CN116316600A - 基于季节分型的面向风电功率日前预测自适应滤波方法 - Google Patents

Abstract

本发明是一种基于季节分型的面向风电功率日前预测自适应滤波方法，其特点是，包括基于KL‑VMD‑NLM的深度自适应滤波、季节分型、模型选择、仿真计算和评价指标的步骤，相比传统的VMD分解技术，本发明有效避免了人工选择超参数所造成的误差，非局部均值去噪算法有效剔除了NWP中的噪声影响，同时使用多个备选模型，使得本发明在风电功率日前预测中的预测精度高、适用性强且效果佳。

Description

基于季节分型的面向风电功率日前预测自适应滤波方法

技术领域

本发明涉及风力发电预测技术领域，是一种基于季节分型的面向风电功率日前预测自适应滤波方法。

背景技术

风能作为一种清洁能源，其大规模开发利用不仅是电力行业可持续发展的需求也是世界各国摆脱能源枯竭的重要举措。受风能的波动性、随机性和间歇性影响，大规模风电并网可能对电网造成不利影响。准确的风电功率预测有助于电力部门提前制定调度计划，提高电力系统运行的经济性，降低风电不确定性带来的负面影响。

风电功率日前预测是指自预测时刻起未来24小时的功率预测预报，时间分辨率通常为15分钟。其意义主要在于优化电网调度，减少旋转备用容量，节约燃料等等。

现有的风电日前预测，数值天气预报(Numerical Weather Prediction,NWP)通常被认为是风电功率日前预测的关键输入，但是天气系统随机性导致的干扰分量将限制模型性能，单一的模型也无法适用于所有场景下的预测建模。

发明内容

本发明的目的是克服NWP数据的干扰分量和单一模型的局限性，提供了一种包含季节分型，变分模态分解(Variational Mode Decomposition,VMD)重要参数自适应选择，噪声分量滤波处理，备选模型最优选择的基于季节分型的面向风电功率日前预测自适应滤波方法。所述方法科学合理，适用性强，效果佳，预测精度高，能够有效的减少了模态分解参数选择的人为误差，极大限度缓解了预测模型单一的局限性。

实现本发明目的采用的技术方案是：一种基于季节分型的面向风电功率日前预测自适应滤波方法，其特征是，它包括以下步骤：

1)基于KL-VMD-NLM的深度自适应滤波框架

利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α，由VMD分解得到多个模态分量；计算各个模态分量的样本熵，根据样本熵的值，识别出噪声主导分量和有效分量；对噪声主导信号使用非局部均值去噪方法进行去噪(Non-Local Means,NLM)；将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号；

KL散度相关内容为：

KL散度目标是量化数据信息，其中最重要的指标称为熵，记为H，若有两个随机变量p、q，其概率分布分别为p(x)、q(x)，定义p(x)为原始分布，q(x)为模拟分布，p的熵定义为:

式中，规定当p(x_i)＝0,p(x_i)logp(x_i)＝0，

对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵，定义为：

KL散度的定义建立在熵和交叉熵的基础上，能帮助度量模拟分布近似原始分布时所损失的信息量，表示为原始分布中的数据概率与近似分布之间的对数差的期望：

D_KL(p||q)＝H(p,q)-H(p) (3)

代入(1)和(2)得：

变分模态分解(VMD)分解执行步骤为：

①对本征模函数

中心频率/>

拉格朗日乘子λⁿ进行初始化，将迭代次数n置1；

②对各子信号，更新参数得

和λⁿ⁺¹；

③判断收敛条件是否满足，若满足，则分解过程结束；否则迭代次数n加1，并返回步骤②；

非局部均值去噪(NLM)计算过程为：

去噪原理表示为：

式中，

为去噪后的信号，υ(i,j)为原始信号，ω(i,j)为像素的权重，i,j表示像素点在图像矩阵中的位置；

其中，权重计算公式为：

式中，v_x，v_y分别表示以x和y为中心的邻域；║·║₂表示欧氏距离；h是权重衰减控制参数，用于控制噪声分量在重建图像中的占比；

原始信号为：

υ(i,j)＝u(i,j)+n(i,j) (7)

式中，u是有效分量，n是噪声分量；

2)季节分型

定义5个特征指标：均值μ，方差σ²，变异系数c_υ，偏态系数γ₁，峰态系数γ₂以衡量不同季节NWP风速的时序特性；

每个特征指标定义为：

式中，n表示NWP数据个数，x_i表示第i个NWP风速数据；

3)模型选择

选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelection Operator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型，经过步骤1)和步骤2)之后，得到每个季节分型下处理后的数据集，将数据集划分成训练集、验证集和测试集导入备选模型中，训练集训练模型，验证集预测计算准确率选取准确率最高的模型，最后测试集预测；

4)仿真计算

仿真输入量：每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率，预测时间的数值天气预报(NWP)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率日前预测结果；

5)评价指标

选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标，计算式分别为：

ACC＝(1-RMSE)×100％ (14)

式中，Cap表示风电场装机容量，N表示风电功率数据个数，P_Mi表示第i个风电功率实际值，P_Pi表示第i个风电功率预测值；

按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。

本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法，包括基于KL-VMD-NLM的深度自适应滤波、季节分型、模型选择、仿真计算和评价指标的步骤，相比传统的VMD分解技术，本发明有效避免了人工选择超参数所造成的误差，非局部均值去噪算法有效剔除了NWP中的噪声影响，同时使用多个备选模型，使得本发明在风电功率日前预测中的预测精度高、适用性强且效果佳。

附图说明

图1为KL-VMD-NLM框架流程图；

图2为不同季节NWP风速对比示意图；

图3为季节分型下基于KL-VMD-NLM的深度自适应滤波框架示意图；

图4为不同季节分解效果示意图；

图5为KL-VMD-NLM框架去噪效果示意图；

图6为不同季节不同分解模型预测曲线示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法作进一步说明。

结合图1-图3，本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法，包括以下步骤：一种基于季节分型的面向风电功率日前预测自适应滤波方法，其特征是，它包括以下步骤：

1)基于KL-VMD-NLM的深度自适应滤波框架

利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α，由VMD分解得到多个模态分量；计算各个模态分量的样本熵，根据样本熵的值，识别出噪声主导分量和有效分量；对噪声主导信号使用非局部均值去噪方法进行去噪(Non-Local Means,NLM)；将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号；

KL散度相关内容为：

KL散度目标是量化数据信息，其中最重要的指标称为熵，记为H，若有两个随机变量p、q，其概率分布分别为p(x)、q(x)，定义p(x)为原始分布，q(x)为模拟分布，p的熵定义为:

式中，规定当p(x_i)＝0,p(x_i)logp(x_i)＝0，

对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵，定义为：

KL散度的定义建立在熵和交叉熵的基础上，能帮助度量模拟分布近似原始分布时所损失的信息量，表示为原始分布中的数据概率与近似分布之间的对数差的期望：

D_KL(p||q)＝H(p,q)-H(p) (3)

代入(1)和(2)得：

变分模态分解(VMD)分解执行步骤为：

①对本征模函数

中心频率/>

拉格朗日乘子λⁿ进行初始化，将迭代次数n置1；

②对各子信号，更新参数得

和λⁿ⁺¹；

③判断收敛条件是否满足，若满足，则分解过程结束；否则迭代次数n加1，并返回步骤②；

非局部均值去噪(NLM)计算过程为：

去噪原理表示为：

式中，

为去噪后的信号，υ(i,j)为原始信号，ω(i,j)为像素的权重，i,j表示像素点在图像矩阵中的位置；

其中，权重计算公式为：

式中，v_x，v_y分别表示以x和y为中心的邻域；║·║₂表示欧氏距离；h是权重衰减控制参数，用于控制噪声分量在重建图像中的占比；

原始信号为：

υ(i,j)＝u(i,j)+n(i,j) (7)

式中，u是有效分量，n是噪声分量；

2)季节分型

定义5个特征指标：均值μ，方差σ²，变异系数c_υ，偏态系数γ₁，峰态系数γ₂以衡量不同季节NWP风速的时序特性；

每个特征指标定义为：

式中，n表示NWP数据个数，x_i表示第i个NWP风速数据；

3)模型选择

选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelection Operator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型，经过步骤1)和步骤2)之后，得到每个季节分型下处理后的数据集，将数据集划分成训练集、验证集和测试集导入备选模型中，训练集训练模型，验证集预测计算准确率选取准确率最高的模型，最后测试集预测；

4)仿真计算

仿真输入量：每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率，预测时间的数值天气预报(NWP)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率日前预测结果；

5)评价指标

选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标，计算式分别为：

ACC＝(1-RMSE)×100％ (14)

式中，Cap表示风电场装机容量，N表示风电功率数据个数，P_Mi表示第i个风电功率实际值，P_Pi表示第i个风电功率预测值；

按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。

具体算例分析

本发明以某地区风电场的实测数据以及数值天气预报(NWP)数据为例进行分析，采样间隔为15min。将全年数据分为春夏秋冬四个季节，分别选取3、6、9、12月为不同季节的代表月，将该月前15d作为训练集；将随后5d设置为验证集，用于在多种模型中验证最优模型；将剩余10d设置为测试集，对各模型的有效性进行测试。该风电场的装机容量为249.9MW。实例计算过程中的结果如图4、图5所示，预测得到的结果如图6所示。图4为不同季节分解效果，图5为KL-VMD-NLM框架去噪效果；图6为不同季节不同分解模型预测曲线，具体评价指标如表1。能够看出所用的KL-VMD-NLM框架相比其它方法预测效果更加精确。同时在表2中可以看出多个备选模型的使用，使得在每个季节都能选择最优模型。

表1不同分解模型的ACCTable 1ACC ofdifferent decomposition models

表2验证集备选模型指标Table 2Validation SetAlternative Model Metrics

本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (1)

1.一种基于季节分型的面向风电功率日前预测自适应滤波方法，其特征是，它包括以下步骤：

1)基于KL-VMD-NLM的深度自适应滤波框架

利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α，由VMD分解得到多个模态分量；计算各个模态分量的样本熵，根据样本熵的值，识别出噪声主导分量和有效分量；对噪声主导信号使用非局部均值去噪方法进行去噪(Non-LocalMeans,NLM)；将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号；

KL散度相关内容为：

KL散度目标是量化数据信息，其中最重要的指标称为熵，记为H，若有两个随机变量p、q，其概率分布分别为p(x)、q(x)，定义p(x)为原始分布，q(x)为模拟分布，p的熵定义为:

式中，规定当p(x_i)＝0,p(x_i)logp(x_i)＝0，

对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵，定义为：

KL散度的定义建立在熵和交叉熵的基础上，能帮助度量模拟分布近似原始分布时所损失的信息量，表示为原始分布中的数据概率与近似分布之间的对数差的期望：

代入(1)和(2)得：

变分模态分解(VMD)分解执行步骤为：

①对本征模函数

中心频率/>

拉格朗日乘子λⁿ进行初始化，将迭代次数n置1；

②对各子信号，更新参数得

和λⁿ⁺¹；

③判断收敛条件是否满足，若满足，则分解过程结束；否则迭代次数n加1，并返回步骤②；

非局部均值去噪(NLM)计算过程为：

去噪原理表示为：

式中，

为去噪后的信号，υ(i,j)为原始信号，ω(i,j)为像素的权重，i,j表示像素点在图像矩阵中的位置；

其中，权重计算公式为：

式中，v_x，v_y分别表示以x和y为中心的邻域；║·║₂表示欧氏距离；h是权重衰减控制参数，用于控制噪声分量在重建图像中的占比；

原始信号为：

υ(i,j)＝u(i,j)+n(i,j) (7)

式中，u是有效分量，n是噪声分量；

2)季节分型

定义5个特征指标：均值μ，方差σ²，变异系数c_υ，偏态系数γ₁，峰态系数γ₂以衡量不同季节NWP风速的时序特性；

每个特征指标定义为：

式中，n表示NWP数据个数，x_i表示第i个NWP风速数据；

3)模型选择

选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelectionOperator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型，经过步骤1)和步骤2)之后，得到每个季节分型下处理后的数据集，将数据集划分成训练集、验证集和测试集导入备选模型中，训练集训练模型，验证集预测计算准确率选取准确率最高的模型，最后测试集预测；

4)仿真计算

仿真输入量：每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率，预测时间的数值天气预报(NWP)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率日前预测结果；

5)评价指标

选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标，计算式分别为：

ACC＝(1-RMSE)×100％(14)

式中，Cap表示风电场装机容量，N表示风电功率数据个数，P_Mi表示第i个风电功率实际值，P_Pi表示第i个风电功率预测值；

按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。

Images