本公开涉及能源预测技术领域,尤其涉及一种基于经验模态分解的可再生能源功率组合预测方法及系统。
背景技术:
近年来,能源需求的日益增长以及环境污染的不断加剧引起了世界各国政府对能源转型的广泛关注。为大幅度改善空气质量,将环境污染造成的损害成本降到最低,同时使得碳排量显著下降,必须减少煤炭等传统化石能源的燃烧,积极发展清洁能源,使得能源结构向着清洁、低碳的方式转变。与此同时,以风电、光伏为主的可再生能源技术的不断提升及逐渐成熟为能源结构转型提供了一条新的道路。
风光等分布式可再生能源本身具有一定的随机性和波动性,受其自身能源特性的影响较为明显,可控性较差。同时,由于传统电网单向潮流的格局也会因为分布式可再生能源的接入而改变,这将影响供电可靠性以及电能质量,其应有的功效并未得到充分的发挥。因此,可再生能源功率的有效预测对其供电的可靠性具有重要意义。
因可再生能源随机性对其功率预测造成一定的影响,目前有基于经验模态分解、变模态分解以及小波包分解等技术的预测方法,虽然较好地降低了可再生能源随机性对其功率预测的影响,但在数据分解后再进行功率预测时均采用单一机器学习的预测算法,存在一定的局限性。
技术实现要素:
为了克服上述现有技术的不足,本公开提供了一种基于经验模态分解的可再生能源功率组合预测方法及系统,首先将原始序列经EMD分解为若干平稳分量,然后使用最小二乘支持向量机(LS-SVM)以及径向基(RBF)神经网络算法对各分量进行单独预测,最后用改进IOWA算子实时调整权重系数,将各分量重构为最终的预测结果。
本公开一方面提供的一种基于经验模态分解的可再生能源功率组合预测方法的技术方案是:
一种基于经验模态分解的可再生能源功率组合预测方法,其特征是,包括以下步骤:
获取多个时刻的可再生能源运行数据,形成可再生能源时间序列;
采用经验模态分解方法将可再生能源时间序列分解为若干本征模态分量以及一个剩余分量;
分别利用最小二乘支持向量机算法和径向基神经网络算法对得到的若干本征模态分量进行预测;
采用诱导有序加权平均算子对最小二乘支持向量机算法和径向基神经网络算法得到的预测值进行组合重构,得到最终的预测值。
本公开另一方面提供的一种基于经验模态分解的可再生能源功率组合预测系统的技术方案是:
一种基于经验模态分解的可再生能源功率组合预测系统,该系统包括:
时间序列构建模块,用于获取多个时刻的可再生能源运行数据,形成可再生能源时间序列;
分解模块,用于采用经验模态分解方法将可再生能源时间序列分解为若干本征模态分量以及一个剩余分量;
单体预测模块,用于分别利用最小二乘支持向量机算法和径向基神经网络算法对得到的若干本征模态分量进行预测;
组合预测模块,用于采用诱导有序加权平均算子对最小二乘支持向量机算法和径向基神经网络算法得到的预测值进行组合重构,得到最终的预测值。
本公开另一方面提供的一种计算机可读存储介质的技术方案是:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的基于经验模态分解的可再生能源功率组合预测方法中的步骤。
本公开另一方面提供的一种计算机设备的技术方案是:
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如上所述的基于经验模态分解的可再生能源功率组合预测方法中的步骤。
通过上述技术方案,本公开的有益效果是:
(1)本公开采用EMD分解方法将非稳定量分解为若干稳定量后再进行可再生能源功率的预测,有效降低了可再生能源的随机性、间接性和波动性对预测带来的干扰;
(2)本公开利用改进IOWA算子,通过动态调整权重系数将LS-SVM算法的预测值和RBF算法的预测值组合重构获得最终的预测值,避免了单一预测算法的局限性,提高预测精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是实施例一可再生能源功率组合预测方法的流程图;
图2是实施例一原始风速序列图;
图3是实施例一经EMD分解后的信号图;
图4是实施例一各预测算法预测结果图;
图5是实施例一各预测模型绝对误差绝对值对比图;
图6是实施例二可再生能源功率组合预测系统的结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
名词解释:
(1)EMD,Empirical Mode Decomposition,经验模态分解,是一种针对非线性、非平稳信号的自适应信号分解算法。
(2)LS-SVM,最小二乘支持向量机算法。
(3)RBF神经网络,径向基神经网络,是一种三层神经网络,其包括输入层、隐层、输出层;从输入空间到隐层空间的变换是非线性的,而从隐层空间到输出层空间变换是线性的。
(4)IOWA算子,诱导有序加权平均算子。
实施例一
本实施例提供一种基于EMD分解的可再生能源功率组合预测方法,首先,将原始序列经EMD分解为若干平稳分量,然后,使用最小二乘支持向量机(LS-SVM)以及径向基(RBF)神经网络算法对各分量进行组合预测,最后,用改进IOWA算子实时调整权重系数,将各分量重构为最终的预测结果。
请参阅附图1,所述基于EMD分解的可再生能源功率组合预测方法包括以下步骤:
S101,获取多个时刻的可再生能源运行数据,形成可再生能源时间序列。
在本实施例中,可再生能源运行数据可为风电场风速数据,也可为光伏发电功率数据。
所述步骤101得到的可再生能源时间序列为X(t)。
S102,采用经验模态分解方法将可再生能源时间序列分解为若干稳定的本征模态分量以及一个剩余分量。
具体地,所述步骤102中,采用经验模态分解方法将可再生能源时间序列X(t)分解为若干本征模态分量Ci(t)以及一个剩余分量R(t),表达式为:
式中,X(t)表示可再生能源时间序列,Ci(t)表示第i个本征模态分量,R(t)表示剩余分量。
具体地,所述步骤102中,采用经验模态分解方法分解可再生能源时间序列的具体实现方式如下:
S102-1,找到待分解的可再生能源时间序列所有极小值点以及极大值点,通过三次样条函数将所有极小值点和极大值点拟合成为该可再生能源时间序列的上下包络线。
步骤102-2,计算待分解的可再生能源时间序列与上述得到的上下包络线的平均差值。
步骤102-3,判断上述得到的差值是否满足IMF要求。若该差值不满足要求,则重新寻找该可再生能源时间序列的极大值与极小值,重复上述步骤,直到满足要求;若该差值满足要求,则令该差值为可再生能源时间序列的第一个分量,求出原信号与这一分量的差值,令这个差值作为新的待分解信号,重复上述步骤,直到满足预先给定的终止规则结束分解过程。
在本实施例中,IMF要求为不存在负的局部极大值和正的局部极小值。
步骤102-4,经过以上步骤得到最终分解结果为:
式中,X(t)表示原始可再生能源时间序列,Ci(t)表示第i个本征模态分量,R(t)表示剩余分量。
本实施例采用EMD分解方法,将非稳定量分解为若干稳定量再进行可再生能源功率的预测,有效降低了可再生能源的随机性、间接性和波动性对预测带来的干扰。
S103,采用最小二乘支持向量机算法(LS-SVM)对步骤102得到的若干本征模态分量进行预测。
具体地,所述步骤103中,采用LS-SVM算法对若干本征模态分量进行预测的具体实现方式如下:
给定预测集数据集合(xi,yi),i=1,2,…,l,xi∈Rd,yi∈R,其对应的回归函数为:
式中,xi为输入的本征模态分量,yi为输出的预测值,l为训练集中样本个数,w为权重系数,b为偏差,为非线性映射函数。
优化权重系数w,其优化目标函数以及约束可表示为:
式中,ei为松弛变量误差项,C为惩罚正则化参数,表示对误差的惩罚程度。
所述优化目标函数及约束条件引入拉格朗日乘子α得到无约束函数为:
式中,xi为输入向量,yi为标量输出,l为训练集中样本个数,w为权重系数,b为偏差,为非线性映射函数,ei为松弛变量误差项。
由KKT条件可得:
拉格朗日函数经整理得:
式中,G=(1,1,…,)T,α=(α1,α2,…,αl)T,Ω∈Rl×l为l×l维向量,且K表示满足Mercer要求的核函数。
核函数K是由于映射函数在将输入向量从输入空间映射到高维空间的过程中可能会使得维度发生爆炸式以至于的运算相当复杂而引入的,所述核函数使用高斯径向基核函数:
其中,xi为输入向量,σ为函数的宽度参数,控制了函数的径向作用范围。
通过遗传算法对核函数的参数σ进行优化。
S104,采用径向基(RBF)神经网络算法对步骤102得到的若干本征模态分量进行预测。
具体地,所述步骤104中,RBF神经网络有三层,包括输入层、隐含层、输出层,输入层为第一层,为信号源节点;隐含层为第二层,用于将输入空间映射到高维空间,隐含层单元的个数视具体需要而定,其变换函数为径向基函数;输出层为第三层,用于对输入做出响应。
所述隐含层的基函数为高斯函数,表示为:
式中,ci表示第i个基函数的中心,σi为第i个隐含层节点扩展常数,该参数决定了径向基函数的形状。
采用非监督学习方法来选取参数,使用k-means聚类方法从训练样本集选取m个聚类中心,将这几个点当做径向基函数的m个中心,所述扩展常数的选取公式为:
式中,cmax为选取的中心之间的最大距离,m为通过聚类得到的隐含节点的个数。
通过遗传算法对隐含层神经元个数以及扩展常数进行优化。
S105,采用改进的IOWA算子对步骤103和步骤104得到的预测值进行组合重构,得到最终的预测值。
具体地,所述步骤105中,改进的IOWA算子如下:
式中,xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,ait为第i种预测方法第t时刻的预测精度,xa-index(it)为某种单项预测算法在第t时刻按照预测精度排序的预测值,ki为各时刻点第i种预测方法预测值对应的权重系数。
所述组合权重系数的求解公式为:
式中,xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,xa-index(it)为某种单项预测算法在第t时刻按照预测精度排序的预测值,ki为各时刻点第i种预测方法预测值对应的权重系数。
在本实施例中,采用的预测方法包括LS-SVM算法和RBF神经网络算法,使用改进的IOWA算子调节的LS-SVM算法的预测值对应的权重系数和RBF神经网络算法的预测值对应的权重系数。
具体地,所述步骤105中,采用改进的IOWA算子对步骤103和步骤104得到的预测值进行组合的具体实现方式如下:
步骤105-1,获取LS-SVM算法和RBF神经网络算法对本征模态分量的预测值,设定LS-SVM算法和RBF神经网络算法每一时刻的预测精度。
某种预测方法进行预测的本征模态分量实际值为xt,t=1,2,…,N,设一共使用了m种预测方法对其进行预测,则xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,本实施例分别使用LS-SVM算法和RBF神经网络算法两种预测方法进行预测,设ait为第i种预测方法第t时刻的预测精度,表示如下所示:
若预测精度ait满足且将每一时刻的预测精度作为m种预测方法在每一时刻的诱导值。
步骤105-2,将所有预测方法的预测精度与预测值构成一个二维数组(<a1t,x1t>,<a2t,x2t>,…,<amt,xmt>)。
步骤105-3,将m种预测方法在每一时刻的预测值按照预测精度ait大小排序,xa-index(it)表示某种单项预测算法在第t时刻按照预测精度排序的预测值,ki表示各时刻点第i种预测方法预测值对应的权重系数。
步骤105-4,求解LS-SVM算法和RBF神经网络算法的组合权重系数k1、k2,求解公式为:
式中,xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,xa-index(it)为某种单项预测算法在第t时刻按照预测精度排序的预测值,ki为各时刻点第i种预测方法预测值对应的权重系数。
S105-5,建立加权组合预测模型,求解IOWA算子组合预测值。
在本实施例中,所述步骤105建立的加权组合预测模型为:
f1(t)=k1x1(t)+k2x2(t)
其中,k1为LS-SVM算法和RBF神经网络算法中预测精度较高的一种算法的预测值对应的权重系数;k2为剩余一种算法的预测值对应的权重系数;x1(t)为LS-SVM算法和RBF神经网络算法中预测精度较高的一种算法的预测值;x2(t)为剩余一种算法的预测值;f1(t)为IOWA算子组合预测值。
本公开利用改进IOWA算子,通过动态调整权重系数将LS-SVM算法的预测值和RBF算法的预测值组合重构获得最终的预测值,避免了单一预测算法带来的问题。
实验验证
为了证明本实施例提出的预测方法的有效性,以济南某风电场为例,采用Rstudio语言编写算法程序,分别构建了三种预测模型:LS-SVM预测模型,RBF神经网络预测模型,改进IOWA算子组合预测模型,对其一段时间内的风速进行预测仿真。图2为风电场实测风速数据样本,该数据以每小时为间隔,每小时采样一个点,共取500个小时,前450个小时用来训练,对后50个小时进行提前1h预测。对预测结果的性能评价分别采用均方误差RMSE以及平均绝对百分比误差MAPE。其中,均方误差RMSE以及平均绝对百分比误差MAPE表达式为:
式中,xi表示实际值,x′i表示该时刻的预测值,n表示预测点的个数。
对原始风速数据经过EMD分解得到分解后的时间序列,按照从高频到低频排列共分解为6个IMF分量以及一个剩余分量,如图3所示。
图4为各预测算法预测结果图,通过计算可以得图5中各预测模型绝对误差绝对值以及表1三种预测模型各自的预测评价指标。
表1三种预测模型各自的预测评价指标
经计算验证,不使用EMD分解,仅使用LS-SVM预测时均方误差为0.41,平均绝对百分比误差为7.19%,单独用RBF神经网络预测均方误差为0.47,平均绝对值百分比误差为7.03%,使用本实施例提出的预测方法均方误差为6.22,平均绝对值百分比误差为5.96%,均方误差相比于LS-SVM以及RBF神经网络分别降低了14.6%和25.5%。仿真结果表明,EMD分解可降低时间序列的随机性,同时组合预测模型融合了各单项预测模型优势,可有效提高预测精度。将风速预测结果通过风电模型计算可得到预测风电功率。
实施例二
本实施例提供一种基于经验模态分解的可再生能源功率组合预测系统,该系统包括:
时间序列构建模块201,用于获取多个时刻的可再生能源运行数据,形成可再生能源时间序列;
分解模块202,用于采用经验模态分解方法将可再生能源时间序列分解为若干本征模态分量以及一个剩余分量;
单体预测模块203,用于分别利用最小二乘支持向量机算法和径向基神经网络算法对得到的若干本征模态分量进行预测;
组合预测模块204,用于采用诱导有序加权平均算子对最小二乘支持向量机算法和径向基神经网络算法得到的预测值进行组合重构,得到最终的预测值。
具体地,所述分解模块202具体用于:
查找待分解的可再生能源时间序列所有极小值点以及极大值点,通过三次样条函数将所有极小值点和极大值点拟合成为该可再生能源时间序列的上下包络线;
计算待分解的可再生能源时间序列与得到的上下包络线的平均差值;
判断得到的平均差值是否满足IMF要求,即不存在负的局部极大值和正的局部极小值;若不满足,则重新寻找该可再生能源时间序列的极大值与极小值,重复上述步骤,直到满足要求;若满足要求,则令该平均差值为可再生能源时间序列的第一个本征模态分量,求出原数据与这一本征模态分量的差值,令这个差值作为新的待分解数据,重复上述步骤,直到满足设定的终止规则结束分解过程。
具体地,所述单体预测模块203具体用于:
优化最小二乘支持向量机算法的权重系数,利用权重系数、非线性映射函数和偏差构建回归函数;
将得到的若干本征模态分量构成训练集输入回归函数,输出预测值。
所述最小二乘支持向量机算法的权重系数的优化目标函数以及约束可表示为:
式中,ei为松弛变量误差项,C为惩罚正则化参数,表示对误差的惩罚程度;xi为输入向量,l为训练集中样本个数,w为权重系数,b为偏差,为非线性映射函数。
所述LS-SVM的优化目标函数以及约束引入拉格朗日乘子α得无约束函数为:
由KKT条件可得
所述拉格朗日函数经整理得:
式中,G=(1,1,…,)T,α=(α1,α2,…,αl)T,Ω∈Rl×l为l×l维向量,且K表示满足Mercer的核函数。
所述核函数使用高斯径向基核函数:
具体地,所述单体预测模块203还具体用于:
选取每个隐含层节点扩展常数,构建高斯函数作为隐含层的径向基函数;
将若干本征模态分量送入径向基神经网络的输入层,经过隐含层采用径向基函数将本征模态分量变换到高维空间,通过输出层输出本征模态分量的预测值。
所述隐含层的径向基函数为高斯函数,表示为:
式中,ci表示第i个基函数的中心,σi为第i个隐含层节点扩展常数。
扩展常数的选取公式为:
式中,cmax为选取的中心之间的最大距离,m即为通过聚类得到的隐含节点的个数。
具体地,所述组合预测模块204具体用于:
获取最小二乘支持向量机算法和径向基神经网络算法对本征模态分量的预测值,设定最小二乘支持向量机算法和径向基神经网络算法在每时刻的预测精度;
利用最小二乘支持向量机算法和径向基神经网络算法对本征模态分量的预测值以及最小二乘支持向量机算法和径向基神经网络算法在每时刻的预测精度构成二维数组;
将最小二乘支持向量机算法和径向基神经网络算法在每时刻对本征模态分量的预测值按照对应的预测精度大小进行排序;
求解最小二乘支持向量机算法和径向基神经网络算法的组合权重系数;
基于最小二乘支持向量机算法和径向基神经网络算法的组合权重系数,建立加权组合预测模型;
将最小二乘支持向量机算法和径向基神经网络算法对本征模态分量的预测值输入加权组合预测模型进行组合预测,得到诱导有序加权平均算子的组合预测值。
所述IOWA组合预测值公式为:
式中,xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,ait为第i种预测方法第t时刻的预测精度,xa-index(it)为某种单项预测算法在第t时刻按照预测精度排序的预测值,ki为各时点第i种预测方法预测值对应的权重系数。
所述组合权重系数的求解公式为:
式中,xit为第i种预测方法在t时刻的预测值,i=1,2,…,N,t=1,2,…,N,xa-index(it)为某种单项预测算法在第t时刻按照预测精度排序的预测值,ki为各时刻点第i种预测方法预测值对应的权重系数。
本实施例提出的可再生能源功率组合预测系统,通过分解模块采用经验模态分解方法将非稳定量分解为若干稳定量后再进行可再生能源功率的预测,有效降低了可再生能源的随机性、间接性和波动性对预测带来的干扰;通过组合预测模块利用改进IOWA算子,通过动态调整权重系数将LS-SVM算法的预测值和RBF算法的预测值组合重构获得最终的预测值,避免了单一预测算法的局限性,提高预测精度。
实施例三
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的基于经验模态分解的可再生能源功率组合预测方法中的步骤。
实施例四
本实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的基于经验模态分解的可再生能源功率组合预测方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。