基于生成型深信度网络的超短期风速多尺度预报建模方法
【专利摘要】基于生成型深信度网络的超短期风速多尺度预报建模方法，涉及一种超短期风速的多尺度预测建模方法。为了提高短期风速多步预测的精度，本发明首先利用t层小波分解处理风速数据得到t+1段不同频率下的风速序列；针对不同频率下的风速序列分别构建训练集，基于DBN网络回归算法训练多输入多输出DBN回归预测模型，并利用相应测试集测试训练效果，分别得到不同频率下的预测模型；将不同频率下的预测模型的预报值进行小波重构，得到风速的实际预测值，实现对风电场实际风速的预测。本发明适用于超短期风速多尺度预报领域。
【专利说明】
基于生成型深信度网络的超短期风速多尺度预报建模方法
技术领域
[0001] 本发明设及一种超短期风速的多尺度预测建模方法。
【背景技术】
[0002] 风电作为一种清洁、无污染的新型能源受到世界各国的普遍重视，发展迅速，近年 来风电并网容量日益增加。但是风电出力的不确定性和波动性也因此成为影响电力系统安 全稳定和经济高效运行的重要因素。准确的风电场功率预测是解决该问题的重要基础，可 W帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。而准确的风 速预测则是准确预测风电功率的基础和前提。
[0003] 近年来，针对风速超短期预测(4小时内的预测），神经网络法、支持向量回归方法 等被应用在风速超短期预测领域，虽然实现了针对具有不确定特性的风速进行预测，但是 预报精度仍有待于提高。
[0004] 针对风速时间序列不确定性强的特点，小波变换的数据多尺度处理方式在风速预 报中已有应用，该方法将风速时间序列分解为趋势项和干扰项，其中趋势项平稳性强，在预 测过程中，能够得到更准确的趋势预测;干扰项的随机性较强，加W处理后，再与趋势项合 成可W有效提高预测精度。但是对于风速预测要求精度较高的风力发电等领域来说，传统 的机器学习方法不能很好地处理小波分解所得的高频分量，导致预报精度受限。
【发明内容】
[0005] 本发明为了提高超短期风速多步预测的精度，提出了一种基于生成型深信度网络 的短期风速多尺度预报建模方法。
[0006] 基于生成型深信度网络的短期风速多尺度预报建模方法，包括W下步骤：
[0007] 步骤1、记风速时间序列(Xi，X2, . . .，Xk，Xk+i，. . .，Xk+i)为样本点集，长度为k+1;其 中化，X2,. . .，Xk)作为训练样本点，长度为k，（Xk+i，Xk+2. . .，Xk+i)作为测试样本点，长度为1; 利用t层小波分解处理风速数据，得到t+1段不同频率ct，dl，d2, . . .dt下长度均为k+1的风速 序列；Ct表示低频分量，山，d2，. . . dt表示高频分量；
[000引步骤2、构建训练集及测试集：
[0009]构建低频分量Ct下的训练集及测试集：低频分量Ct序列表示为（XI，X2, ...，Xk, 恥1，...，站+1)，将（X1，X2,...，站)作为训练样本点，通过训练集构建规则构建训练集，其中 训练集的输入数据维度为m，训练集的输出数据维度为n;将(孔+1，...，礼+1)作为测试样本 点，通过测试集构建规则构建测试集，其中测试集的输入数据维度为m，测试集的输出数据 维度为n;
[0010]高频分量与低频分量Ct下的训练集及测试集构建规则一致，按照低频分量Ct下的 训练集及测试集构建规则，分别在山，Cb,...，dt高频分量层上建立训练集及测试集；
[0011]步骤3、针对不同频率下的各组训练集，基于DBN网络回归算法，通过其强大的非线 性映射能力，学习得到输入序列和输出序列之间的映射关系，分别训练多输入多输出DBN回 归预测模型，并利用相应测试集测试训练效果；重复上述内容，分别得到不同频率ct，dl， d2,...山下的预测模型；
[0012]步骤4、将不同频率ct，di，d2, . . .dt下的预测模型的预报值进行小波重构，得到风 速的实际预测值，实现对风电场实际风速的预测。
[0013] 本发明具有W下效果：
[0014] 本发明首次提出融合小波分解的DBN网络的超短期风速多尺度预报建模方法，并 且本方法将深度学习中的DBN网络算法与小波变换进行了有效结合，充分利用DBN网络对高 频分量的敏感特性，利用本发明进行短期风速预测，提高了短期风速多步预测精度。相比现 有的风速预测方法本发明的M沈降低29% W上、MAE降低22% W上。
[0015] 本发明能够实现风速的多步预测，并且实现风速的多步预测的模型和过程很容易 调节，使得本发明更容易实现风速的多步预测。
【附图说明】
[0016] 图1为本发明进行风速预测的流程示意图；
[0017] 图2为风速时间序列小波分解流程示意图；
[0018] 图3(a)为实施例中原始风速数据图；图3(bl)为实施例中S层小波分解后高频分 量山下对应的数据图；图3(b2)为实施例中=层小波分解后高频分量Cb下对应的数据图；图3 (b3)为实施例中S层小波分解后高频分量Cb下对应的数据图；图3(b4)为实施例中S层小 波分解后低频分量C3下对应的数据图；
[0019] 图4(a)为3层小波分解下DBN网络对某组样本低频层预测图；图4(b)3层小波分解 下DBN网络对某组样本di高频层预测图；
[0020] 图5(a)为BP神经网络对某组样本风速数据预测效果图，图5(b)为DBN网络对某组 样本风速数据预测效果图，图5(c)为3层小波分解-DBN网络对某组样本风速数据预测效果 图。
【具体实施方式】
【具体实施方式】 [0021] 一：
[0022] 基于生成型深信度网络的超短期风速多尺度预报建模方法，包括W下步骤：
[0023] 步骤1、记风速时间序列(Xi，X2, . . .，Xk，Xk+i，. . .，Xk+i)为样本点集，长度为k+1;其 中化，X2,. . .，Xk)作为训练样本点，长度为k，（Xk+i，Xk+2. . .，Xk+i)作为测试样本点，长度为1; 利用t层小波分解处理风速数据，得到t+1段不同频率Ct，dl，d2, . . .dt下长度均为k+1的风速 序列；Ct表示低频分量，di，d2，. . . dt表示高频分量；
[0024] 步骤2、构建训练集及测试集：
[0025] 构建低频分量Ct下的训练集及测试集：低频分量Ct序列表示为（XI，X2, ...，xk, a+i，...，祉+1)，将(xi，X2,...，祉)作为训练样本点，通过训练集构建规则构建训练集，其中 训练集的输入数据维度为m，训练集的输出数据维度为n;将(xk+i，. . .，xk+i)作为测试样本 点，通过测试集构建规则构建测试集，其中测试集的输入数据维度为m，测试集的输出数据 维度为n;
[0026] 高频分量与低频分量Ct下的训练集及测试集构建规则一致，按照低频分量Ct下的 训练集及测试集构建规则，分别在di，cb，. . .，dt高频分量层上建立训练集及测试集；
[0027]步骤3、针对不同频率下的各组训练集，基于DBN网络回归算法，通过其强大的非线 性映射能力，学习得到输入序列与输出序列之间的映射关系，分别训练多输入多输出DBN回 归预测模型，并利用相应测试集测试训练效果；得到不同频率Ct，dl，d2, . . .dt下的预测模 型；
[002引步骤4、将不同频率Ct,di，d2, .. .dt下的预测模型的预报值进行小波重构，得到实 际风速的预报值，实现对风电场的实际风速的预测。
[00巧]【具体实施方式】二：
[0030]本实施方式步骤1所述的小波分解是利用Mallat算法实现的。
[0031 ]其它步骤及参数与【具体实施方式】一相同。
【具体实施方式】 [0032]
[0033] 本实施方式步骤1所述的利用t层小波分解处理风速数据的具体过程如下：
[0034] 如图2所示，先将时间序列化，X2, . . .，Xk，Xk+i，. . .，Xk+i)分解为低频分量Cl和高频 分量dl;当对序列做进一步分解时，只将低频分量Cl分解为C2和d2,而对高频分量不进行分 解，依次对分解后的低频分量再次进行分解，最终得到低频分量Ct和高频分量dl，d2, ...， dt，从而将趋势项、波动项加 W分离。
[0035] 其它步骤及参数与【具体实施方式】一或二相同。
【具体实施方式】 [0036] 四：
[0037] 本实施方式步骤2所述的构建低频分量Ct下的训练集及测试集的具体过程如下： [003引步骤 2.1、低频分量 Ct 序列可表示为(X1,X2, . . .，Xk，Xk+l，...，祉+1)，将(X1,X2,...， Xk)作为训练样本点，将(Xk+l，. . .，Xk+l)作为测试样本点；
[0039] 步骤2.2、从训练样本点（xi，X2, ...，xk)中的第1个数据Xi开始，将连续的m个数据 作为第1组样本的输入数据(X1，X2, . . .，Xm);将训练样本点中Xm之后连续的n个数据作为第1 组样本的输出数据(Xm+1, Xm+2 , . . . , Xm+n);
[0040] 然后，从训练样本点(XI，X2, . . .，xk)中的第2个数据X2开始，将连续的m个数据作为 第2组样本的输入数据(X2，X3. . .，Xm+l);将训练样本点中Xm+l之后连续的n个数据作为第2组 样本的输出数据(Xm+2 , Xm+3 , . . . , Xm+n+1);
[0041 ] 依次进行到第k-n-m+1组，得到第k-n-m+1组样本的输入数据(祉-n-m+1，祉-n-m+2,...， Xk-n)和输出数据（Xk-n+1 , Xk-n+2 , . . . , Xk);
[0042] 最终构造成k-n-m+1个m维的训练集的输入数据和k-n-m+1个n维的训练集的输出 数据；
[0043] 步骤2.3、从测试样本点(祉+1，...，》+1)中的第1个数据^^1开始，将连续的111个数据 作为第1组样本的输入数据(祉+1，祉+2,…，祉姻）；将测试样本点中Xbm之后连续的n个数据作 为束1组样本的输出数据(Xk+m+l , Xk+m+2 , . . . , Xk+m+n);
[0044] 然后，从测试样本点(祉+1，...，祉+1)中的xk+m+i开始，将连续的m个数据作为第2组样 本的输入数据(祉姻+1，祉姻+2, . . .，Xk+2Xm);将测试样本点中Xk+2Xm之后连续的n个数据作为第2 组样本的输出数据(Xk+2Xm+l,Xk+2Xm+2, . . . ,Xk+2Xm+n);
[0045] 依次进化到束P组，得到束P组样本的输入数据（Xk+(p-l)Xm+l , Xk+(p-l)Xm+2 , . . . , Xk+pXm) 和牵俞出数据(Xk+pXm+l,Xk+pXm+2, . . . ,Xk+pXm+n);
[0046] 最终构造成P个m维的测试集的输入数据和P个n维的测试集的输出数据。
[0047] 训练样本点及测试样本点构建规则如下：
[004引表1训练样本点：
[0049]
[(K)加]
[0化1 ]
[0052] 其它步骤及参数与【具体实施方式】一至=之一相同。
【具体实施方式】 [0053] 五：
[0054] 本实施方式步骤3的具体过程如下：
[0055] 针对不同频率下的各组训练集，基于DBN网络回归算法，通过其强大的非线性映射 能力，学习得到输入序列和输出序列之间的映射关系，分别建立具有多输入多输出DBN回归 预测模型；
[0056] 输入为归一化的训练集中维度为m的输入数据，输出为归一化的训练集中维度为n 的输出数据，隐层传递函数选用'sigmoid'函数，隐层与输出层之间的传递函数选用线性函 数，训练多输入多输出DBN回归预测模型；
[0057] 当训练得到符合精度要求的网络模型后，使用归一化的测试集中维度为m输入数 据做预测，对预测值进行反归一化，并计算与相应实际输出数据的误差，即计算预测值反归 一化后数据与步骤2.3中测试集所建立的相应输出数据的误差；W验证模型通用性，通过调 节DBN网络层数和各层节点数W调试出泛化性能满足要求的多输入多输出DBN回归预测网 络模型；
[005引针对不同频率Ct，dl，d2, . . .dt，得到不同频率Ct，dl，d2,...山下的预测模型。
[0059] 其它步骤及参数与【具体实施方式】一至四之一相同。
【具体实施方式】 [0060] 六：
[0061 ]本实施方式步骤4所述的对风电场的实际风速进行多步预测的具体过程如下： [0062]当进行短期风速多步预测时，将长度为m的风速时间序列进行t层小波分解处理， 得到不同频率ct，di，d2, . . .dt下的风速序列数据，并分别对应输入不同频率ct，di，d2, . . .dt 下的预测模型进行预测，并将不同频率下各层的预报值进行小波重构，对风电场的实际风 速进行多步预测，总体流程图如下图1所示。
[0063] 其它步骤及参数与【具体实施方式】一至五之一相同。
【具体实施方式】 [0064] 屯：
[0065] 本实施方式步骤1所述的t层小波分解中的t = 3,即进行3层小波分解。
[0066] 其它步骤及参数与【具体实施方式】一至六之一相同。
[0067] 实施例
[0068] 本发明W某风电场2013年7月上旬中10分钟的风速数据进行仿真实验，
[0069] 将10分钟的风速数据中的2000个点为训练集，后将风速数据进行小波分解，W3层 为例进行小波分解，如图3(a)和图3(bl)-图3(b4)所示，
[0070] 步骤=中，在综合考虑预测精度和模型运行速度的准则下调试分层预测模型，本 发明通过多种预测模型进行多组实验，在多组实验过程中，并不是多种预测模型都具有良 好的表现，说明在对应多种预测模型的多组实验中并不是所有的预测模型都适于进行小波 变换。在多组实验中选取其中效果明显的单层神经网络、多层神经网络和深信度网络进行 比较，本发明提出的融合小波分解的DBN网络预报方法均有较为理想的效果。文中展示在3 层小波分解下，W50风速点为输入序列，24点风速序列为输出（即预报化内的风速数据），隐 层节点为50-30-25-25的DBN网络预报结果图。并统计50组不同测试样本在该模式下的MSE、 MAE值，从数据中可W看出深信度网络在对于高频分量的预报上确有优势。50组测试样本低 频层、高频层MSE、MAE统计表见表3;
[0071] 表3 50组测试样本低频层、高频层MSE、MAE统计表
[0072]
[0073] 步骤四中，重构各层预测结果，得到实际风速预测值。实验中，对步骤=中每种方 法得到的50组测试样本结果分别进行小波重构，统计重构结果与实际风速值之间的MSE、 ME值，见表4。
[0074] 表4不同方法的重构结果与实际风速值之间的MSE、MAE值
[0075]
[0076] 通过表4可W看出，仅仅针对于实验条件下50组测试样本结果，本发明就完全能够 得到优异的效果，证明本发明所建的预测模型对风速进行预测具有十分突出的效果，本发 明的预测精度有较大提高。
[0077] 图5(a)-图5(c)为步骤S中展示3层小波分解-DBN的预报结果与相同架构的BP神 经网络、深信度网络预报结果的对比图。图5(a)中实际风速曲线在下，B巧申经网络预测风速 曲线在上，二曲线之间有一定间距；图5(b)中实际风速曲线基本一直在下，DBN网络(深信度 网络)预测风速曲线基本一直在上，在横轴20处有交叉，二曲线之间有一定间距；图5(c)中 实际风速曲线和小波分解-DBN网络预测风速曲线相互交织在一起，二曲线之间的间距很 小。通过实验证明其他层数的小波分解的结果也优于DBN及的预报结果。可见，本发明能 够很大程度上提高超短期风速多步预测精度。
【主权项】
1. 基于生成型深信度网络的超短期风速多尺度预报建模方法，其特征在于包括以下步 骤： 步骤1、记风速时间序列(X1J2,.. .，Xk，Xk+1，.. .，Xk+i)为样本点集，长度为k+Ι;利用t层 小波分解处理风速数据，得至I」t+1段不同频率Ct，Cl1，d2，. .. Clt下长度均为k+Ι的风速序列；Ct 表示低频分量，di，d2，. . . dt表示高频分量； 步骤2、构建训练集及测试集： 构建低频分量Ct下的训练集及测试集:低频分量Ct序列表示为(X1，X2, . . .，Xk，Xk+l,...， Xk+1)，将(X1，X2, . . .，Xk)作为训练样本点，通过训练集构建规则构建训练集，其中训练集的 输入数据维度为m，训练集的输出数据维度为η;将( Xk+1，...，Xk+1)作为测试样本点，通过测 试集构建规则构建测试集，其中测试集的输入数据维度为m，测试集的输出数据维度为η; 高频分量与低频分量ct下的训练集及测试集构建规则一致，按照低频分量Ct下的训练 集及测试集构建规则，分别在cU，d2,...，dt高频分量层上建立训练集及测试集； 步骤3、针对不同频率下的各组训练集，基于DBN网络回归算法，学习得到输入序列和输 出序列之间的映射关系，分别训练多输入多输出DBN回归预测模型，并利用相应测试集测试 训练效果;重复上述内容，得到不同频率Ctjhd 2, .. .dt下的预测模型； 步骤4、将不同频率cqc^cb，.. .dt下的预测模型的预报值进行小波重构，得到风速的实 际预测值，实现对风电场实际风速的预测。2. 根据权利要求1所述的基于生成型深信度网络的超短期风速多尺度预报建模方法， 其特征在于步骤1所述的小波分解是利用Mallat算法实现的。3. 根据权利要求2所述的基于生成型深信度网络的超短期风速多尺度预报建模方法， 其特征在于步骤1所述的利用t层小波分解处理风速数据的具体过程如下： 先将时间序列(Χι，Χ2,. . .，Xk，Xk+1，. . .，Xk+i)分解为低频分量(^和高频分量d1;当对序列 做进一步分解时，只将低频分量(^分解为CdPd2，而对高频分量不进行分解，依次对分解后 的低频分量再次进行分解，最终得到低频分量ct和高频分量dicb，...，d t，从而将趋势项、 波动项加以分离。4. 根据权利要求1、2或3所述的基于生成型深信度网络的超短期风速多尺度预报建模 方法，其特征在于步骤2所述的构建低频分量 Ct下的训练集及测试集的具体过程如下： 步骤 2.1、低频分量 Ct 序列可表示为(X1，X2, . . .，Xk，Xk+l, . . .，Xk+l)，将(X1，X2, . . .，Xk)作 为训练样本点，将(Xk+1，. . .，Xk+l)作为测试样本点； 步骤2.2、从训练样本点(χι，χ2,...，Xk)中的第1个数据X 1开始，将连续的m个数据作为第 1组样本的输入数据(X1，X2,. . .，xm);将训练样本点中&之后连续的η个数据作为第1组样本 的输出数据(xm+1 ,Xm+2 , . . . , Xm+n)； 然后，从训练样本点(X1，X2,. . .，Xk)中的第2个数据X2开始，将连续的m个数据作为第2组 样本的输入数据(X2，X3. . .，Xm+l);将训练样本点中Xm+l之后连续的η个数据作为第2组样本的 车B1J 出数据(Xm+2，Xm+3，. . .，Xm+n+1); 依次进行到第k-n-m+1组，得到第k-n-m+1组样本的输入数据(xktm+i，xktm+2,. . .，xk-n) 和输出数据(Xk-n+1，Xk-n+2，. . .，Xk ); 最终构造成k-n-m+1个m维的训练集的输入数据和k-n-m+1个n维的训练集的输出数据； 步骤2.3、从测试样本点(Xk+1，. . .，Xk+1)中的第1个数据Xk+1开始，将连续的m个数据作为 第1组样本的输入数据(Xk+l，Xk+2, . . .，Xk+m);将测试样本点中Xk+m之后连续的η个数据作为第 1 组样本的输出数据(Xk+m+l，Xk+m+2, . . .，Xk+m+n); 然后，从测试样本点(Xk+1，. ..，Xk+1)中的Xk+m+1开始，将连续的m个数据作为第2组样本的 输入数据(Xk+m+l，Xk+m+2, . . .，Xk+2Xm);将测试样本点中Xk+2Xm之后连续的η个数据作为第2组样 本的输出数据（Xk+2Xm+l，Xk+2Xm+2, · · ·，Xk+2Xm+n); 依次进行到第P组，得到第P组样本的输入数据(Xk+(p-l)Xm+l，Xk+(p-l)Xm+2, . . .，Xk+PXm)和输 出動]i§(Xk+pXm+l，Xk+pXm+2，· · ·，Xk+pXm+n); 最终构造成P个m维的测试集的输入数据和p个n维的测试集的输出数据。5. 根据权利要求4所述的基于生成型深信度网络的超短期风速多尺度预报建模方法， 其特征在于步骤3的具体过程如下： 针对不同频率下的各组训练集，基于DBN网络回归算法，学习得到输入序列与输出序列 之间的映射关系，分别建立具有多输入多输出DBN回归预测模型； 输入为归一化的训练集中维度为m的输入数据，输出为归一化的训练集中维度为η的输 出数据，隐层传递函数选用'sigmoid'函数，隐层与输出层之间的传递函数选用线性函数， 训练多输入多输出DBN回归预测模型； 当训练得到符合精度要求的网络模型后，使用归一化的测试集中维度为m输入数据做 预测，对预测值进行反归一化，并计算与相应实际输出数据的误差，即计算预测值反归一化 后数据与步骤2.3中测试集所建立的相应输出数据的误差；以验证模型通用性，通过调节 DBN网络层数和各层节点数以调试出泛化性能满足要求的多输入多输出DBN回归预测网络 模型； 针对不同频率ct，di，d2, . . .dt，得到不同频率ct，di，d2, . . .dt下的预测模型。6. 根据权利要求5所述的基于生成型深信度网络的超短期风速多尺度预报建模方法， 其特征在于步骤4所述的对风电场的实际风速进行预测的具体过程如下： 当进行短期风速多步预测时，将长度为m的风速时间序列进行t层小波分解处理，得到 不同频率ct，di，d2,. . .dt下的风速序列数据，并分别对应输入不同频率ct，di，d2,. . .dt下的 预测模型进行预测，并将不同频率下各层预报值进行小波重构，得到实际风速预测值，实现 对风电场实际风速的预测。7. 根据权利要求6所述的基于生成型深信度网络的超短期风速多尺度预报建模方法， 其特征在于步骤1所述的t层小波分解中的t = 3,即对风速序列进行3层小波分解。
【文档编号】G06F17/50GK105956252SQ201610269724
【公开日】2016年9月21日
【申请日】2016年4月27日
【发明人】万杰, 赵鑫宇, 任国瑞, 郝莹, 刘智, 初锐, 刘金福, 于达仁
【申请人】哈尔滨工业大学, 南京遒涯信息技术有限公司, 哈尔滨机易电站设备有限公司