CN116070768A - 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 - Google Patents
一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN116070768A CN116070768A CN202310128193.8A CN202310128193A CN116070768A CN 116070768 A CN116070768 A CN 116070768A CN 202310128193 A CN202310128193 A CN 202310128193A CN 116070768 A CN116070768 A CN 116070768A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- decomposition
- bilstm
- tcn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于数据重构和TCN‑BiLSTM的短期风电功率预测方法。首先利用结合自适应噪声完备集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解处理，将功率序列分解得到多个本征模态函数(IMF)，以降低神经网络预测模型输入数据的复杂程度。然后计算每个分量的样本熵(SE)值，并将SE值相近的分量归为一类，合并得到新的重构分量，从而减少需要训练和预测的分量数量。最后，建立一种结合时间卷积网络(TCN)和双向长短期记忆网络(BiLSTM)的多元组合预测模型对各分量进行特征提取、信息挖掘及预测，并叠加各分量的预测结果得到最后的预测值。本发明相比于其他风电功率预测传统方法，具有更高的预测精度。
Description
技术领域
本发明涉及短期风电功率预测方法技术领域，尤其涉及一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法。
背景技术
风能作为一种发电成本低、发电过程无污染的清洁可再生能源，逐渐成为能源与环境可持续发展的主力军。然而，风电具有的随机性和波动性会直接影响风电场甚至整个电力系统的安全性和稳定性。因此，提高风电功率预测的准确性对减轻其负面影响，提高电力系统运行的安全性、经济性和稳定性具有重要意义。
常见风电功率预测的方法可以分为物理方法、统计方法和人工智能的方法。物理方法需要结合相关天气因素数据、风电场所处地址周围的地形因素数据和现场采集得到的数据。尽管不需要大量历史风电数据，但物理方法计算量巨大、建模难度高并且不能进行实时预测。统计方法通过找出数值天气预报系统采集的历史天气数据和风电场的历史功率数据之间存在的映射关系。由于风电序列的非线性特性，使得统计方法预测存在偏差，难以满足风电预测的精度要求。近年来，基于人工智能技术的飞速发展以及其强大的并行处理非线性序列的能力，研究人员已将循环神经网络RNN、卷积神经网络CNN、长短期记忆神经网络LSTM等深度学习模型大量应用于风电功率预测领域。但风电序列存在的强波动性和非线性问题以及单一预测模型无法对风电序列进行有效特征提取和信息挖掘的问题仍然对预测结果有较大影响。
因此需要一种结合数据重构和神经网络组合模型的风电功率预测方法，它利用重构算法对其进行分解及平稳化处理，既能充分处理原始风电功率序列，避免直接将功率序列用于构建预测模型的缺陷。同时，建立的多元组合模型对分解后的子序列分别进行预测，能更加有效且准确地进行特征提取和信息挖掘，提高风电功率预测精度。
CN110458316A，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。本发明先对风速时间序列进行集合经验模态分解，并利用样本熵原理对各分量进行重组，从而降低风速时间序列的波动性；接着利用深度学习的方法对不同频率的信号进行建模预测；叠加得到海上风速的短期预测结果，并结合海上风力发电机组的实际风速—功率曲线得到海上风电功率短期预测值。本方法根据海上风速的波动特性与季节特性训练不同的模型，选取合适的模型后便可进行预测，避免了重复训练，在提高了海上风电功率预测精度的同时也提高了预测效率。
申请公开号CN110458316A中使用的集合经验模态分解存在白噪声从高频到低频的转移传递问题，即在分解时存在白噪声残留问题。本发明采用自适应噪声完备集合经验模态分解通过在经验模态分解得到第一阶IMF分量后就进行总体平均计算，得到最终的第一阶IMF分量，消除了白噪声残留问题。并且本发明提出的结合时间卷积网络和双向长短期记忆网络的多元神经网络组合模型能同时发挥其各自的结构优势，能够更深层次且更有效地进行特征提取和信息挖掘，相比于其单一的LSTM网络具有更高的预测精度。
发明内容
本发明旨在解决以上现有技术主要风电序列存在的强波动性和非线性问题以及单一预测模型无法对风电序列进行有效特征提取和信息挖掘的问题。提出了一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法。本发明的技术方案如下：
一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其包括以下步骤：
步骤1、对原始风电功率数据进行数据清洗、归一化在内的数据预处理；
步骤2、对功率序列进行自适应噪声完备集合经验模态分解得到分解序列；
步骤3、计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量；
步骤4、构建结合时间卷积网络和双向长短期记忆网络的多元神经网络组合模型，并采用Adam优化器来调节网络权重参数，寻找网络最优值。网络训练完成后，将分解后的功率数据子序列和对应气象数据输入该组合模型，分别由时间卷积网络模块进行特征提取，双向长短期记忆网络模块进行深度信息挖掘与预测，最后将各子序列预测结果叠加得到最终预测结果。
进一步的，所述步骤1对功率数据进行预处理，具体包括：根据横向处理法对相邻数据取平均值来修正和代替缺失数据和异常数据，如下式所示：
其中，xt表示需要修正的数据，xt-1和xt+1分别表示前一时刻和后一时刻的数据。
进一步的，所述步骤2中CEEMDAN分解的完整流程如下：
步骤1)、将高斯白噪声δj(t)加入到原始信号x(t)，得到新信号s(t)；
s(t)＝x(t)+δj(t) (2)
式中j＝1,2,…,N，N表示加入白噪声的次数；
步骤2)、对已添加噪声信号的s(t)进行EMD分解，得到第一个本征模态分量IMF1；
式中E[·]表示对信号进行EMD分解操作，t＝1,2,…,n，n表示EMD分解得到模态分量的个数，r1为EMD分解后得到的第一个残差分量；
步骤3)、对EMD分解得到的n个模态分量进行集合平均得到CEEMDAN分解的第一个本征模态分量
去除第一个模态分量后得到余量R1(t)；
步骤4)、在R1(t)中加入白噪声得到新信号，对该新信号进行EMD分解，得到第一个模态分量，由此得到CEEMDAN分解的第二个本征模态分量
去除第二个模态分量后得到余量R2(t)；
步骤5)、重复上述步骤，直到获得的余量为单调函数，不能再继续分解，最终原始信号x(t)被分解为：
式中k＝1,2,…,K表示得到的本征模态分量的数量，R(t)表示最终剩余的残差信号。
进一步的，所述步骤2)中CEEMDAN分解中的EMD分解流程如下：
21)找到原始信号x(t)的所有极值点，通过三次样条插值法拟合分别得到极大值包络线emax(t)和极小值包络线emin(t)；
22)计算上下包络线的平均值m1(t)；
23)将原始信号序列减去m1(t)得到一个去掉低频的新信号p(t)
p(t)＝x(t)-m1(t) (9)
一个固有模式函数必须满足以下两个条件：整个数据长度中极值点和过零点的数目必须相等或至多相差一个；由三次样条拟合极值点确定的上、下包络线的平均值是0，若p(t)不满足以上两个条件，则重复上述步骤来得到第一个模态分量IMF1(t)；若p(t)满足以上两个条件，p(t)即为第一个模态分量IMF1(t)；
24)得到IMF1(t)后，用原始信号x(t)减去IMF1(t)得到剩余序列r1(t)；
r1(t)＝x(t)-IMF1(t) (10)
25)将r1(t)作为新的原始信号序列，重复步骤1)-4)，直至残余分量rn(t)只有一个极值点或者为一个单调的序列，则达到收敛条件，分解结束；
最后，原始信号经EMD分解，可以表示为：
其中M为经EMD分解得到IMF分量总数，rn(t)为最终残余分量。
进一步的，所述步骤3计算各分解序列的样本熵，将样本熵值相近的模态分量合并组成新的分量，其中样本熵的计算方法如下：
1)对于长度为L的原始数据序列{x(n)}＝x(1)，x(2)，...，x(L)，按序号组成一组维数为m的向量序列，Xm(i)＝{x(i)，x(i+1)，...，x(i+m-1)}，其中1≤i≤L-m+1，这些向量表示从第i点开始的m个连续的x的值；
2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i)，Xm(j)]为两者对应元素中最大差值的绝对值，即：
d[Xm(i)，Xm(j)]＝max[|x(i+k)-x(j+k)|] (12)
其中，k＝0，1，…，m-1，1≤j≤L-m+1，1≤i≤L-m+1，i≠j；
3)对于给定的Xm(i)，统计Xm(i)和Xm(j)之间距离小于等于r和j的数目，并记为Bi，对于1≤i≤L-m，定义：
定义B(m)(r)为
的平均值：
4)增加维数到m+1，计算Xm+1(i)与Xm+1(j)(1≤j≤L-m，j≠i)之间距离小于等于r的个数，记为Ai，定义
为：
定义A(m)(r)为
的平均值：
5)对于有限长的数据序列，即L为有限值时，得到样本熵的计算公式如下：
进一步的，所述构建TCN-BiLSTM的多元神经网络组合模型，具体包括：
时间卷积网络TCN融合了因果卷积模块和扩张卷积模块，其因果卷积的应用可以有效的保证按照时间先后顺序对风电功率信息进行卷积操作，从而保证时序性；而空洞卷积的应用则可使TCN以较少层数拥有较大的感受野，从而接收更长的历史数据，保证了数据的完整性。并在各网络层之间使用残差连接，残差连接，实现了对序列特征提取的同时，避免梯度消失或爆炸现象的产生。
双向长短期记忆网络BiLSTM由两层方向相反的LSTM层叠加而成，因此输入会同时提供给前向层和反向层的LSTM，输出即由这两个LSTM层共同决定，其双向循环结构增加了从未来到过去的数据流向，使得BiLSTM可以更好的发掘数据的时序特征；
建立TCN-BiLSTM的组合预测模型，将历史功率数据以及对应的气象因素数据输入进TCN，进行特征提取；TCN输出后进入平坦层，用于将其进行向量表示，使其与下一模块BILSTM兼容；BiLSTM则继续挖掘特征中的隐含信息并完成预测；在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值。
本发明的优点及有益效果如下：
本发明将结合自适应噪声完备集合经验模态分解和时间卷积网络与双向长短期记忆网络的多元神经网络组合模型相结合，利用结合自适应噪声完备集合经验模态分解(CEEMDAN)将原始风电功率序列分解成若干更为平稳的子序列，使其更易被预测模型提取有效特征，并且在分解过程中避免了分解算法中常见的模态混叠以及残留的白噪声问题。同时，分别计算每个分量的样本熵值，以此衡量各分量的复杂程度，并将样本熵值相近的分量归为一类，得到新的重构分量，从而减少需要训练和预测的分量数量，提高预测效率。最后，构建时间卷积网络TCN与双向长短期记忆网络BiLSTM的组合预测模型。TCN通过融合因果卷积模块和扩张卷积模块，并在各网络层之间使用残差连接，实现了对序列特征提取的同时，避免梯度消失或爆炸现象的产生。BiLSTM由两层方向相反的LSTM层叠加而成，因此输入会同时提供给前向层和反向层的LSTM，输出即由这两个LSTM层共同决定，其双向循环结构增加了从未来到过去的数据流向，使得BiLSTM可以更好的发掘数据的时序特征。因此，TCN-BiLSTM的组合预测模型相比于传统单一预测模型，能够更深层次且更有效地进行特征提取和信息挖掘。所以，将CEEMDAN分解算法与TCN-BiLSTM组合预测模型相结合应用于风电功率预测，既能从原始功率序列入手，对其进行分解及平稳化处理，使其更易被预测模型提取有效特征，同时TCN-BiLSTM的组合模型也能同时发挥其各自的结构优势，能够更深层次且更有效地进行特征提取和信息挖掘，并提高预测精度。
附图说明
图1是本发明提供优选实施例一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法流程图；
图2TCN-BiLSTM的多元神经网络组合模型结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，本实施提供一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，包括以下步骤：
(1)对功率数据进行预处理，在数据采集过程中由于采样设备异常、通信中断及电磁干扰等外界因素的影响，历史风电功率数据会出现数据缺失和数据异常。根据横向处理法，对相邻数据取平均值来修正和代替缺失数据和异常数据。
(2)对原始风电功率序列进行CEEMDAN分解，以完成对数据序列的平稳化处理，CEEMDAN分解的具体流程如下：
1)、将高斯白噪声δj(t)加入到原始信号x(t)，得到新信号s(t)；
s(t)＝x(t)+δj(t) (1)
式中j＝1,2,…,N，N表示加入白噪声的次数；
2)、对已添加噪声信号的s(t)进行EMD分解，得到第一个本征模态分量IMF1；
式中E[·]表示对信号进行EMD分解操作，t＝1,2,…,n，n表示EMD分解得到模态分量的个数，r1为EMD分解后得到的第一个残差分量；
3)、对EMD分解得到的n个模态分量进行集合平均得到CEEMDAN分解的第一个本征模态分量
去除第一个模态分量后得到余量R1(t)；
4)、在R1(t)中加入白噪声得到新信号，对该新信号进行EMD分解，得到第一个模态分量，由此得到CEEMDAN分解的第二个本征模态分量
去除第二个模态分量后得到余量R2(t)；
5)、重复上述步骤，直到获得的余量为单调函数，不能再继续分解，最终原始信号x(t)被分解为：
式中k＝1，2，...，K表示得到的本征模态分量的数量，R(t)表示最终剩余的残差信号。
(3)计算各分解序列的样本熵，将样本熵值相近的模态分量合并组成新的分量，其中样本熵的计算方法如下：
1)对于长度为L的原始数据序列{x(n)}＝x(1)，x(2)，...，x(L)，按序号组成一组维数为m的向量序列，Xm(i)＝{x(i)，x(i+1)，...，x(i+m-1)}，其中1≤i≤L-m+1。这些向量表示从第i点开始的m个连续的x的值。
2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i)，Xm(j)]为两者对应元素中最大差值的绝对值，即：
d[Xm(i)，Xm(j)]＝max[|x(i+k)-x(j+k)|] (8)
其中，k＝0，1，...，m-1，1≤j≤L-m+1，1≤i≤L-m+1，i≠j。
3)对于给定的Xm(i)，统计Xm(i)和Xm(j)之间距离小于等于r和j的数目，并记为Bi。对于1≤i≤L-m，定义：
定义B(m)(r)为
的平均值：
4)增加维数到m+1，计算Xm+1(i)与Xm+1(j)(1≤j≤L-m，j≠i)之间距离小于等于r的个数，记为Ai。定义
为：
定义A(m)(r)为
的平均值：
5)对于有限长的数据序列，即L为有限值时，得到样本熵的计算公式如下：
(4)构建TCN-BiLSTM的多元神经网络组合模型，具体包括：
时间卷积网络TCN通过融合因果卷积模块和扩张卷积模块，并在各网络层之间使用残差连接，实现了对序列特征提取的同时，避免梯度消失或爆炸现象的产生。其因果卷积的应用可以有效的保证按照时间先后顺序对风电功率信息进行卷积操作，从而保证时序性；而空洞卷积的应用则可使TCN以较少层数拥有较大的感受野，从而接收更长的历史数据，保证了数据的完整性。双向长短期记忆网络BiLSTM由两层方向相反的LSTM层叠加而成，因此输入会同时提供给前向层和反向层的LSTM，输出即由这两个LSTM层共同决定，其双向循环结构增加了从未来到过去的数据流向，使得BiLSTM可以更好的发掘数据的时序特征，提高风电功率预测的准确性。建立TCN-BiLSTM的组合预测模型，将历史功率数据以及对应的气象因素数据输入进TCN，进行特征提取。TCN输出后进入平坦层，用于将其进行向量表示，使其与下一模块BILSTM兼容。BiLSTM则继续挖掘特征中的隐含信息并完成预测。在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值。
(5)模型训练完成之后，将测试数据放入模型，利用已学习模型进行对风电功率数据进行预测。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，包括以下步骤：
步骤1、对原始风电功率数据进行数据清洗、归一化在内的数据预处理；
步骤2、对功率序列进行自适应噪声完备集合经验模态分解得到分解序列；
步骤3、计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量；
步骤4、构建结合时间卷积网络和双向长短期记忆网络的多元神经网络组合模型，并采用Adam优化器来调节网络权重参数，寻找网络最优值，网络训练完成后，将分解后的功率数据子序列和对应气象数据输入该组合模型，分别由时间卷积网络模块进行特征提取，双向长短期记忆网络模块进行深度信息挖掘与预测，最后将各子序列预测结果叠加得到最终预测结果。
2.根据权利要求1所述的一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，所述步骤1对功率数据进行预处理，具体包括：根据横向处理法对相邻数据取平均值来修正和代替缺失数据和异常数据，如下式所示：
其中，xt表示需要修正的数据，xt-1和xt+1分别表示前一时刻和后一时刻的数据。
3.根据权利要求1所述的一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，所述步骤2中CEEMDAN分解的完整流程如下：
步骤1)、将高斯白噪声δj(t)加入到原始信号x(t)，得到新信号s(t)；
s(t)＝x(t)+δj(t) (2)
式中j＝1,2,…,N，N表示加入白噪声的次数；
步骤2)、对已添加噪声信号的s(t)进行EMD分解，得到第一个本征模态分量IMF1；
式中E[·]表示对信号进行EMD分解操作，t＝1,2,…,n，n表示EMD分解得到模态分量的个数，r1为EMD分解后得到的第一个残差分量；
步骤3)、对EMD分解得到的n个模态分量进行集合平均得到CEEMDAN分解的第一个本征模态分量
去除第一个模态分量后得到余量R1(t)；
步骤4)、在R1(t)中加入白噪声得到新信号，对该新信号进行EMD分解，得到第一个模态分量，由此得到CEEMDAN分解的第二个本征模态分量
去除第二个模态分量后得到余量R2(t)；
步骤5)、重复上述步骤，直到获得的余量为单调函数，不能再继续分解，最终原始信号x(t)被分解为：
式中k＝1,2,…,K表示得到的本征模态分量的数量，R(t)表示最终剩余的残差信号。
4.根据权利要求3所述的一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，所述步骤2)中CEEMDAN分解中的EMD分解流程如下：
21)找到原始信号x(t)的所有极值点，通过三次样条插值法拟合分别得到极大值包络线emax(t)和极小值包络线emin(t)；
22)计算上下包络线的平均值m1(t)；
23)将原始信号序列减去m1(t)得到一个去掉低频的新信号p(t)
p(t)＝x(t)-m1(t) (10)
一个固有模式函数必须满足以下两个条件：整个数据长度中极值点和过零点的数目必须相等或至多相差一个；由三次样条拟合极值点确定的上、下包络线的平均值是0，若p(t)不满足以上两个条件，则重复上述步骤来得到第一个模态分量IMF1(t)；若p(t)满足以上两个条件，p(t)即为第一个模态分量IMF1(t)；
24)得到IMF1(t)后，用原始信号x(t)减去IMF1(t)得到剩余序列r1(t)；
r1(t)＝x(t)-IMF1(t) (11)
25)将r1(t)作为新的原始信号序列，重复步骤1)-4)，直至残余分量rn(t)只有一个极值点或者为一个单调的序列，则达到收敛条件，分解结束；
最后，原始信号经EMD分解，可以表示为：
其中M为经EMD分解得到IMF分量总数，rn(t)为最终残余分量。
5.根据权利要求4所述的一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，所述步骤3计算各分解序列的样本熵，将样本熵值相近的模态分量合并组成新的分量，其中样本熵的计算方法如下：
1)对于长度为L的原始数据序列{x(n)}＝x(1),x(2),…,x(L)，按序号组成一组维数为m的向量序列，Xm(i)＝{x(i),x(i+1),…,x(i+m-1)}，其中1≤i≤L-m+1，这些向量表示从第i点开始的m个连续的x的值；
2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)]为两者对应元素中最大差值的绝对值，即：
d[Xm(i),Xm(j)]＝max[|x(i+k)-x(j+k)|] (13)
其中，k＝0,1,…,m-1，1≤j≤L-m+1，1≤i≤L-m+1，i≠j；
3)对于给定的Xm(i)，统计Xm(i)和Xm(j)之间距离小于等于r和j的数目，并记为Bi，对于1≤i≤L-m，定义：
定义B(m)(r)为
的平均值：
4)增加维数到m+1，计算Xm+1(i)与Xm+1(j)(1≤j≤L-m，j≠i)之间距离小于等于r的个数，记为Ai，定义
为：
定义A(m)(r)为
的平均值：
5)对于有限长的数据序列，即L为有限值时，得到样本熵的计算公式如下：
6.根据权利要求5所述的一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法，其特征在于，所述构建TCN-BiLSTM的多元神经网络组合模型，具体包括：
时间卷积网络TCN融合了因果卷积模块和扩张卷积模块，其因果卷积的应用可以有效的保证按照时间先后顺序对风电功率信息进行卷积操作，从而保证时序性；而空洞卷积的应用则可使TCN以较少层数拥有较大的感受野，从而接收更长的历史数据，保证了数据的完整性。并在各网络层之间使用残差连接，实现了对序列特征提取的同时，避免梯度消失或爆炸现象的产生；
双向长短期记忆网络BiLSTM由两层方向相反的LSTM层叠加而成，因此输入会同时提供给前向层和反向层的LSTM，输出即由这两个LSTM层共同决定，其双向循环结构增加了从未来到过去的数据流向，使得BiLSTM可以更好的发掘数据的时序特征；
建立TCN-BiLSTM的组合预测模型，将历史功率数据以及对应的气象因素数据输入进TCN，进行特征提取；TCN输出后进入平坦层，用于将其进行向量表示，使其与下一模块BILSTM兼容；BiLSTM则继续挖掘特征中的隐含信息并完成预测；在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值；网络训练完成后，将分解后的功率数据子序列和对应气象数据输入该组合模型，分别由时间卷积网络模块进行特征提取，双向长短期记忆网络模块进行深度信息挖掘与预测，最后将各子序列预测结果叠加得到最终预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310128193.8A CN116070768A (zh) | 2023-02-16 | 2023-02-16 | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310128193.8A CN116070768A (zh) | 2023-02-16 | 2023-02-16 | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116070768A true CN116070768A (zh) | 2023-05-05 |
Family
ID=86176673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310128193.8A Pending CN116070768A (zh) | 2023-02-16 | 2023-02-16 | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070768A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578844A (zh) * | 2023-06-07 | 2023-08-11 | 广东工业大学 | 暖通空调冷量预测方法、系统及相关设备 |
-
2023
- 2023-02-16 CN CN202310128193.8A patent/CN116070768A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578844A (zh) * | 2023-06-07 | 2023-08-11 | 广东工业大学 | 暖通空调冷量预测方法、系统及相关设备 |
| CN116578844B (zh) * | 2023-06-07 | 2024-01-26 | 广东工业大学 | 暖通空调冷量预测方法、系统及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
| Bommidi et al. | Hybrid wind speed forecasting using ICEEMDAN and transformer model with novel loss function | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| Chen et al. | Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN113193556B (zh) | 基于概率预测模型的短期风电功率预测方法 | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
| Abedinia et al. | A multi-level model for hybrid short term wind forecasting based on SVM, wavelet transform and feature selection | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
| CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
| CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN114358389A (zh) | 结合vmd分解和时间卷积网络的短期电力负荷预测方法 | |
| CN114912077A (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报算法 | |
| CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
| CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
| CN117273208A (zh) | 一种组合功率预测方法、装置、设备及存储介质 | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
| CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
| CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
| CN115809725A (zh) | 一种多因素短期电量预测方法及装置 |
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 |