CN116127833A - 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 - Google Patents
基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN116127833A CN116127833A CN202211634625.4A CN202211634625A CN116127833A CN 116127833 A CN116127833 A CN 116127833A CN 202211634625 A CN202211634625 A CN 202211634625A CN 116127833 A CN116127833 A CN 116127833A
- Authority
- CN
- China
- Prior art keywords
- wind power
- representing
- data
- vmd
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000003908 quality control method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 4
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开基于VMD和LSTM融合模型的风电功率预测方法、系统、装置及介质，包括：获取风电功率预测所需的样本数据，对样本数据进行数据质量控制；对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；对筛选后的风电功率时间序列进行VMD分解，得到K个子序列；将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；对K个模型输出结果进行求和得到风电功率预测结果，并进行误差计算。本发明引入信号分解，利用数据之间的联系，实现风电功率的准确预测；提高预测准确性，简化预测过程。
Description
技术领域
本发明属于海上风电场的发电功率预测领域，涉及一种基于VMD和LSTM融合模型的风电功率预测方法、系统、装置及介质。
背景技术
循环神经网络模型在时间序列数据预测研究方面颇有成效，但同时会出现长期依赖问题。长短期记忆神经网络(LSTM)作为循环神经网络的一种变体，适用于时间序列中间隔较长、延迟较的事件的处理和预测。然而单一模型的预测精度太低，目前很多模型是将经验模态分解(EMD)或小波分解与神经网络模型组合进行预测。但是EMD分解会出现断点效应以及模态混叠的现象，小波分解存在小波基的选择困难，同时，不同的小波基分析结果也不一样，这将不利于预测结果，预测过程复杂化。
发明内容
本发明的目的在于解决现有技术中预测模型中不同的小波基分析结果不一样，不利于预测结果，预测过程复杂化的问题，提供一种基于VMD和LSTM融合模型的风电功率预测方法、系统、装置及介质。
为达到上述目的，本发明采用以下技术方案予以实现：
基于VMD和LSTM融合模型的风电功率预测方法，包括：
获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制；
对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；
对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列；
将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；
对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
本发明的进一步改进在于：
质量控制包括对样本数据中的风机桨矩角异常值进行识别和处理，具体为：
S101：对样本数据进行可视化并利用箱线图对风机桨矩角异常值识别，当异常值数量超过所设定的阈值时，将异常值数量作为缺失值处理；
S102：利用随机森林法和均值法分别对缺失值填补并进行误差对比，确定通过随机森林填补缺失值。
对样本数据不同特征变量之间进行特征相关性分析，具体为：
基于随机森林方法对样本数据不同特征变量之间进行特征相关性分析；其中，基于特征重要性排序，筛选出前十个特征变量，具体为：
S301：建立决策树之前，有放回地随机抽取一定的样本集，重复采样多次构成决策树模型的训练集，其余没有被抽取到的数据记为袋外数据，基于袋外数据对决策树性能进行评价，训练决策数模型并计算此时每一颗决策树的袋外数据误差；
S302：将噪声随机加入袋外数据的特征中，并计算袋外数据误差；
S303：设森林中有T棵树，则计算特征的重要性为：若在袋外数据加入噪声后，袋外数据的准确率变化超过预期，而表面特征对于样本数据的预测结果影响并未达到预期，则对该特征进行忽略。
对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列，具体为：
S401：构造变分问题；设原始风电功率信号p被分解为K个子分量，约束条件为各模态分量和为原信号，其约束变分模型为：
式中，δ(t)单位脉冲函数，
表示偏导函数，*表示二者之间的卷积过程，uk＝{u1,u2,…uk}为各个模态分量BIMFs，ωk＝{ω1,ω2,…ωk}则表示各个模态分量的中心频率，uk(t)表示第k个模态分量，
是单边际谱的指数信号，p(t)为原始风电功率信号。
S402：求解变分问题。为求约束变最优化，将约束变分问题转变为非约束变分问题，在S401中的约束变分模型中利用二次惩罚项和拉格朗日乘子法的优势，引入了增广Lagrangian函数，其具体公式：
其中，α表示惩罚参数，λ为Lagrange因子。
S403：更新S402中的泛函，对应的更新结果为：
其中，s表示迭代次数，γ表示噪声容限，当信号含有强噪声时，可设γ为0达到去噪的效果；
S404：不断重复S403，直至满足迭代停止条件：
S405：VMD分解层数的确定；通过原始信号和分解信号之间的MAPE判断，确定分解层数；MAPE的具体公式为：
其中，
代表分解后各模态的相加值，p代表原始信号，N代表信号的数量。
数据归一化采用Z-Score标准化，具体为：
其中，xy表示归一化前的数据，x’y表示归一化后的数据，xmin表示归一化前的最小值，xmax表示归一化前的最大值。
训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量，具体为：
LSTM为门控输出，即遗忘门(ft)、输入门(it)和输出门(ot)，对应的输出分别为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt])+bi
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，σ和tanh是激活函数，将变量映射到[0,1]和[-1,1]之间，Wf、bf表示遗忘门σ激活函数的权重与偏置，Wi、bi表示输入门σ激活函数的权重与偏置，WC、bC表示输入门tanh激活函数的权重与偏置，Ct表示新得到的细胞状态信息，Wo、bo表示输出门σ激活函数的权重与偏置，ht则是下一隐藏层的值。
评价指标为RMSE、MAE、R2_score和MAPE；
所述RMSE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述R2_score为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAPE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量。
基于VMD和LSTM融合模型的风电功率预测系统，包括：
获取模块，所述获取模块用于获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制；
筛选模块，所述筛选模块用于对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；
分解模块，所述分解模块用于对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列；
融合模块，所述融合模块用于将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；
误差分析模块，所述误差分析模块用于对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明通过对风电功率预测所需的样本数据进行数据质量控制，并通过VMD分解，确定分解的层数K，得到K个子序列；利用LSTM模型对各个子序列进行预测；对所有子序列对应的LSTM模型输出量叠加求和，得到最终的融合模型预测的风电功率结果，并通过误差评价指标计算其误差。本发明缓解了风电数据的不平稳性特征，在VMD分解时确定最佳分解层数，减少了模型训练的压力；本发明引入信号分解，充分利用数据之间的联系，实现了风电功率的准确预测；提高了预测的准确性，简化了预测过程。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的基于VMD和LSTM融合模型的风电功率预测方法流程图；
图2为本发明的基于VMD和LSTM融合模型的风电功率预测系统结构图；
图3为本发明的整体方法流程图；
图4为本发明整体方法中的VMD算法流程图；
图5为本发明方法实施例中风电功率的原始序列示意图；
图6为本发明方法实施例中风电功率的原始序列经过VMD分解后的结果示意图；其中，(a)、(b)、(c)、(d)、(e)、(f)和(g)分别为1到7的子分量谐波信号示意图；
图7为本发明方法实施例中采用本发明方法的模型预测结果比对示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明公布了一种基于VMD和LSTM融合模型的风电功率预测方法，包括：
S101，获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制。
质量控制包括对样本数据中的风机桨矩角异常值进行识别和处理，具体为：
S101.1：对样本数据进行可视化并利用箱线图对风机桨矩角异常值识别，当异常值数量超过所设定的阈值时，将异常值数量作为缺失值处理；
S101.2：利用随机森林法和均值法分别对缺失值填补并进行误差对比，确定通过随机森林填补缺失值。
S102，对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征。
基于随机森林方法对样本数据不同特征变量之间进行特征相关性分析；其中，基于特征重要性排序，筛选出前十个特征变量，具体为：
S102.1：建立决策树之前，有放回地随机抽取一定的样本集，重复采样多次构成决策树模型的训练集，其余没有被抽取到的数据记为袋外数据，基于袋外数据对决策树性能进行评价，训练决策数模型并计算此时每一颗决策树的袋外数据误差；
S102.2：将噪声随机加入袋外数据的特征中，并计算袋外数据误差；
S102.3：设森林中有T棵树，则计算特征的重要性为：若在袋外数据加入噪声后，袋外数据的准确率变化超过预期，而表面特征对于样本数据的预测结果影响并未达到预期，则对该特征进行忽略。
S103，对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列。
S103.1：构造变分问题；设原始风电功率信号p被分解为K个子分量，约束条件为各模态分量和为原信号，其约束变分模型为：
式中，δ(t)单位脉冲函数，
表示偏导函数，*表示二者之间的卷积过程，uk＝{u1,u2,…uk}为各个模态分量BIMFs，ωk＝{ω1,ω2,…ωk}则表示各个模态分量的中心频率，uk(t)表示第k个模态分量，
是单边际谱的指数信号，p(t)为原始风电功率信号。
S103.2：求解变分问题。为求约束变最优化，将约束变分问题转变为非约束变分问题，在S103.1中的约束变分模型中利用二次惩罚项和拉格朗日乘子法的优势，引入了增广Lagrangian函数，其具体公式：
其中，α表示惩罚参数，λ为Lagrange因子。
S103.3：更新S103.2中的泛函，对应的更新结果为：
其中，s表示迭代次数，γ表示噪声容限，当信号含有强噪声时，可设γ为0达到去噪的效果；
S103.4：不断重复S103.3，直至满足迭代停止条件：
S103.5：VMD分解层数的确定；通过原始信号和分解信号之间的MAPE判断，确定分解层数；MAPE的具体公式为：
其中，
代表分解后各模态的相加值，p代表原始信号，N代表信号的数量。
S104，将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量。
数据归一化采用Z-Score标准化，具体为：
其中，xy表示归一化前的数据，x’y表示归一化后的数据，xmin表示归一化前的最小值，xmax表示归一化前的最大值。
LSTM为门控输出，即遗忘门(ft)、输入门(it)和输出门(ot)，对应的输出分别为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt])+bi
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，σ和tanh是激活函数，将变量映射到[0,1]和[-1,1]之间，Wf、bf表示遗忘门σ激活函数的权重与偏置，Wi、bi表示输入门σ激活函数的权重与偏置，WC、bC表示输入门tanh激活函数的权重与偏置，Ct表示新得到的细胞状态信息，Wo、bo表示输出门σ激活函数的权重与偏置，ht则是下一隐藏层的值。
S105，对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
评价指标为RMSE、MAE、R2_score和MAPE；
所述RMSE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述R2_score为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAPE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量。
参见图2，本发明公布了一种基于VMD和LSTM融合模型的风电功率预测系统，包括：
获取模块，所述获取模块用于获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制；
筛选模块，所述筛选模块用于对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；
分解模块，所述分解模块用于对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列；
融合模块，所述融合模块用于将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；
误差分析模块，所述误差分析模块用于对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
实施例：参见图3，本发明公布了一种基于VMD和LSTM融合模型的风电功率预测方法，包括：
一、数据集的准备
本发明选取来自某海上风电场的实测数据，该风机的额定功率为4205MW，采集间段为2021年7月1日-2021年7月29日，时间分辨率为一分钟，其中包括风机风向、风速、风机桨矩角等特征，共有36024组数据，训练集的比例为80％，测试集的比例为20％，利用一个月的数据对未来风电功率进行短时间内的预测。
二、对风电功率序列VMD分解
风电功率受风场环境影响呈现非平稳性，为解决这一问题，引入VMD分解把非周期信号进行频域分析，把复杂信号分解成为多个谐波信号。参见图4，VMD分解以及分解层数的确定包括以下几个过程：
1、首先，构造变分问题。参见图5，设原始风电功率信号p被分解为k个子分量，约束条件是各模态分量和为原信号，其约束变分模型为：
式中，δ(t)是单位脉冲函数，
表示偏导函数，*表示二者之间的卷积过程，uk＝u1,u2,…uk}为各个模态分量BIMFs，ωk＝{ω1,ω2,…ωk}则表示各个模态分量的中心频率，uk(t)表示第k个模态分量，
是单边际谱的指数信号。
2、求解变分问题。为求约束变分最优化，将约束变分问题转变为非约束变分问题，在1中的约束变分模型中利用二次惩罚项和拉格朗日乘子法的优势，引入了增广Lagrangian函数，其具体公式：
其中，α表示惩罚参数，λ为Lagrange因子。
3、更新2中的泛函，对应的更新结果为：
其中，s表示迭代次数，γ表示噪声容限，当信号含有强噪声时，可设γ为0达到去噪的效果。
4、不断重复3，直至满足迭代停止条件：
5、参见图6，VMD分解层数的确定。根据一定的准则，即通过原始信号和分解信号之间的MAPE判断，确定分解层数K＝7。MAPE的具体公式为：
其中，
代表分解后各模态的相加值，p代表原始信号，N代表信号的数量。
三、利用LSTM模型分别进行风电功率预测
将(一)中采集到的数据集做特征相关性分析之后筛选出十个重要特征，结合(二)中的7个子序列进行特征融合并作归一化处理，然后构建时间滑动窗口为6划分训练集和测试集，训练集的维度是(28813，6，17)，测试集维度为(7204，1)，之后送入LSTM模型进行训练，分别对7个IMF分量预测，得到每个子序列对应的预测结果。LSTM采用的是门控输出，即遗忘门(ft)、输入门(it)、输出门(ot)，对应的输出分别为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt])+bi
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，σ和tanh是激活函数，将变量映射到[0,1]和[-1,1]之间，Wf、bf表示遗忘门σ激活函数的权重与偏置，Wi、bi表示输入门σ激活函数的权重与偏置，WC、bC表示输入门tanh激活函数的权重与偏置，Ct表示新得到的细胞状态信息，WO、bo表示输出门σ激活函数的权重与偏置，ht则是下一隐藏层的值。
四、对预测结果进行误差评价
将得到的7个预测值进行叠加得到最终的风电功率预测值，然后采用误差评价指标RMSE(Root Mean Squared Error，平方根误差)、MAE(Mean Absolute Error，平均绝对误差)、R2_score、MAPE(Mean Absolute Percentage Error，平均绝对百分比误差)计算结果误差，计算公式分别为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量。
参见图7，具体地，各个评价指标结果如下表所示。
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，包括：
获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制；
对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；
对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列；
将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；
对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
2.根据权利要求1所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述质量控制包括对样本数据中的风机桨矩角异常值进行识别和处理，具体为：
S101：对样本数据进行可视化并利用箱线图对风机桨矩角异常值识别，当异常值数量超过所设定的阈值时，将异常值数量作为缺失值处理；
S102：利用随机森林法和均值法分别对缺失值填补并进行误差对比，确定通过随机森林填补缺失值。
3.根据权利要求2所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述对样本数据不同特征变量之间进行特征相关性分析，具体为：
基于随机森林方法对样本数据不同特征变量之间进行特征相关性分析；其中，基于特征重要性排序，筛选出前十个特征变量，具体为：
S301：建立决策树之前，有放回地随机抽取一定的样本集，重复采样多次构成决策树模型的训练集，其余没有被抽取到的数据记为袋外数据，基于袋外数据对决策树性能进行评价，训练决策数模型并计算此时每一颗决策树的袋外数据误差；
S302：将噪声随机加入袋外数据的特征中，并计算袋外数据误差；
S303：设森林中有T棵树，则计算特征的重要性为：若在袋外数据加入噪声后，袋外数据的准确率变化超过预期，而表面特征对于样本数据的预测结果影响并未达到预期，则对该特征进行忽略。
4.根据权利要求3所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列，具体为：
S401：构造变分问题；设原始风电功率信号p被分解为K个子分量，约束条件为各模态分量和为原信号，其约束变分模型为：
式中，δ(t)单位脉冲函数，
表示偏导函数，*表示二者之间的卷积过程，uk＝{u1,u2,…uk}为各个模态分量BIMFs，ωk＝{ω1,ω2,…ωk}则表示各个模态分量的中心频率，uk(t)表示第k个模态分量，
是单边际谱的指数信号，p(t)为原始风电功率信号；
S402：求解变分问题；为求约束变最优化，将约束变分问题转变为非约束变分问题，在S401中的约束变分模型中利用二次惩罚项和拉格朗日乘子法的优势，引入了增广Lagrangian函数，其具体公式：
其中，α表示惩罚参数，λ为Lagrange因子；
S403：更新S402中的泛函，对应的更新结果为：
其中，s表示迭代次数，γ表示噪声容限，当信号含有强噪声时，可设γ为0达到去噪的效果；
S404：不断重复S403，直至满足迭代停止条件：
S405：VMD分解层数的确定；通过原始信号和分解信号之间的MAPE判断，确定分解层数；MAPE的具体公式为：
其中，
代表分解后各模态的相加值，p代表原始信号，N代表信号的数量。
5.根据权利要求4所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述数据归一化采用Z-Score标准化，具体为：
其中，xy表示归一化前的数据，x’y表示归一化后的数据，xmin表示归一化前的最小值，xmax表示归一化前的最大值。
6.根据权利要求1所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量，具体为：
LSTM为门控输出，即遗忘门(ft)、输入门(it)和输出门(ot)，对应的输出分别为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt])+bi
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，σ和tanh是激活函数，将变量映射到[0,1]和[-1,1]之间，Wf、bf表示遗忘门σ激活函数的权重与偏置，Wi、bi表示输入门σ激活函数的权重与偏置，WC、bC表示输入门tanh激活函数的权重与偏置，Ct表示新得到的细胞状态信息，Wo、bo表示输出门σ激活函数的权重与偏置，ht则是下一隐藏层的值。
7.根据权利要求1所述的基于VMD和LSTM融合模型的风电功率预测方法，其特征在于，所述评价指标为RMSE、MAE、R2_score和MAPE；
所述RMSE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述R2_score为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量；
所述MAPE为：
式中，predn表示风电功率预测值，Truen表示风电功率真实值，N表示预测数量。
8.基于VMD和LSTM融合模型的风电功率预测系统，其特征在于，包括：
获取模块，所述获取模块用于获取风电功率预测所需的样本数据，并对样本数据进行数据质量控制；
筛选模块，所述筛选模块用于对样本数据不同特征变量之间进行特征相关性分析，筛选出对风电功率时间序列影响超过阈值的变量特征；
分解模块，所述分解模块用于对经过筛选后的风电功率时间序列进行VMD分解，并确定分解层数K，最终得到K个子序列；
融合模块，所述融合模块用于将VMD分解的各个子序列与特征变量进行特征融合和数据归一化，通过构建时间滑动窗口划分训练集和测试集，并基于训练集和测试集对LSTM模型进行训练和预测，得到K个模型输出量；
误差分析模块，所述误差分析模块用于对K个模型输出结果进行求和得到最终的风电功率预测结果，并进行误差计算；并通过评价指标评估模型性能。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211634625.4A CN116127833A (zh) | 2022-12-19 | 2022-12-19 | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211634625.4A CN116127833A (zh) | 2022-12-19 | 2022-12-19 | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116127833A true CN116127833A (zh) | 2023-05-16 |
Family
ID=86303618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211634625.4A Pending CN116127833A (zh) | 2022-12-19 | 2022-12-19 | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116127833A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252448A (zh) * | 2023-11-20 | 2023-12-19 | 华东交通大学 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
-
2022
- 2022-12-19 CN CN202211634625.4A patent/CN116127833A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252448A (zh) * | 2023-11-20 | 2023-12-19 | 华东交通大学 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
| CN117252448B (zh) * | 2023-11-20 | 2024-02-20 | 华东交通大学 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
| Menéndez et al. | The influence of seasonality on estimating return values of significant wave height | |
| CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
| CN110490366A (zh) | 基于变分模态分解和迭代决策树的径流量预测方法 | |
| CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN110443419A (zh) | 基于iceemdan与极限学习机的中长期径流预测方法 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
| CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN115796351A (zh) | 基于变分模态分解和微波衰减的降雨短临预测方法及装置 | |
| Zhang et al. | Uncertain accessibility estimation method for offshore wind farm based on multi‐step probabilistic wave forecasting | |
| CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
| CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| Huang et al. | A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN116933152B (zh) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 | |
| CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
| CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| CN114626581A (zh) | 基于vmd分解机制的tcn-svm组合用电负荷预测方法 | |
| CN112070320A (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及系统 |
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 |