CN104899656A - 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 - Google Patents

Abstract

本发明公开了一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，属于风电功率预测技术领域。包括：步骤一：提取风速序列历史数据并进行数据归一化处理；步骤二：对提取的风速序列数据采用经验模态分解进行序列分析；步骤三：对经验模态分解得到的各个序列重构相空间；步骤四：循环选取隐含层节点数对Elman神经网络进行训练，并叠加各个序列的预测结果,得到风速预测结果；步骤五：对风速预测结果进行误差分析。本发明建模过程实用简单，能快速有效的对风电功率进行预测,对于风电并网情况下的电力系统的安全稳定和调度运行具有重要意义。

Description

一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法

技术领域

本发明一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，属于风功率预测技术领域。

背景技术

在能源问题日益突出的今天，风能作为一种分布广的可再生能源受到人们的广泛关注。随着风力发电技术的日渐成熟，风电占电力系统发电总量的比例也逐渐增加。然而，风能的随机性和间歇性等特点对电能质量和电网的安全、稳定运行造成了不良影响，而对风功率进行有效地预测是降低上述影响和系统的运行成本，提高风电穿透功率极限的有效手段，因此，研究风电功率的短期预测方法具有重要的理论和实际意义。

风功率的短期预测一般采用物理方法和统计方法。物理方法主要考虑天气数据以及风电机组的技术参数，寻求风电机组轮毅高度处的风速最优估计值，最后根据风电场的功率曲线计算得到风电场的输出功率，但是该方法过分依赖完善的数值天气预报信息，因此工程实用性较低。统计方法不考虑风速变化的物理过程，而是根据大量实测数据对风电场输出功率进行预测。目前常用的统计学预测方法有持续法、时间序列法、人工神经网络法、支持向量机法等。此类统计方法对于提前几小时的风功率预测结果是可以满足精度要求的，但对于提前更长时间的预测结果，精度是不够的。这些方法随着风电技术的深入暴露了难以克服的缺陷，如预测精度差，收敛速度慢，有局限性等缺点。

发明内容

针对现有技术的不足，本发明提供一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，EEMD能将复杂的时间序列平稳化，得到几个本征模函数(intrinic model function,IMF)分量，并且每个分量之间相互独立，同时，作为一种改进的EMD方法，该方法将白噪声序列添加到原始序列中,然后对其进行多次EMD分解,将分解得到的多组IMF的均值作为其真实分量，从而避免了混沌重叠现象。

本发明采取的技术方案为：

一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，包括以下步骤：

步骤1：数据的获取和归一化处理。本发明采用前几个时刻的风速数据或数值天气预报信息作为输入数据进行训练，用于预测下一时刻的风速。对得到的数据进行归一化处理：

$\stackrel{\‾}{x_i}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

式中：是训练样本T中的某个数据归一化后的结果；x_max和x_min分别是训练样本T中该组变量数据的最大值和最小值；

步骤2：总体平均经验模态分解。将白噪声序列添加到原始序列中,然后对其进行多次EMD分解,将分解得到的多组IMF的均值作为其真实分量，从而避免了混沌重叠现象；

步骤3：Elman神经网络结构的确定；

Elman神经网络的非线性状态空间表达式为：

y(k)＝g(w³x(k)+b₂)        (2)

x(k)＝f(w¹x_c(k)+w²(u(k-1))+b₁)        (3)

x_c(k)＝x(k-1)          (4)

式中：k表示时刻，y，x，u，x_c分别表示1维输出节点向量，m维隐含层节点单元向量，n维输入向量和m维反馈状态向量，w³,w²,w¹分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵，P_i为隐含层神经元的传递函数，b₁和b₂分别为输入层和隐含层的阈值；

步骤4：选取最优隐含层节点数进行预测；

步骤5：最后叠加各分量的预测结果得到最终预测数据。

步骤2中，EEMD具体步骤如下：

步骤2.1：初始化过程，初始化EMD执行次数M次，每次添加噪声的幅值为k；

步骤2.2：向风功率时间序列x(t)添加正态分布白噪声n(t)，执行第m次EMD过程：

1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包络线；

2)、计算上下包络线的平均值m(t)，h(t)＝x(t)-m(t)；

3)、判断h(t)是否满足IMF的定义，满足则将h(t)作为第一个IMF，否则将h(t)作为原始序列重复1)和2)直至满足IMF的定义；

4)、IMF分量从原始信号中分离，r(t)＝x(t)-h(t)，将r(t)作为新的序列重复上述步骤，得到剩余的IMF分量和余量，余量为单调函数；

步骤2.3：总体平均运算：对M次EMD分解得到的每个IMF计算均值作为最终结果。

步骤3中包括以下步骤：

步骤3.1：风功率时间序列的相空间重构：

对风功率时间序列{p(t)}，t＝1,2,3…N，选择一个适当的嵌入维数m和延迟时间t，可得到满足式(4)的新的状态空间，即重构的风功率时间序列相空间；

P(t)＝{p(t),p(t+τ),p(t+(m-1)τ)}(5)

其中：t＝1,2,3…M,M＝N-(m-1)τ；

步骤3.2：运用C-C方法求取相空间重构的延迟时间τ和嵌入维数m，选取相空间重构中的饱和嵌入维数m作为神经网络的输入节点数；

步骤3.3：由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较大的影响，运用训练误差最小的方法来选取最优节点数。

步骤3.3具体步骤如下：

1)、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m；

2)、将待优化隐层节点个数的取值范围定为n∈[2m-4,2m+6]；

3)、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节点为最优节点。

与现有方法相比，本发明一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，具有以下优点和有益效果：

(1)、针对风功率时间序列的非线性和非平稳性的特点，利用EEMD分解将复杂的风功率序列分解得到一系列相对简单的子分量，可以有效提高预测精度。

(2)、Elman神经网络具有较强的非线性拟合能力，并根据相空间重构和训练误差最小的方法获取模型结构的参数，可进一步提高预测精度。

(3)、从本发明模型的预测结果及与其他模型的对比分析可以看出，本发明的预测建模思路具有一定的先进性，取得了较好的预测效果。

附图说明

图1为本发明Elman神经网络结构；

图2为本发明EEMD-改进Elman神经网络预测流程图；

图3为本发明实施例中功率曲线图；

图4为本发明实施例中EEMD-改进Elman神经网络预测结果图。

具体实施方式

一种基于二次平均的低信噪比正弦信号高精度频率测量方法，包括以下步骤：

步骤1：数据的获取和归一化处理：本发明采用前几个时刻的风速数据或数值天气预报信息作为输入数据进行训练，用于预测下一时刻的风速。对得到的数据进行归一化处理：

$\stackrel{\‾}{x_i}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(6\right)$

式中：是训练样本T中的某个数据归一化后的结果；x_max和x_min分别是训练样本T中该组变量数据的最大值和最小值。

步骤2：总体平均经验模态分解。将白噪声序列添加到原始序列中,然后对其进行多次EMD分解,将分解得到的多组IMF的均值作为其真实分量，从而避免了混沌重叠现象。

EEMD具体步骤如下：

步骤2.1：初始化过程。初始化EMD执行次数M次，每次添加噪声的幅值为k。

步骤2.2：向风功率时间序列x(t)添加正态分布白噪声n(t)，执行第m次EMD过程：

1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包络线。

2)、计算上下包络线的平均值m(t)，h(t)＝x(t)-m(t)。

3)、判断h(t)是否满足IMF的定义，满足则将h(t)作为第一个IMF，否则将h(t)作为原始序列重复1)和2)直至满足IMF的定义。

4)、IMF分量从原始信号中分离，r(t)＝x(t)-h(t)，将r(t)作为新的序列重复上述步骤，得到剩余的IMF分量和余量，余量为单调函数。

步骤2.3：总体平均运算：对M次EMD分解得到的每个IMF计算均值作为最终结果。

步骤3：Elman神经网络结构的确定。

Elman神经网络的非线性状态空间表达式为：

y(k)＝g(w³x(k)+b₂)         (7)

x(k)＝f(w¹x_c(k)+w²(u(k-1))+b₁)        (8)

x_c(k)＝x(k-1)          (9)

式中：k表示时刻，y，x，u，x_c分别表示1维输出节点向量，m维隐含层节点单元向量，n维输入向量和m维反馈状态向量。w³,w²,w¹分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵。P_i为隐含层神经元的传递函数，b₁和b₂分别为输入层和隐含层的阈值。

步骤3.1：风功率时间序列的相空间重构：

对风功率时间序列{p(t)}，t＝1,2,3…N，选择一个适当的嵌入维数m和延迟时间t，可得到满足式(4)的新的状态空间，即重构的风功率时间序列相空间。

P(t)＝{p(t),p(t+τ),p(t+(m-1)τ)}       (10)

其中：t＝1,2,3…M,M＝N-(m-1)τ。

步骤3.2：运用C-C方法求取相空间重构的延迟时间τ和嵌入维数m。选取相空间重构中的饱和嵌入维数m作为神经网络的输入节点数。

步骤3.3：由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较大的影响，运用训练误差最小的方法来选取最优节点数。

其具体步骤如下：

1)、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m。

2)、将待优化隐层节点个数的取值范围定为n∈[2m-4,2m+6]。

3)、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节点为最优节点。

步骤4：选取最优隐含层节点数进行预测。

步骤5：最后叠加各分量的预测结果得到最终预测数据。

实施例：

本发明以某风电场一号机组的实测风功率数据，该数据的采样周期为10min，机组的额定功率为850kW。为研究方便，选取停机时间点尽可能少数据段进行仿真分析，选取360个连续功率数据点，前300个用于训练，后60个用于测试和分析。其功率曲线如图3所示。

对于预测结果的精度和可靠性进行定量评价是预测效果分析的重要组成部分。常用多种预测指标对预测结果进行评价，本文主要采用以下几种方法：

(1)均方误差(MSE)

$e_{\mathrm{MSN}}=\frac{1}{N}\sqrt{\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(A_i-P_i)}^2}---\left(11\right)$

(2)平均绝对百分比误差(MAPE)

$e_{\mathrm{MAPE}}=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\frac{A_i-P_i}{A_i}\right|---\left(12\right)$

(3)均方百分比误差(MSPE)

$e_{\mathrm{MSPE}}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{((A_i-P_i)/A_i)}^2}---\left(13\right)$

式中：A_i为第i个预测点的实测值，P_i为第i个预测点的预测值，N为预测点的个数。

由图4可见，本文的预测值能紧跟实际值的变化趋势，具有较高的拟合精度，从而验证了本文所提预测模型的有效性。

为进一步对比研究，本发明还利用单一的BP、Elman神经网络预测模型和EMD-Elman预测模型进行风功率预测。其预测误差指标如表2所示。

表2模型性能指标

由表2可知，与其它各个预测模型的性能指标相比，本文所提模型精度更高，具有一定的先进性。

EEMD将非平稳特性的风功率序列转化为一系列的子序列，再对具有一定规律的子序列进行预测，降低了预测难度，因此相对于单一的预测方法本文组合预测模型预测精度较高；EEMD利用噪声特性避免了EMD的混叠现象，利用EEMD进行分解，预测效果也会更好。

本发明按照优选实施例进行了说明，但上述实施例不以任何形式限定本发明，凡采用等同替换或等效变换的形式所获得的技术方案，均落在本发明技术方案的范围内。

Claims (4)

1.一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，其特征在于包括以下步骤：

步骤1：数据的获取和归一化处理：采用前几个时刻的风速数据或数值天气预报信息作为输入数据进行训练，用于预测下一时刻的风速，对得到的数据进行归一化处理：

$\stackrel{\‾}{x_i}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

式中：是训练样本T中的某个数据归一化后的结果；x_max和x_min分别是训练样本T中该组变量数据的最大值和最小值；

步骤2：总体平均经验模态分解：将白噪声序列添加到原始序列中,然后对其进行多次EMD分解,将分解得到的多组IMF的均值作为其真实分量，从而避免了混沌重叠现象；

步骤3：Elman神经网络结构的确定：

Elman神经网络的非线性状态空间表达式为：

y(k)＝g(w³x(k)+b₂)                   (2)

x(k)＝f(w¹x_c(k)+w²(u(k-1))+b₁)              (3)

x_c(k)＝x(k-1)                   (4)

式中：k表示时刻，y，x，u，x_c分别表示1维输出节点向量，m维隐含层节点单元向量，n维输入向量和m维反馈状态向量，w³,w²,w¹分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵，P_i为隐含层神经元的传递函数，b₁和b₂分别为输入层和隐含层的阈值；

步骤4：选取最优隐含层节点数进行预测；

步骤5：最后叠加各分量的预测结果得到最终预测数据。

2.根据权利要求1所述一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，其特征在于，步骤2中，EEMD具体步骤如下：

步骤2.1：初始化过程，初始化EMD执行次数M次，每次添加噪声的幅值为k；

步骤2.2：向风功率时间序列x(t)添加正态分布白噪声n(t)，执行第m次EMD过程：

1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包络线；

2)、计算上下包络线的平均值m(t)，h(t)＝x(t)-m(t)；

3)、判断h(t)是否满足IMF的定义，满足则将h(t)作为第一个IMF，否则将h(t)作为原始序列重复1)和2)直至满足IMF的定义；

4)、IMF分量从原始信号中分离，r(t)＝x(t)-h(t)，将r(t)作为新的序列重复上述步骤，得到剩余的IMF分量和余量，余量为单调函数；

步骤2.3：总体平均运算：对M次EMD分解得到的每个IMF计算均值作为最终结果。

3.根据权利要求1所述一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，其特征在于，步骤3中包括以下步骤：

步骤3.1：风功率时间序列的相空间重构：

对风功率时间序列{p(t)}，t＝1,2,3…N，选择一个适当的嵌入维数m和延迟时间t，可得到满足式(4)的新的状态空间，即重构的风功率时间序列相空间；

P(t)＝{p(t),p(t+τ),p(t+(m-1)τ)}              (5)

其中：t＝1,2,3…M,M＝N-(m-1)τ；

步骤3.2：运用C-C方法求取相空间重构的延迟时间τ和嵌入维数m，选取相空间重构中的饱和嵌入维数m作为神经网络的输入节点数；

步骤3.3：由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较大的影响，运用训练误差最小的方法来选取最优节点数。

4.根据权利要求3所述一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，其特征在于，步骤3.3具体步骤如下：

1)、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m；

2)、将待优化隐层节点个数的取值范围定为n∈[2m-4,2m+6]；

3)、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节点为最优节点。