一种基于奇异谱分析和深度学习的风电功率预测方法与流程

文档序号:18902375发布日期:2019-10-18 22:07阅读:702来源:国知局
一种基于奇异谱分析和深度学习的风电功率预测方法与流程

本发明涉及短期风电功率预测领域,更具体地,涉及一种基于奇异谱分析和深度学习的风电功率预测方法。



背景技术:

风电功率数据受到许多因素的影响,导致风电功率具有非线性和非平稳性的特点。因此,使用信号滤波处理技术成为风电功率预测预处理的一个重要阶段。常用的预处理是使用模式分解技术,但是这种滤波技术分解产生的高频本征模函数会增加预测难度。

目前风电功率预测主要分为物理模型、统计模型和人工智能模型三种模型。然而,物理模型不适用于短期预测,统计模型的假设与实际不相符,预测效果难以保证。因此,近年来人工智能模型因其强大的非线性拟合能力被应用与短期风电功率预测中。传统的机器学习模型因为输入结构的限制,无法挖掘风电功率与其他影响因素如风速、风向等的耦合关系,导致预测精度难以提高。传统机器学习模型直接使用非平稳的风电功率时间序列作为输入,无法有效地提取风电功率本身隐藏的特征,导致预测准确性不高。



技术实现要素:

本发明克服了上述现有的技术不足,提供一种基于奇异谱分析和深度学习的风电功率预测方法,有效提高了预测模型的准确性和稳定性。

为解决上述技术问题,本发明的技术方案如下:

一种基于奇异谱分析和深度学习的风电功率预测方法,包括以下步骤:

采集风电功率、风速和风向角度的历史数据,并对风电功率、风速和风向角度的历史数据进行预处理,获得风电功率时间序列、风速时间序列和风向角度时间序列;

对风向角度时间序列进行正弦处理和余弦处理,得到风向角度时间序列正弦值和风向角度时间序列余弦值;

利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分,对趋势成分和振荡成分进行重构,得到重构序列;

将重构序列与风向角度时间序列正弦值和风向角度时间序列余弦值进行拼接,组成m@t×n的张量,所述的t为时间步长,所述的n为特征数,所述的m为通道数量;

设定训练样本,建立卷积神经网络-门控循环单元深度学习预测模型;

对组成m@t×n的张量采用卷积神经网络(convolutionalneuralnetwork,cnn)-门控循环单元(gatedrecurrentunit,gru)深度学习预测模型预测风电功率时间序列。

在一种优选的方案中,所述的“利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分,对趋势成分和振荡成分进行重构,得到重构序列”包括以下流程:

将所述的风电功率时间序列和\或风速时间序列记为y=(y1,y2,…,yn),所述的n为时间序列中元素的量,根据设置一个长度为l的窗口将y=(y1,y2,…,yn)分解为l维向量,记为xi=(yi,yi+1,yi+l-1)t;所述的l维向量(窗口长度)包括趋势分量、周期分量和噪声分量;由k个l维向量xi(i=1,2,…,k=n-l+1)组成的轨迹矩阵通过下式进行表示:

所述的轨迹矩阵x分解并表示为:

x=e1+e2+...+ei(2)

其中,所述的为基本矩阵,所述的矢量v1,v2,…,vd是主成分,所述的集合是所述的轨迹矩阵x进行奇异值分解后的第i个特征三元组;

对所述的轨迹矩阵x按照奇异谱分析进行展开,得到xi+j,所述的xi+j通过下式进行表达:

其中,所述的j∈(1,m),所述的m∈(1,l);所述的aik通过下式进行表达:

所述的ekj为时间经验正交函数中的第k维第j列;

将xi的第k个主成分记为所述的通过下式进行表达:

对xi的全部主成分的奇异值进行排序,选择奇异值较大的r个主成分进行相加,得到去除噪声分量的风电功率时间序列和\或风速时间序列r=(r1,r2,…,rn)。

在一种优选的方案中,所述的“建立卷积神经网络-门控循环单元深度学习预测模型”包括以下流程:

通过卷积神经网络提取全部时间序列的耦合关系;

将卷积神经网络的输出作为门控循环单元的输入,提取各个时间序列的时间相关性特征。

在一种优选的方案中,所述的“通过卷积神经网络提取全部时间序列的耦合关系”包括以下子流程:

建立的卷积神经网络模型包括3个卷积层和1个扁平层,各个卷积核的数目分别为4,8和16;

经过卷积操作后,通过扁平层将最终的时间相关性特征图谱排列成一个一维的向量z=(z1,z2,…,zt)并将其作为门控循环单元的输入。

在一种优选的方案中,所述的“将卷积神经网络的输出作为门控循环单元的输入,提取各个时间序列的时间相关性特征”包括以下子流程:

建立的门控循环单元包括3个神经网络层,各个神经网络层所包含的神经元的数目分别为4,8和16;

经过门控循环单元模型处理后,输出预测风电功率时间序列

与现有技术相比,本发明技术方案的有益效果是:

1、本发明提出的奇异谱分析方法,解决了高频本征模函数降低预测精度的共性关键问题,并去除了原始信号中无用的噪声,提高了预测精度;

2、本发明的神经网络-门控循环单元深度学习预测模型提取降噪后风电功率时间序列、风速时间序列和风向角度时间之间的耦合关系的隐含特征并进一步挖掘各个时间序列之间的时间相关特征,解决传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷,对提高风电功率预测精度有重要的实际工程意义。

附图说明

图1为实施例的流程图。

图2为实施例的级联式深度学习模型示意图。

图3为实施例的预测效果图。

具体实施方式

附图仅用于示例性说明,不能理解为对本专利的限制;

为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;

对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例

如图1所示,一种基于奇异谱分析和深度学习的风电功率预测方法,包括以下步骤:

s1:获取1个月内,时间分辨率为1小时的风电功率、风速和风向角度的历史数据(即1天72个数据点)并对风电功率、风速和风向历史数据进行预处理获得风电功率时间序列、风速时间序列和风向角度时间序列;

s2:取风向角度时间序列的正弦值和余弦值;

s3:利用奇异谱分析提取风电功率和风速时间序列的趋势成分和振荡成分,对以上两种成分进行重构;

s31:将风电功率时间序列和\或风速时间序列记为y=(y1,y2,…,yn),n为时间序列中元素的数量,根据设置一个长度为l的窗口将y=(y1,y2,…,yn)分解为l维向量,记为xi=(yi,yi+1,yi+l-1)t;l维向量(窗口长度)包括趋势分量、周期分量和噪声分量;由k个l维向量xi(i=1,2,…,k=n-l+1)组成的轨迹矩阵通过下式进行表示:

s32:轨迹矩阵x分解并表示为:

x=e1+e2+...+ei(2)

其中,为基本矩阵,矢量v1,v2,…,vd是主成分,集合是轨迹矩阵x进行奇异值分解后的第i个特征三元组;

s33:对轨迹矩阵x按照奇异谱分析进行展开,得到xi+j,xi+j通过下式进行表达:

其中,j∈(1,m),m∈(1,l);aik通过下式进行表达:

ekj为时间经验正交函数中的第k维第j列;

s34:将xi的第k个主成分记为通过下式进行表达:

对xi的全部主成分的奇异值进行排序,选择奇异值较大的r个主成分进行相加,得到去除噪声分量的风电功率时间序列和\或风速时间序列r=(r1,r2,…,rn);

s4:将重构序列与风向的正弦和风向的余弦拼接起来,形成m@t×n的张量。其中t为时间步长,n为特征数,m为通道数量;

s5:选择前600个历史风电数据作为训练样本,建立卷积神经网络-门控循环单元深度学习预测模型(cnn-gru深度学习预测模型);

s51:通过卷积神经网络提取全部时间序列的耦合关系;

s511:卷积神经网络模型包括3个卷积层和1个扁平层,各个卷积核的数目分别为4,8和16;

s512:卷积神经网络主要用于提取m@t×n的张量耦合关系的隐含特征,卷积操作如下:

其中,wik-1为表示第k-1层的第i个特征图的输出值;表示第k层第j个特征图与第k-1层第i个特征图之间的卷积核;代表第k层的第j个特征图所对应的阀值;nj代表输入的特征图的集合;代表第k层的第j个特征图的输出值。f(·)为激活函数;

s513:在经过卷积操作后,通过扁平层将最终的特征图谱排列成一个一维的向量y=(y1,y2,…,yt)并将其作为门控循环单元的输入;

s52:将卷积神经网络的输出作为门控循环单元的输入,提取各个时间序列的时间相关性特征;

s521:门控循环单元模型包括3个神经网络层,各层所包含的神经元的数目分别为4,8和16;

s522:如图2所示,gru单元包括输入层、隐藏层和输出层,gru单元的核心是隐藏层的两个门,可以选择性地让信息通过控制历史数据对最终结果造成的影响。其中隐藏层包括更新门zt和重置门rt,通过以下公式并根据zt和ht-1更新ht;

zt=σ(wzxyt+wzhht-1+bz)

rt=σ(wrxyt+wrhht-1+br)

gt=rt⊙ht-1

其中,yt和ht为隐藏层的输入和输出,z和r分别为更新门和重置门,重置门决定如何组合新输入和之前的记忆,更新门决定留下记忆的数量;w为权重矩阵,b为偏置向量;⊙为哈达马积;

s6:对s4生成的张量采用cnn-gru深度学习预测模型进行提前1h预测获得预测风电功率序列

实施例的预测效果如图3所示,虚线是实际值,实线是本实施例的预测值,通过图3可以得出,实施例的预测精度得到提高,而且与实际值的误差较小,具有较高的实际工程意义。

相同或相似的标号对应相同或相似的部件;

附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;上述的扩展方式仍然属于本专利的保护范围,而不仅仅以实施例作为本专利的限制。

对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1