CN117076851A - 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 - Google Patents
一种基于ICEEMD-ICA-BiLSTM的风速预测方法 Download PDFInfo
- Publication number
- CN117076851A CN117076851A CN202310895185.6A CN202310895185A CN117076851A CN 117076851 A CN117076851 A CN 117076851A CN 202310895185 A CN202310895185 A CN 202310895185A CN 117076851 A CN117076851 A CN 117076851A
- Authority
- CN
- China
- Prior art keywords
- information
- wind speed
- iceemd
- bilstm
- ica
- 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 54
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012880 independent component analysis Methods 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ICEEMD‑ICA‑BiLSTM的风速预测方法，涉及风电技术领域，S1：基于ICEEMD对原始数据进行分解；S2：基于ICEEMD‑ICA实现风速数据的降噪：利用ICEEMD模型将信号进行分解处理，在此基础上得到一个本征模态函数集，通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除；S3：基于BiLSTM模型对降噪后的数据进行预测。该基于ICEEMD‑ICA‑BiLSTM的风速预测方法，基于BiLSTM模型也能够保留时间序列特征，使得本方法具有较为精确的预测效果，实现了风速数据的降噪，有效降低了数据信息中的不确定性，使得风速数据更为容易预测，避免了预测中保留的无效信息。经过降噪处理后的数据，在预测过程中实现了良好的精度，误差较小，可以满足风电场中的风速预测需求。
Description
技术领域
本发明涉及风电技术领域，具体为一种基于ICEEMD-ICA-BiLSTM的风速预测方法。
背景技术
进入21世纪以来，由于使用化石能源所造成的环境问题愈发严重，开发清洁、高效的可再生能源已经成为能源领域所研究的重点。而其中风能具有清洁、储量丰富、分布范围较广等优点，在可再生能源领域中获得了较大的关注。但同时，风速又具有不确定性、间歇性、波动性等劣势，给电网的平稳运行带来了一定的风险挑战。因此，需要提高风速预测的精确性来增加整个电力系统运行的稳定性。
目前对于风速预测模型的研究，除传统的统计模型之外，主要包括支持向量机、随机森林回归、人工神经网络、极限学习机、长短期记忆网络等智能模型。有一些智能优化算法也可以用于和预测模型的优化，如通过改进粒子群优化(PSO)算法的支持向量机模型进行短期风速预测，在提高预测的精确性方面有一定积极的意义。然而该模型的适用范围存在一定的局限性，若数据量较大，则运行时间较长。相对来说，神经网络在样本量大的时候预测精度更高，因而得到了更加广泛的应用，此外，作为神经网络的改进，LSTM模型在时间序列的预测上表现更好。
此外，单一的模型难以准确提取时间序列的趋势特征，因而以上预测模型往往与诸多分解模型进行结合。按照提出时间先后，分解模型包括DWT、EMD、VMD，及它们的改进模型，如EEMD、CEEMD、ICEEMD等。这些分解模型通过对原始序列的分解，降低了数据的复杂度，有效增强了风速的可预测性。
在短期的预测中，风速数据量较大，并且不具备规律性，现有的预测模型大多不理想。为实现风速的准确预测，可能需要将多种模型进行组合，以实现有效的预测效果。
根据申请号为CN202211560098.7的一种基于神经网络的短期风场风速预测方法及系统所述的技术方案在进行风速预测时，仅将风速的数据分为趋势量和波动量，这与实际的风速波动是不符合的。风速的波动往往具有较大的不确定性，需要结合分解模型才能更好地分离出多个分量。并且当前的预测方法很多都没有考虑到风速数据的噪声处理。因此提出了一种基于ICEEMD-ICA-BiLSTM的风速预测方法。
发明内容
针对现有技术的不足，本发明提供了一种基于ICEEMD-ICA-BiLSTM的风速预测方法，解决了上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于ICEEMD-ICA-BiLSTM的风速预测方法，包括以下步骤：
S1：基于ICEEMD对原始数据进行分解；
S2：基于ICEEMD-ICA实现风速数据的降噪：利用ICEEMD模型将信号进行分解处理，在此基础上得到一个本征模态函数集，通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除；
S3：基于BiLSTM模型对降噪后的数据进行预测。
可选的，所述S1基于ICEEMD对原始数据进行分解的步骤中采用的时间分解方法为改进的完备集成经验模态分解，通过完备集成经验模态分解算法改良得到。
可选的，所述S1基于ICEEMD对原始数据进行分解的步骤中时间分解方法的具体实现方法如下：
S11：设S为原始信号，w(i)(i＝1,2,…,I)为均值为零单位协方差高斯白噪声，往S加入w(i)：
s(i)＝s+β0E1(w(i)) (1)
该式中，En(·)是由EMD分解得出的第n个IMF；βk＝εkstd(rk)是第k个添加的噪声，εk为模型所要求信噪比倒数，
S12：求第一个残差r1和IMF1，该第残差r1和IM1通过EMD方法对s(i)迭代i次计算s(i)的局部均值得出：
IMF1＝s-r1,r1＝M(s(i)) (2)
式中，M(·)为分析信号的局部平均值运算符
S13：计算第2个残差，为r1+β1E2(w(i))的局部平均均值，r2和IMF2公式如(3)和(4)：
IMF2＝r1-r2 (3)
r2＝M(r1+β1E2(w(i))) (4)
S14：以此类推，可求得第n个残差：
rn＝M(rn-1+βn-1En(w(i))) (5)
S15：以此类推，可求得第n个IMFn：
IMFn＝rn-1-rn (6)
可选的，所述S2基于ICEEMD-ICA实现风速数据的降噪的步骤中通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除，具体步骤如下：
S21：使用ICEEMD模型对原始风速序列进行分解，得到一系列分量IMF，
S22：使用FastICA对所有模态分量进行独立成分分析，可得到相对应的混合矩阵和解混矩阵，
S23：设置合适的模糊熵参数，使用如下判别式，选择属于伪迹成分的独立成分并置零去除：
定义k变量满足1<k≤[N/2]，且满足下式：
φ(k+1)-φ(k)>φ(k)-φ(k-1) (7)
式中，φ(k)表示升序排序后第k个独立分量的模糊熵值，[N/2]表示不大于N/2的最大整数，若该k值存在，则取最小k值，在此基础上，将模糊熵排序前k名对应的ICA分量设置为0，
S24：将去除伪迹后的独立分量进行ICA逆变，以得到去噪后的时间序列。
可选的，所述S3：基于BiLSTM模型对降噪后的数据进行预测：BiLSTM是在LSTM的基础上形成的预测方法，计算原理以LSTM为基础，克服了LSTM只能利用过去的信息而不能利用将来信息的缺陷，LSTM的基本原理为：在LSTM模型中，时刻t输入的信息用xi表示，上一隐藏层输出的信息用ht-1表示，根据二者通过函数f(xi,ht-1)计算出当前隐藏层的输出的信息ht，具体公式如下：ht＝f(xi,ht-1)＝σ(Wxhxi+Whhhtt-1+bh) (8)
其中，Wxh含义为输入层到隐含层的权重值，Whh含义为从隐含层到隐含层的权重值，bh表示隐含层的偏执向量参数，σ是激活函数，LSTM在隐含层结构中拥有记忆细胞门控单元，通过门控制器输入门i、遗忘门f和输出门o，能够让网络决定如何对以往所获得的历史信息进行筛选，如何选取新信息对记忆进行更新，模型在训练过程中，当前隐含层的信息数据取决于当前输入以及上一层的信息，这个过程会不断循环直至输入完成，模型中的控制机构会对神经元信息进行控制，以此保证网络能在较长时间中完成信息的传导，并对有效数据进行记录，具有非线性的特征，该模型的具体计算步骤如下：
S31：产生临时记忆状态信息临时状态信息/>产生于信息单元ct之前，而/>通过当前时刻的输入信息以及上一时刻的信息通过各自的权重通过线性组合计算得出：
计算输出门参数it，输入门对当前信息进行筛选，再将筛选后的信息储存到记忆单元中：
it＝σ(Wxixt+Whiht-1+bi) (10)
S32：计算遗忘门参数ft，该计算目的是为了找出记忆单元需要被筛选掉的信息：
f＝σ(Wxfxt+Whfht-1+bf) (11)
S33：计当前时刻记忆单元状态值ct：
S34：计算输出门参数ot：
ot＝σ(Wxoxt+Whoht-1+bo) (13)
S35：输出当前时刻信息ht：
ht＝tan h(ct) (14)
在上述公式中，σ为sigmoid函数，Wxc、Wxi、Wxf、Wxo为时刻t的中输入层xt与隐藏层ht间的权重值大小，而Whc、Whi、Whf、Who为时刻t-1与时刻t之间的隐藏层权重值大小，bc、bi、bf、bo为输入节点、输入门、遗忘门、输出门的偏置；
LSTM可以有效克服依赖性较长的问题，在利用未来信息方面存在一定的短板，可通过BiLSTM有效弥补LSTM方法的不足，BiLSTM通过设置一对方向相反的LSTM来获得一对时间序列相反的隐藏层状态，并将这对时间序列连接结合成方向相同的输出，前向的LSTM用于获取过去的信息，而后向的LSTM用于获取输未来的信息，在任意t时刻，隐藏状态Ht下，BiLSTM包含前向的以及后向的/>公式如下：
其中t为序列长度。
本发明提供了一种基于ICEEMD-ICA-BiLSTM的风速预测方法，具备以下
有益效果：
该基于ICEEMD-ICA-BiLSTM的风速预测方法，通过ICEEMD-ICA模型有效地实现了数据的降噪过程，提高了风速的可预测性，而BiLSTM模型在数据量较大的时间序列预测上也表现出了优良的效果，由于在风速的数据难以准确的搜集，因而在原始的数据中，可能包含有大量的噪声数据，会导致风速的难以预测，而通过ICEEMD-ICA模型可以对噪声数据进行有效的分离，从而得到较为准确且平滑的风速数据，从而使得风速更易预测，基于BiLSTM模型也能够保留时间序列特征，具有较为精确的预测效果，实现了风速数据的降噪，有效降低了数据信息中的不确定性，使得风速数据更为容易预测，避免了预测中保留的无效信息。经过降噪处理后的数据，在预测过程中实现了良好的精度，误差较小，可以满足风电场中的风速预测需求。
附图说明
图1为本发明步骤结构示意图；
图2为本发明ICEEMD分解结果图；
图3为本发明各个分量的模糊熵图；
图4为本发明ICA独立分量图；
图5为本发明ICA独立分量的模糊熵值图；
图6为本发明去噪后的风速序列图；
图7为本发明预测结果对比一图；
图8为本发明预测效果对比二图；
图9为本发明基于ICEEMD-ICA-BiLSTM的风速预测方法的流程框架图；
图10为本发明BiLSTM展开图。
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、完整地描述，显然，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。
请参阅图1至图10，本发明提供一种技术方案：一种基于ICEEMD-ICA-BiLSTM的风速预测方法，包括以下步骤：
S1：基于ICEEMD对原始数据进行分解；
S2：基于ICEEMD-ICA实现风速数据的降噪：利用ICEEMD模型将信号进行分解处理，在此基础上得到一个本征模态函数集，通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除；
S3：基于BiLSTM模型对降噪后的数据进行预测。
进一步，所述S1基于ICEEMD对原始数据进行分解的步骤中采用的时间分解方法为改进的完备集成经验模态分解，通过完备集成经验模态分解算法改良得到，该方法将原本分解算法中的固有短板进行填补，使获得的一系列模态函数子信号具有更多的实际意义。
进一步，所述S1基于ICEEMD对原始数据进行分解的步骤中时间分解方法的具体实现方法如下：
S11：设S为原始信号，w(i)(i＝1,2,…,I)为均值为零单位协方差高斯白噪声，往S加入w(i)：
s(i)＝s+β0E1(w(i)) (1)
该式中，En(·)是由EMD分解得出的第n个IMF；βk＝εkstd(rk)是第k个添加的噪声，εk为模型所要求信噪比倒数，
S12：求第一个残差r1和IMF1，该第残差r1和IMF1通过EMD方法对s(i)迭代i次计算s(i)的局部均值得出：
IMF1＝s-r1,r1＝M(s(i)) (2)
式中，M(·)为分析信号的局部平均值运算符
S13：计算第2个残差，为r1+β1E2(w(i))的局部平均均值，r2和IMF2公式如(3)和(4)：
IMF2＝r1-r2 (3)
r2＝M(r1+β1E2(w(i))) (4)
S14：以此类推，可求得第n个残差：
rn＝M(rn-1+βn-1En(w(i))) (5)
S15：以此类推，可求得第n个IMFn：
IMFn＝rn-1-rn (6)
进一步，所述S2基于ICEEMD-ICA实现风速数据的降噪的步骤中通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除，具体步骤如下：
S21：使用ICEEMD模型对原始风速序列进行分解，得到一系列分量IMF，
S22：使用FastICA对所有模态分量进行独立成分分析，可得到相对应的混合矩阵和解混矩阵，
S23：设置合适的模糊熵参数，使用如下判别式，选择属于伪迹成分的独立成分并置零去除：
定义k变量满足1<k≤[N/2]，且满足下式：
φ(k+1)-φ(k)>φ(k)-φ(k-1) (7)
式中，φ(k)表示升序排序后第k个独立分量的模糊熵值，[N/2]表示不大于N/2的最大整数，若该k值存在，则取最小k值，在此基础上，将模糊熵排序前k名对应的ICA分量设置为0，
S24：将去除伪迹后的独立分量进行ICA逆变，以得到去噪后的时间序列。
进一步，所述S3：基于BiLSTM模型对降噪后的数据进行预测：BiLSTM是在LSTM的基础上形成的预测方法，计算原理以LSTM为基础，克服了LSTM只能利用过去的信息而不能利用将来信息的缺陷，LSTM的基本原理为：在LSTM模型中，时刻t输入的信息用xi表示，上一隐藏层输出的信息用ht-1表示，根据二者通过函数f(xi,ht-1)计算出当前隐藏层的输出的信息ht，具体公式如下：ht＝f(xi,ht-1)＝σ(Wxhxi+Whhht-1+bh) (8)
其中，Wxh含义为输入层到隐含层的权重值，Whh含义为从隐含层到隐含层的权重值，bh表示隐含层的偏执向量参数，σ是激活函数，LSTM在隐含层结构中拥有记忆细胞门控单元，通过门控制器输入门i、遗忘门f和输出门o，能够让网络决定如何对以往所获得的历史信息进行筛选，如何选取新信息对记忆进行更新，模型在训练过程中，当前隐含层的信息数据取决于当前输入以及上一层的信息，这个过程会不断循环直至输入完成，模型中的控制机构会对神经元信息进行控制，以此保证网络能在较长时间中完成信息的传导，并对有效数据进行记录，具有非线性的特征，该模型的具体计算步骤如下：
S31：产生临时记忆状态信息临时状态信息/>产生于信息单元ct之前，而/>通过当前时刻的输入信息以及上一时刻的信息通过各自的权重通过线性组合计算得出：
计算输出门参数lt，输入门对当前信息进行筛选，再将筛选后的信息储存到记忆单元中：
it＝σ(Wxixt+Whiht-1+bi) (10)
S32：计算遗忘门参数ft，该计算目的是为了找出记忆单元需要被筛选掉的信息：
f＝σ(Wxfxt+Whfht-1+bf) (11)
S33：计当前时刻记忆单元状态值ct：
S34：计算输出门参数ot：
ot＝σ(Wxoxt+Whoht-1+bo) (13)
S35：输出当前时刻信息ht：
ht＝tan h(ct) (14)
在上述公式中，σ为sigmoid函数，Wxc、Wxi、Wxf、Wxo为时刻t的中输入层xt与隐藏层ht间的权重值大小，而Whc、Whi、Whf、Who为时刻t-1与时刻t之间的隐藏层权重值大小，bc、bi、bf、bo为输入节点、输入门、遗忘门、输出门的偏置；
LSTM可以有效克服依赖性较长的问题，在利用未来信息方面存在一定的短板，可通过BiLSTM有效弥补LSTM方法的不足，BiLSTM通过设置一对方向相反的LSTM来获得一对时间序列相反的隐藏层状态，模型如图9所示，并将这对时间序列连接结合成方向相同的输出，通过图9可以看出，前向的LSTM用于获取过去的信息，而后向的LSTM用于获取输未来的信息，在任意t时刻，隐藏状态Ht下，BiLSTM包含前向的以及后向的/>公式如下：
中的梯度关系，通过能够充分利用时间序列中的过去信息和未来信息，具有很好的可行性。
实施例：
首先进行数据序列的分解过程，经ICEEMD模型分解后，产生了14个分量，具体的分解结果如图10和图3所示；如图3所示，为表示14个分量的复杂度，本发明同时计算了各个分量的模糊熵，可以看出，各个分量的模糊熵均小于0.12，且呈现出递减的规律，说明ICEEMD分解取得了良好的效果；接下来，利用ICA模型对各模态分量进行独立成分分析，得到分析之后新的独立分量，并且通过分析判断模糊熵来决定是否属于伪迹成分，将伪迹成分归零，最后得到去噪后的数据序列；ICA模型分离的结果如图4所示，各个ICA分量的模糊熵值见图5，原始序列与去噪后的序列对比见图7；速相比原始序列有了略微的降低，尤其是一些突出的难以预测的数值，因此，降噪后的序列其预测难度大大降低，接下来本文将使用降噪后的序列进行深度学习的预测；在所有数据中，将训练集和测试集的比例划分为7:3，其中训练集用于模型的训练过程，测试集用于模型性能的评估，训练集5367条数据，测试集共2300条数据，预测效果如图7所示：为更好地体现出深度学习在大数据预测中的效果，本发明使用三种预测精度评价指标，MAPE,MSE,RMSE进行效果对比，对比结果如图8所示，本发明选择LSTM、BAS-BPNN模型与BiLSTM模型进行对比，其中，BAS是一种较为新颖的优化算法，在预测中有广泛应用，由图9可以看出本文所使用的BiLSTM模型在三项指标中都处于最优，且LSTM效果也优于BAS-BP神经网络模型，可见深度学习模型在大数据时间序列预测中效果较好，由于SVM模型在数据量大时运行速度较慢，因此本发明不考虑此模型。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于ICEEMD-ICA-BiLSTM的风速预测方法，其特征在于：包括以下步骤：
S1：基于ICEEMD对原始数据进行分解；
S2：基于ICEEMD-ICA实现风速数据的降噪：利用ICEEMD模型将信号进行分解处理，在此基础上得到一个本征模态函数集，通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除；
S3：基于BiLSTM模型对降噪后的数据进行预测。
2.根据权利要求1所述的一种基于ICEEMD-ICA-BiLSTM的风速预测方法，其特征在于：所述S1基于ICEEMD对原始数据进行分解的步骤中采用的时间分解方法为改进的完备集成经验模态分解，通过完备集成经验模态分解算法改良得到。
3.根据权利要求1所述的一种基于ICEEMD-ICA-BiLSTM的风速预测方法，其特征在于：所述S1基于ICEEMD对原始数据进行分解的步骤中时间分解方法的具体实现方法如下：
S11：设S为原始信号，w(i)(i＝1，2，…，I)为均值为零单位协方差高斯白噪声，往S加入w(i)：
s(i)＝s+β0E1(w(i)) (1)
该式中，En(·)是由EMD分解得出的第n个IMF；βk＝εkstd(rk)是第k个添加的噪声，εk为模型所要求信噪比倒数，
S12：求第一个残差r1和IMF1，该第残差r1和IMF1通过EMD方法对s(i)迭代i次计算s(i)的局部均值得出：
IMF1＝s-r1，r1＝M(s(i)) (2)
式中，M(·)为分析信号的局部平均值运算符
S13：计算第2个残差，为r1+β1E2(w(i))的局部平均均值，r2和IMF2公式如(3)和(4)：
IMF2＝r1-r2 (3)
r2＝M(r1+β1E2(w(i))) (4)
S14：以此类推，可求得第n个残差：
rn＝M(rn-1+βn-1En(w(i))) (5)
S15：以此类推，可求得第n个IMFn：
IMFn＝rn-1-rn (6)。
4.根据权利要求1所述的一种基于ICEEMD-ICA-BiLSTM的风速预测方法，其特征在于：所述S2基于ICEEMD-ICA实现风速数据的降噪的步骤中通过多维源信号，利用模糊熵阈值判据对多维源信号中的无关信号进行判断和去除，具体步骤如下：
S21：使用ICEEMD模型对原始风速序列进行分解，得到一系列分量IMF，
S22：使用FastICA对所有模态分量进行独立成分分析，可得到相对应的混合矩阵和解混矩阵，
S23：设置合适的模糊熵参数，使用如下判别式，选择属于伪迹成分的独立成分并置零去除：
定义k变量满足1＜k≤[N/2]，且满足下式：
φ(k+1)-φ(k)＞φ(k)-φ(k-1) (7)
式中，φ(k少表示升序排序后第k个独立分量的模糊熵值，[N/2]表示不大于N/2的最大整数，若该k值存在，则取最小k值，在此基础上，将模糊熵排序前k名对应的ICA分量设置为0，
S24：将去除伪迹后的独立分量进行ICA逆变，以得到去噪后的时间序列。
5.根据权利要求1所述的一种基于ICEEMD-ICA-BiLSTM的风速预测方法，其特征在于：所述S3：基于BiLSTM模型对降噪后的数据进行预测：BiLSTM是在LSTM的基础上形成的预测方法，计算原理以LSTM为基础，克服了LSTM只能利用过去的信息而不能利用将来信息的缺陷，LSTM的基本原理为：在LSTM模型中，时刻t输入的信息用xi表示，上一隐藏层输出的信息用ht-1表示，根据二者通过函数f(xi，ht-1)计算出当前隐藏层的输出的信息ht，具体公式如下：
ht＝f(xi，ht-1)＝σ(Wxhxi+Whhht-1+bh) (8)
其中，Wxh含义为输入层到隐含层的权重值，Whh含义为从隐含层到隐含层的权重值，bh表示隐含层的偏执向量参数，σ是激活函数，LSTM在隐含层结构中拥有记忆细胞门控单元，通过门控制器输入门i、遗忘门f和输出门o，能够让网络决定如何对以往所获得的历史信息进行筛选，如何选取新信息对记忆进行更新，模型在训练过程中，当前隐含层的信息数据取决于当前输入以及上一层的信息，这个过程会不断循环直至输入完成，模型中的控制机构会对神经元信息进行控制，以此保证网络能在较长时间中完成信息的传导，并对有效数据进行记录，具有非线性的特征，该模型的具体计算步骤如下：
S31：产生临时记忆状态信息临时状态信息/>产生于信息单元ct之前，而/>通过当前时刻的输入信息以及上一时刻的信息通过各自的权重通过线性组合计算得出：
计算输出门参数it，输入门对当前信息进行筛选，再将筛选后的信息储存到记忆单元中：
it＝σ(Wxixt+Whiht-1+bi) (10)
S32：计算遗忘门参数ft，该计算目的是为了找出记忆单元需要被筛选掉的信息：
f＝σ(Wxfxt+Whfht-1+bf) (11)
S33：计当前时刻记忆单元状态值ct：
S34：计算输出门参数ot：
ot＝σ(Wxoxt+Whoht-1+bo) (13)
S35：输出当前时刻信息ht：
ht＝tanh(ct) (14)
在上述公式中，σ为sigmoid函数，Wxc、Wxi、Wxf、Wxo为时刻t的中输入层xt与隐藏层ht间的权重值大小，而Whc、Whi、Whf、WhO为时刻t-1与时刻t之间的隐藏层权重值大小，bc、bi、bf、bo为输入节点、输入门、遗忘门、输出门的偏置；
LSTM可以有效克服依赖性较长的问题，在利用未来信息方面存在一定的短板，可通过BiLSTM有效弥补LSTM方法的不足，BiLSTM通过设置一对方向相反的LSTM来获得一对时间序列相反的隐藏层状态，并将这对时间序列连接结合成方向相同的输出，前向的LSTM用于获取过去的信息，而后向的LSTM用于获取输未来的信息，在任意t时刻，隐藏状态Ht下，BiLSTM包含前向的以及后向的/>公式如下：
其中T为序列长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310895185.6A CN117076851A (zh) | 2023-07-20 | 2023-07-20 | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310895185.6A CN117076851A (zh) | 2023-07-20 | 2023-07-20 | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117076851A true CN117076851A (zh) | 2023-11-17 |
Family
ID=88712419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310895185.6A Pending CN117076851A (zh) | 2023-07-20 | 2023-07-20 | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117076851A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
-
2023
- 2023-07-20 CN CN202310895185.6A patent/CN117076851A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
| CN117744893B (zh) * | 2024-02-19 | 2024-05-17 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
| CN112348271B (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| 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 | |
| CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109583588B (zh) | 一种短期风速预测方法及系统 | |
| CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN117076851A (zh) | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 | |
| CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
| CN116933175A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
| CN114169251A (zh) | 一种超短期风电功率预测方法 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116629417A (zh) | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 | |
| CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
| CN115561005A (zh) | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 | |
| CN113887717A (zh) | 一种基于深度学习预测神经网络训练时长的方法 | |
| CN116502774B (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
| CN117424225A (zh) | 一种基于meemd-quatre-bilstm的短期光伏出力区间预测方法及系统 | |
| Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
| CN111832818B (zh) | 一种基于相关性分析的lstm网络发电多步预测方法 | |
| Bin et al. | A short-term power load forecasting method based on eemd-abgru | |
| Razif et al. | Application of empirical mode decomposition in improving group method of data handling |
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 |