一种基于MI-VMD-DA-EDLSTM-VEC的多维特征组合预测方法技术

本发明专利技术公开了一种基于MI

【技术实现步骤摘要】
一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法


[0001]本专利技术涉及一种风力发电预测模型领域，具体的涉及一种基于 MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法。

技术介绍

[0002]随着全球能源结构的变化，风能在未来能源中的比重逐渐提高。风力发电的快速发展带 来了与电力系统可靠性和安全性相关的许多挑战。由于风速的间歇性和随机性，电力系统中 的电压和频率波动较大，导致风力发电过程的充满不确定性。因此，准确有效的预测风电功 率对于保障电力系统的不间断运行和充分利用风能资源至关重要。目前，风电功率的短期预 测方法可以分为3类：1)模型驱动；2)数据驱动；3)模型和数据集成驱动。
[0003]模型驱动基于数值天气预报(NWP)模型，通过计算热力学和流体动力学(CFD)模型的三维 空间和时间信息来预测气象变量，并使用适合于给定风电场的风电功率曲线转换为风功率。 这种模型驱动方法的准确性很大程度上取决于NWP模型，NWP模型需要提供气象数据和风 力发电机物理特性数据，但这些数据并不总是可用的，而且该模型需要大量计算和时间。因 此，这些方法可能不适合实际的风电功率预测(WPF)应用。
[0004]数据驱动则通过寻找输入变量和风电功率之间的映射关系来进行预测，许多统计模型和 机器学习模型都是为此而研究的。统计模型有持久性模型(PM)，自回归差分移动平均模型 (ARIMA)，高斯进程(GP)，卡尔曼滤波(KF)等；机器学习模型包括人工神经网络(ANN)，极 限学习机(ELM)，支持向量机(SVM)等。随着大数据时代的到来，多元的海量时间序列数据爆 炸式增长。在大部分情况下，多变量时间序列数据具有高维度性、时空相关性、动态性和非 线性等特征，或者包含噪声数据，这使得传统的统计模型和机器学习模型在处理海量并且复 杂的数据时遇到困难，而深度学习算法比传统方法更能挖掘数据的深层特征。因此，尽管传 统方法依然可用，但是基于深度学习的预测方法正变得越来越流行。常见的深度学习模型有 卷积神经网络(CNN)，层叠自编码器(SAE)，深度信念神经网络(DBN)，循环神经网络(RNN) 等。
[0005]集成驱动是模型驱动和数据驱动的结合，集成了信号预处理技术，如小波变换和经验模 态分解；优化算法，如粒子群优化和网格搜索(GS)；以及预测模型，如极限学习机(ELM)、 反向传播神经网络(BPNN)和支持向量机(SVM)。
[0006]由于风电功率和风速数据的随机性和复杂性而信号预处理算法能有效地提取信号的特 征，许多学者通过结合信号预处理方法和机器学习算法进行风电预测。比如，小波包分解 (WTD)，经验模态分解(EMD)，完全集合经验模态分解(CEEMD)，EEMD+AWNN(集合经验 模态分解和自适应小波神经网络)，自适应噪声的完全集成经验模态分解等方法。结果表明， 与无信号预处理的单一模型相比，结合信号分解和机器学习方法的模型能有更高的稳定性和 预测精度。
[0007]深度学习被认为是最强大的表征学习算法，在过去几年，将信号预处理和深度学习算法 结合用于风电功率预测的研究逐渐增加。比如基于小波分解(WD)和变分模态分解
(VMD)的两 级分解和注意力机制(AT)的WD
‑
VMD
‑
DLSTM
‑
AT组合预测模型在短期风速预测上取得了较 高的精度和稳定性。
[0008]由于LSTM会在递归多步预测时出现误差累积的问题，而编解码框架虽然能解决误差累 积问题，但在较长输入时间步长时预测精度会出现显著的降低。许多学者引入注意力机制提 升模型对于时间相关性的选择能力，
[0009]综上所述，传统的ARMA模型不能处理非线性、非平稳性的复杂数据，而单一的SVR、 LSTM模型会存在预测滞后的问题，并且在多步预测上存在误差累积，编码解码模型虽然能 较好地解决误差累积问题，但是不能把握输入特征间的长时序相关性。

技术实现思路

[0010]本专利技术为了克服以上技术的不足，提供了一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维 特征组合预测方法，用于短期风电功率预测，对原始特征序列和预测误差序列进行变分模态 分解(VMD)，利用基于两级注意力机制和编码解码架构的长短时记忆神经网络模型以及使用 误差分解预处理的误差修正模块，进行风电功率的预测所提出的预测模型具有最优的性能， 变分模态分解得到的误差序列可以提高矫正的效果。
[0011]本专利技术克服其技术问题所采用的技术方案是：
[0012]本专利技术提出的一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法，具体包 括：S1,对原始特征序列x(t)进行MI特征选择得到风电功率、风速和温度序列；S2,分别对风 电功率、风速和温度序列进行VMD分解得到模态分量；S3,基于使用了双层注意力机制的编 码解码DA
‑
EDLSTM模型对于VMD分解得到的模态分量进行模型训练和预测，得到初始预 测序列通过得到原始预测误差e(t)；S4,对原始预测误差e(t)进行VMD分解 预处理，使用单层LSTM模型进行再训练预测得到误差预测序列并对原始预测结果进 行修正得到最终预测结果
[0013]进一步的，步骤S1具体包括：S11，基于公式1计算原始风速序列X与目标序列Y的互 信息，进行互信息量排序，其中原始风速序列包括风电、温度、气压、密度和风向，
[0014][0015]其中，p(x,y)是x和y的联合概率密度函数，而p(x)和p(y)是边际密度函数，如果x与 y完全不相关，则p(x,y)将等于p(x)p(y)，其互信息将等0，若I(X；Y)越大，则表示两个变 量相关性越强；S12，基于特征序列X和目标序列Y的互信息排序，选择互信息最大的3维 特征序列，其中3维特征序列为风电功率、风速和温度。
[0016]进一步的，步骤S2具体包括：对风电功率、风速和温度序列分别分解成具有中心频率K 个模态分量u
k
(k＝1,2,...,k)，其中，每个模态分量的带宽估计之和被最小化，包括如下步骤： S21，通过对每个模态分量u
k
进行希尔伯特变换得到相应的频谱；S22，通过指数混合调制算 法将u
k
的频谱移动到各自的估计中心频率ω
k
；S23，使用信号的高斯平滑度和梯度平方准则 来解调和估计u
k
的带宽。
[0017]进一步的，步骤S3中所述使用了双层注意力机制的编码解码模型DA
‑
EDLSTM包括依 次耦接的输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法，其特征在于，具体包括：S1,对原始特征序列x(t)进行MI特征选择得到风电功率、风速和温度序列；S2,分别对风电功率、风速和温度序列进行VMD分解得到模态分量；S3,基于使用了双层注意力机制的编码解码模型DA
‑
EDLSTM对于VMD分解得到的模态分量进行模型训练和预测，得到初始预测序列通过得到原始预测误差e(t)；S4,对原始预测误差e(t)进行VMD分解预处理，使用单层LSTM模型进行再训练预测得到误差预测序列并对原始预测结果进行修正得到最终预测结果2.根据权利要求1所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法，其特征在于，步骤S1具体包括：S11，基于公式1计算原始特征序列x(t)与目标序列Y的互信息，进行互信息量排序，其中原始风速序列包括风电、温度、气压、密度和风向，其中，p(x,y)是x和y的联合概率密度函数，而p(x)和p(y)是边际密度函数，如果x与y完全不相关，则p(x,y)将等于p(x)p(y)，其互信息将等0，若I(X；Y)越大，则表示两个变量相关性越强；S12，基于特征序列x(t)和目标序列Y的互信息排序，选择互信息最大的3维特征序列，其中3维特征序列为风电功率、风速和温度。3.根据权利要求2所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法，其特征在于，步骤S2具体包括：对风电功率、风速和温度序列分别分解成具有中心频率K个模态分量u
k
(k＝1,2,...,k)，其中，每个模态分量的带宽估计之和被最小化，包括如下步骤：S21，通过对每个模态分量u
k
进行希尔伯特变换得到相应的频谱；S22，通过指数混合调制算法将u
k
的频谱移动到各自的估计中心频率ω
k
；S23，使用信号的高斯平滑度和梯度平方准则来解调和估计u
k
的带宽。4.根据权利要求2所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法，其特征在于，步骤S3中所述使用了双层注意力机制的编码解码模型DA
‑
EDLSTM包括依次耦接的输入层、编码层、解码层和输出层，所述编码层对于输入特征使用注意力机制，所述解码层使用时间注意力机制。5.根据权利要求4所述的用于短期风电功率预测的MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的组合模型，其特征在于，编码层对于输入特征使用注意力机制具体包括：S31，基于公式2和公式3对输入观测序列X中的第k维特征序列X
k
构造注意机制；构造注意机制；其中，和是模型需要学习的参数，和是编码层的隐藏状态和单元状态，m是隐藏层的大小，T是观测时间序列的窗口长度；
S32，基于softmax函数将得到的归一化，并且注意力权重之和为1；S33，对于每个时刻的输入X
t
，为其中...

【专利技术属性】
技术研发人员：廖雪超，伍杰平，陈才圣，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：