-20 | 2023-06-13 | 杭州霖芮科技有限公司 | 一种基于流量分析的电商平台客户数据处理方法与系统 |
-
2022
- 2022-10-20 CN CN202211283487.XA patent/CN115796327A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116257884A (zh) * | 2023-03-20 | 2023-06-13 | 杭州霖芮科技有限公司 | 一种基于流量分析的电商平台客户数据处理方法与系统 |
CN116257884B (zh) * | 2023-03-20 | 2023-09-05 | 杭州霖芮科技有限公司 | 一种基于流量分析的电商平台客户数据处理方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
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 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
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 |