完备总体经验模态分解和深度信念网络的风速预测方法与流程

本发明涉及风速预测技术领域，特别是涉及一种完备总体经验模态分解和深度信念网络的风速预测方法。

背景技术：

近年来，由于能源消费的快速增长，全球能源危机日益严重，而且传统资源如煤、石油等的储量十分有限，因而，人们越来越多的关注自然可再生能源的发展和利用。风能，作为清洁的可再生能源，分布广泛，无环境成本，而且我国风能资源蕴藏十分丰富，开发前景广阔。

风力发电是风能的主要利用形式，并网的风力发电量在电网中所占的比例越来越大。但由于风速具有随机性、波动性和不可控性的特性，导致发电功率的不稳定性，给电网带来了极大的冲击，从而影响了电能质量和电力系统的安全稳定运行。因此，努力提高风力发电的利用效率，降低风能的集成成本，发展准确高效的风速预测技术十分必要。

国外对风速预测研究已有二十多年了，风力发电技术已经比较成熟，并且已经将短期风速预测技术运用到了电力系统中。国内风速预测研究起步比国外晚，广大学者和科研工作者也相继发表了大量相关文章，取得了较好的科研成果。目前，风速预测研究的常见方法主要有：持续法、时间序列法、卡尔曼滤波法、人工神经网络法、空间相关法、智能算法等。虽然上述方法也能有效的预测风速，但预测的精度都还没有达到令人十分满意的程度，误差都还比较高。

技术实现要素：

本发明所要解决的技术问题是提供一种完备总体经验模态分解和深度信念网络的风速预测方法，能够提高预测精度，减小预测误差。

本发明解决其技术问题所采用的技术方案是：提供一种完备总体经验模态分解和深度信念网络的风速预测方法，包括训练阶段和测试阶段：

训练阶段包括以下步骤：

(a)输入训练数据，并将训练数据进行归一化，将输入数据归一化到区间(0,1)之内；

(b)用完备总体经验模态分解方法对归一化之后的训练数据进行分解，得到频率不同的子序列和一个残余分量序列，并建立对应的深度信念网络预测模型；

(c)将分解得到的子序列和残余分量序列代入深度信念网络预测模型中的受限玻尔兹曼机中进行训练，获得深度信念网络的参数初始值；

测试阶段包括以下步骤：

(a)输入测试数据，将测试数据按照训练阶段中的归一化参数和分解尺度分别进行数据归一化和完备总体经验模态分解，得到测试数据的各子频率序列和残余分量序列；

(b)将测试数据的各子频率序列分别代入对应的已经训练调整好的深度信念网络预测模型，得到测试数据的各子频率序列对应的预测值；

(c)进行序列重构得到测试数据的完整预测值，输出测试数据，并将测试数据反归一化得到完整的风速预测值。

所述训练阶段的步骤(c)后还包括再对各子频率序列对应的深度信念网络预测模型进行有监督的学习，使用bp神经网络结合梯度下降法对网络进行训练，进行权值参数的调整的步骤。

所述训练阶段的步骤(a)中利用其中x为输入的训练数据，xmin是输入的训练数据的最小值，xmax是输入的训练数据的最大值。

所述训练阶段的步骤(b)中所述深度信念网络预测模型的主要组件是受限玻尔兹曼机，若干个受限玻尔兹曼机堆叠在一起构成了深度信念网络，每一个受限玻尔兹曼机由一个隐层和一个显层构成。

所述训练阶段的步骤(c)包括以下子步骤：

将输入数据向量和第一个隐含层看做一个受限玻尔兹曼机，充分训练第一个受限玻尔兹曼机，将训练出来的权重和偏移量固定，然后使用该隐含层作为第二个受限玻尔兹曼机的输入向量，加上第二个隐含层作为第二个受限玻尔兹曼机，充分训练第二个受限玻尔兹曼机，再固定训练出来的参数，训练第三个受限玻尔兹曼机，以此类推，逐步完成受限玻尔兹曼机的训练；

完成逐层受限玻尔兹曼机的训练后，对原始输入信号，以目标输出为监督信号，构造损失函数，采用梯度下降法对网络进行有监督训练。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

本发明采用完备总体经验模态分解方法，相比传统的小波分解和傅里叶变换，有明显的优势，ceemd分解方法是基于经验模态分解的一种改进方法，不需要像传统方法一样事先人为的选择基函数，而是自适应的进行信号分解，特别适用于非线性和非平稳信号的处理。

本发明采用的深度信念网络属于深度学习领域，有其自身的优势，训练过程分为无监督的rbm训练和有监督的传统训练。这样能够解决深层次网络的训练时间问题，又可以避免陷入局部最优解的问题，最终能够获得效果更好的参数值。

本发明将完备总体经验模态分解与深度信念网络两种不同的模型结合起来，能够对风速进行准确有效的预测，提高了预测精度，减小了预测误差。

附图说明

图1是本发明的流程图；

图2是受限玻尔兹曼机的结构图；

图3是本发明实施例中五层深度信念网络结构图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种完备总体经验模态分解和深度信念网络的风速预测方法，其对短期风速进行预测，主要包括完备总体经验模态分解模块和深度信念网络模块。

完备总体经验模态分解模块，主要是对原始时间序列进行分解处理，添加白噪声至原始序列，将原始风速序列自适应地分解成不同频率的子系列和一个残余序列。

深度信念网络模块，主要是用来训练和预测风速数据。该网络由若干受限玻尔兹曼机(简称rbm)堆叠组成，可分成预训练过程和调优过程。预训练过程中由下而上，对每一层rbm进行无监督训练，调优过程中使用bp神经网络结合梯度下降法对网络进行有监督的学习，不断调整网络的参数。

结合图1，在本实施例中，基于完备总体经验模态分解和深度信念网络的风速预测方法流程如下：

在某风电场每10min间隔采集风速数据，采集大量数据后，先对数据做预处理，清洗掉缺失值、冗余数据，留下有效的风速数据。将预处理过的风速数据分为训练数据和测试数据两组，训练数据用于训练ceemd-dbn网络的训练，测试数据用于测试。本实施例中，提前预测1h的风速。具体步骤如下：

(1)训练阶段：

步骤1：输入风速训练数据，并将训练数据进行归一化至(0,1)区间。

步骤2：将归一化之后的训练数据经完备总体经验模态分解方法进行分解，分解成不同的频率序列imfn和一个残余分量序列rn，并建立对应的深度信念网络预测模型。

步骤3：分别将频率序列imfn和残余分量序列rn应用到步骤2中建立好的深度信念网络dbn中的rbm中进行训练，这是一个无监督的训练过程，获得dbn网络的参数初始值。

步骤4：再对各子频率序列对应的dbn预测模型进行有监督的学习，使用bp神经网络结合梯度下降法对网络进行训练，进行权值参数的调整，使预测误差达到最小。

(2)测试阶段

步骤1：输入测试数据，将测试数据按照训练阶段中的归一化参数和分解尺度分别进行数据归一化和ceemd分解，得到测试数据的各子频率序列imfn和残余分量序列rn。

步骤2：将测试数据的各子频率序列分别代入对应的已经训练调整好的dbn预测模型,得到测试数据的各子频率序列对应的预测值。

步骤3：进行序列重构得到测试数据的完整预测值，输出测试数据，并将测试数据反归一化得到完整的风速预测值。

完备总体经验模态分解方法是一种自适应分解方法，将原始序列分解为不同频率的子序列，与传统的小波分解、傅里叶变换相比，更直接、适应性更强，对非线性和非平稳序列有更好的分解效果。

本发明方法核心算法为深度信念网络，在进行风速预测时，使用深度信念网络，其本质是特征学习，能提高预测模型的准确性。使用深度信念网络进行风速预测，避免了陷入局部最优的问题，提高了计算效率，解决了网络训练时间的问题。

深度信念网络属于深度学习的一个分支，其独特之处就在于它的训练过程可以分为无监督的rbm训练过程和有监督学习过程,在有监督学习过程中，采用梯度下降法对网络进行训练，不断进行权值参数的调整，可以使预测误差达到最小。

图2是rbm的结构图，rbm是一种神经感知器，由一个显层和一个隐层构成，显层和隐层由若干神经元构成，显层和隐层的神经元之间为双向全连接，任意两个相连接的神经元间有一个权值w来表示其连接强度。

如图3所示，以五层深度信念网络结构图为例，深度信念网络由若干rbm堆叠而成。

深度信念网络学习算法基本思想如下：

步骤1：输入数据，分别单独无监督的训练每一层rbm网络。将输入数据向量x和第一个隐含层看做一个rbm，充分训练第一个rbm，将训练出来的权重和偏移量固定，然后使用该隐含层作为第二个rbm的输入向量，充分训练第二个rbm，再固定训练出来的参数，训练第三个rbm，以此类推，逐步完成rbm的训练。

步骤2：完成逐层rbm训练后，对原始输入，以目标输出为监督信号，构造损失函数，采用梯度下降法对网络进行有监督训练。

试验证明，本实例建立的基于完备总体经验模态分解和深度信念网络的短期风速预测方法能够准确高效的预测风速，训练时间短，预测精度高，而且预测误差小，适合大范围推广使用。