CN113297791B - 一种基于改进dbn的风功率组合预测方法 - Google Patents
一种基于改进dbn的风功率组合预测方法 Download PDFInfo
- Publication number
- CN113297791B CN113297791B CN202110560940.6A CN202110560940A CN113297791B CN 113297791 B CN113297791 B CN 113297791B CN 202110560940 A CN202110560940 A CN 202110560940A CN 113297791 B CN113297791 B CN 113297791B
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- data
- dbn
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种基于改进DBN的风功率组合预测方法,涉及风功率预测技术领域,包括以下步骤:步骤1,训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型,步骤2,根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,步骤3:判断是否满足预测时间,若是则结束运行,否则执行步骤4,步骤4:使用滑动窗口,添加新生成的数据并删除最旧的数据,对DBN模型重新进行训练,本申请提出改进的DBN模型,在RBM中加入高斯函数,使风功率预测精度高于传统的DBN模型,自适应学习步长技术的应用进一步提高了***的精度。
Description
技术领域
本发明涉及风功率预测技术领域,具体为一种基于改进DBN的风功率组合预测方法,
背景技术
随着化石能源消耗和环境污染的加剧,可再生能源的有效利用成为必然趋势,风能作为最有发展前景的可再生能源之一,在电力***中的应用越来越广泛,截至2018年,全球风力发电装机容量已达644.5GW,比去年增长17.4%,风力发电预测的准确性直接影响到电网的安全,然而,风力发电的随机性和间歇性给其预测带来了困难,这对现代电力***提出了挑战,因此,需要开发一种准确的风力发电预测方法来辅助电力***的经济调度,
风力发电预测方法的主要类别包括统计方法、物理方法和空间相关性,常用的统计方法有自回归移动平均模型(ARIMA)、高斯过程(GP)、人工神经网络法(ANN)、支持向量机(SVM)等,基于数值天气预报(NWP)数据和风速—功率曲线的物理方法是一种间接预测方法,可以解决数据不足等问题,空间相关法(SC)通常通过相邻风电场的气象信息对目标风电场进行分析,当目标风电场数据不足的情况下,对提高预测精度具有重要作用,
然而,风功率预测影响因素众多,非线性关系复杂,人工神经网络、支持向量机等属于浅层模型,对复杂函数的表达能力有限,深度信念网络模型由多个受限玻尔兹曼机(RBM)堆叠而成,具有深层非线性网络结构,可以用来解决复杂非线性问题,但是目前已有研究往往直接将数据输入到深度学习网络的底层结构中,然而在输入多维气象数据时,每一个气象因素的输入数据是一个连续输入的过程,若采用传统的深度信念网络,会造成在连续输入时信息丢失的问题,导致预测精度下降,这是因为传统深度信念网络的可见层必须为二值分布,
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于改进DBN的风功率组合预测方法,
本发明的目的是通过以下技术方案来实现的:
一种基于改进DBN的风功率组合预测方法,包括以下步骤:
步骤1,训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型,
步骤2,根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
进一步的,所述步骤1包括以下子步骤:
步骤1.1,输入合适的训练集和验证集,
步骤1.2,选择长度为L的滚动数据集,
步骤1.3,确定改进DBN模型的网络结构,
步骤1.4,选取DBN模型的参数,
步骤1.5,训练并建立DBN模型,
进一步的,所述步骤1.3中确定改进DBN模型的网络结构包括以下内容:
在RBM中加入高斯函数,提出高斯-伯努利受限玻耳兹曼机GBRBM,GBRBM的能量函数表示为:
其中σi 2是高斯分布的方差,m是隐藏层中隐藏单元的数量,n是可见层中可见单元的数量,根据能量函数,可见单元与隐藏单元之间的条件概率如下:
其中是高斯函数,其均值为μ,方差为σi 2,改进后的DBN模型由下至上按GBRBM和RBM进行叠加底层是GBRBM,其余层都是RBM,在模型顶部设置BP网络,
进一步的,所述步骤1.4中选取DBN模型的参数包括以下内容:
采用自适应学习步长ALS技术来确定DBN模型合适的学习速率,对每个权值连接采用独立学习率参数代替全局学习率,根据标志的变化调整步长,
其中u表示学习步骤的增量因子,u>1;d表示学习步骤的减量因子,d<1,表示个体学习率,如果两个连续更新在同一方向上,则步长将增大,相反,当更新方向相反时,步长将减小,
进一步的,所述步骤2包括以下内容:
2.1,用主成分分析法提取历史数据变量输入改进的DBN模型,进行风功率预测,
2.2,将NWP数据输入改进的DBN模型,进行风功率预测,
2.3,将NWP数据利用主成分分析法提取原始数据的主成分,并添加风速作为改进的DBN模型的输入,得到基于DBN的风速修正模型进行风功率预测,
2.4,基于空间相关法的风功率预测模型进行风功率预测,
2.5.将2.1至2.4中的各个风功率预测结果进行加权,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
进一步的,还包括以下步骤:
步骤3:判断是否满足预测时间,若是则结束运行,否则执行步骤4,
步骤4:使用滑动窗口,添加新生成的数据并删除最旧的数据,返回执行步骤1.2,
本发明的有益效果是:
(1)提出改进的DBN模型,在RBM中加入高斯函数,使风功率预测精度高于传统的DBN模型,自适应学习步长技术的应用进一步提高了***的精度,
(2)提出采用滑动窗口策略的组合预测方法,有效地结合了不同方法的优点,与传统的DBN和LSTM、GRU、seq2seq等深度神经网络相比,预测精度有较大提高,
(3)通过建立基于NWP数据的风速修正模型,提高了风速数据的精度,进而提高了风功率预测的精度,
(4)在目标预测点历史数据不足的情况下,可以利用目标风电场周围相邻风电场的数据来完成风功率预测,通过空间相关性分析,可以同时反映地理位置和地形对风力发电的影响,
附图说明
图1为本发明DBN网络结构图,
图2为本发明GBRBM-DBN结构图,
图3为空间相关法的流程图,
图4为NWP风速修正模型的流程图,
图5为本发明组合加权风功率预测的流程图,
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述,
风功率预测影响因素众多,非线性关系复杂,人工神经网络、支持向量机等属于浅层模型,对复杂函数的表达能力有限,深度信念网络模型由多个受限玻尔兹曼机(RBM)堆叠而成,具有深层非线性网络结构,可以用来解决复杂非线性问题,但是目前已有研究往往直接将数据输入到深度学习网络的底层结构中,然而在输入多维气象数据时,每一个气象因素的输入数据是一个连续输入的过程,若采用传统的深度信念网络,会造成在连续输入时信息丢失的问题,导致预测精度下降,这是因为传统深度信念网络的可见层必须为二值分布,
基于传统深度信念网络的可见层必须为二值分布,会造成在连续输入时信息丢失的问题,导致预测精度下降的问题,本申请提出的技术方案为:
步骤1,训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型,
步骤2,根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
其中,DBN是由RBM和BP网络组成的概率生成模型,其拓扑结构如图1所示,输入数据由第一个RBM的可见层接收并传递到隐藏层,上一个RBM的隐藏层对下一个RBM可见,通过对每个隐层进行训练,在当前隐层中提取数据特征后,将信息传播到下一个隐层,最后一个RBM通过反向传播将训练好的数据传输到输出层,
其中,RBM是一种典型的两层神经网络,它包含可见层和隐藏层,可见层用于接收输入数据,隐藏层用于基于连接权重从可见层检测数据的特征,相邻层RBM神经元相互连接,而同一层的神经元没有连接,可视层假定为二进制值,对于给定的可见层和隐层,RBM的能量函数表示为:
其中,m和n表示神经元个数,wij为隐层和可见层之间的连接权重,ai和bj分别为可见层和隐层的偏差,vi和hj分别为可见层和隐层的神经元,RBM模型的参数可表示为:
θ=[W,a,b] (2)
可见层和隐层的联合概率分布函数如下所示:
在RBM模型中,当vi=1或hj=1时,可见节点和隐藏节点相互独立,激活概率分布由式(4)和(5)得到,
其中sigmoid( )是sigmoid函数,表示为:
传统的RBM直接采用Bernoulli-Bernoulli,其可见层必须是二进制值,然而,风功率预测模型的输入气象数据是连续分布的,直接使用传统的RBM可能会造成信息的丢失,因此,通过加入高斯函数,提出了高斯-伯努利受限玻耳兹曼机,使输入数据不限于二进制值,GBRBM的能量函数表示为:
其中σi 2是高斯分布的方差,m是隐藏层中隐藏单元的数量,n是可见层中可见单元的数量,根据能量函数,可见单元与隐藏单元之间的条件概率如下:
其中是高斯函数,其均值为μ,方差为σi 2,建立的GBRBM-DBN模型架构如图2所示,底层是GBRBM,其余层都是RBM,改进后的DBN模型由下至上按GBRBM和RBM进行叠加,在模型顶部设置BP网络,进一步调整DBN模型的参数,
DBN模型训练通常涉及多个RBM的训练,每次迭代都需要较长的时间,因此,需要设置合适的学习速率,这对于使用DBN模型也非常重要,学习速率过大会导致训练过程不稳定,学习速率过小会导致收敛速度慢、训练时间长,针对上述问题,提出了自适应学习步长(ALS)技术来确定合适的学习速率,为获得满意的训练速率,对每个权值连接采用独立学习率参数代替全局学习率,根据标志的变化调整步长,
其中u表示学习步骤的增量因子,u>1;d表示学习步骤的减量因子,d<1,表示个体学习率,如果两个连续更新在同一方向上,则步长将增大,相反,当更新方向相反时,步长将减小,避免了因步长不当引起的问题,提高了DBN模型的收敛速度,
在一些实施例中,多变量数据集中不同变量之间存在冗余问题,导致计算复杂度增加,预测精度降低,PCA是一种降低数据集维数的方法,其思想是建立一组新的变量,反映原始变量之间的线性组合,从而捕捉它们之间的关系,通过正交变换可以将n维数据映射到k维数据(k<n),这些新的变量是不相关的,被称为主成分,相比之下,原始变量中的原始信息可以得到最大限度地保留,
假设有样本集Q={q1,q2,...,qk},其均值为0,通过投影得到的新坐标是W={w1,w2,...,wk},wi表示特征值χi的特征向量,它被转换为标准正交基||Wi||2=1,样本点在平面上的投影表示为WTqi,投影后的方差为优化问题定义如下:
maxtr(WTQQTW)s.t.WTW=1 (13)
利用拉格朗日乘子法对式(13)进行处理,得到式(14),
QQTW=χW (14)
由式(14)导出的特征值按χ1≥χ2≥...≥χk排列,方差贡献率和总方差公式如下:
通过降维得到的新坐标Vp=(v1,v2,...,vp)包含特征值的前p个特征向量,这就是主成分分析的解,通常情况下,如果η∑(p)≥85%,新变量将被视为包含原始参考数据的主要信息。
在一些实施例中,如果仅使用历史数据,预测范围通常小于6小时,而利用数值天气预报数据可以减少对历史数据的依赖,从而提高预报水平,数值天气预报的原理是基于特定起始值和边缘值的计算来求解流体力学和热力学***的方程,包括风速、风向、温度、湿度、气压、空气密度和降雨量,利用物理模型对气象资料进行预测,为风功率预测提供依据,
NWP数据对风功率预测的准确性有很大影响,而气象***是一个不稳定的动态***,NWP数据可能与实际数据不一致,由于风功率与风速之间的立方关系,较小的NWP误差可能会导致风功率预测的巨大误差,基于此,根据NWP风速和实际风速,建立了基于DBN模型的风速修正模型,并利用主成分分析法提取了主成分变量,该修正模型具有提高风速数据预测精度的优点,图4为修正模型的流程图。
在一些实施例中,在预测目标风场的风功率时,分析目标风电场与相邻风场的空间相关性并将其考虑在预测中是合理的,此外,当目标风电场的历史数据缺失时,可以使用相邻风电场的数据来辅助目标风电场的预测,且该方法可以通过使用周围观察点的数据来反映地理位置和地形的影响,假设目标风电场的风速序列表示为表示相邻风电场的风速序列,yit表示相邻风电场的风向序列,θi表示风向yit和观测点相对于目标点的角度ith之间的差,空间相关法的流程图如图3所示,相邻风电场和目标风电场的时间差需要求取,假设选定的相邻观测点为b,目标风电场为a,皮尔逊相关系数被用作确定时间差的标准,可表示为:
式中,N为数据个数,va和vbi分别为目标风电场和相邻风电场的风速,ηv越接近1,则风速之间的相关性更高,∑va和∑vbi可表示为:
其中,Δt表示相邻风电场与目标风电场之间的时间差,皮尔逊相关系数随时间延迟的不同而变化,相邻风电场与目标风电场的风速序列相似性最高时,对应的皮尔逊相关系数最大,
作为一种可能的实现方式,基于上述实施内容,分别用主成分分析法提取历史数据变量输入改进的DBN模型,进行风功率预测,将NWP数据输入改进的DBN模型,进行风功率预测,将NWP数据利用主成分分析法提取原始数据的主成分,并添加风速作为改进的DBN模型的输入,得到基于DBN的风速修正模型进行风功率预测,基于空间相关法的风功率预测模型进行风功率预测,提出了一种基于GBRBM-DBN的组合预测方法,将各个风功率预测结果进行加权,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
假设预测模型预测的风功率为P1、P2、P3,…PM,对应的加权因子为β1、β2、β3,…βM,组合预测法预测的风功率表示为:
各预测模型的预测误差分别为ε1、ε2、…、εM,其相应的方差为ζ1、ζ2、…、ζi,i=1,2,…,M,组合加权法的方差公式为:
在满足式(22)的情况下,通过最小化式(21)中的方差来优化确定权重因子,
利用拉格朗日乘子法求方差的最小值,得到组合模型的加权因子,拉格朗日函数表示为:
当(23)中导出的βi和λ的偏导数为零时,可以得到最优的加权因子β1、β2、…、βM,
在一些实施例中,对于传统的静态窗口,基于所提出的风功率预测模型,建立了输入变量与风功率之间的映射关系,该关系随时间变化保持不变,然而,在风功率序列中,某一时刻的值与相邻时刻的值有很大的相关性,与远离该时刻的数据的相关性不是很大,建立模型的数据应该不断更新和改变,在窗口长度一定的情况下,利用最新的数据建立模型,以保证预测结果的准确性,
假设有连续数据集(x1,y1),…,(xt,yt),…,(xL,yL)∈Rn×R,时间t的建模信息可以由时间t之前的一组数据获得,然后,建立随时间移动的训练数据集,其长度保持不变,随着时间的推移,窗口将向前移动,直到到达最后一个时间,当新产生的数据被添加时,相同长度的最老数据被移除,预测模型被不断地用更新的训练数据重新训练,输入变量si(t)和输出数据ri(t)的数据样本(每次使用滑动窗口)如下所示:
si(t)=[xi(t-L),xi(t-L+2),…,xi(t-1)] (24)
ri(t)=[xi(t),xi(t+1),…,xi(t+d-1)] (25)
式中,xi(t)是第i个变量在时间t的值,d为预测范围,假设当前时刻是t,训练集数据从时刻t-L到t-1,长度为L,首先,利用训练数据建立风功率预测模型,对时刻t的风功率进行预测,到下一个时刻t+1,添加新生成的数据样本,删除t-L时刻的数据,建模数据变为从t-L+1到t,长度仍为L,采用滑动窗口策略的预测是一个以窗口长度为单位的动态过程,
作为一种可能的实现方式,基于上述实施内容,如图5所示,本申请的风功率预测方法可以描述为:
步骤1,训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型,
步骤1.1,输入合适的训练集和验证集,
步骤1.2,选择长度为L的滚动数据集,
步骤1.3,确定改进DBN模型的网络结构,
步骤1.4,选取DBN模型的参数,
步骤1.5,训练并建立DBN模型,
步骤2,根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
2.1,用主成分分析法提取历史数据变量输入改进的DBN模型,进行风功率预测,
2.2,将NWP数据输入改进的DBN模型,进行风功率预测,
2.3,将NWP数据利用主成分分析法提取原始数据的主成分,并添加风速作为改进的DBN模型的输入,得到基于DBN的风速修正模型进行风功率预测,
2.4,基于空间相关法的风功率预测模型进行风功率预测,
2.5.将2.1至2.4中的各个风功率预测结果进行加权,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果,
步骤3:判断是否满足预测时间,若是则结束运行,否则执行步骤4,
步骤4:使用滑动窗口,添加新生成的数据并删除最旧的数据,返回执行步骤1.2,
需要说明的是,类型1、2、3、4分别代表春天、夏天、秋天、冬天,根据具体的不同季节不同风速的实际情况应用本方法即可,
以上所述仅是本发明的优选实施方式,应当理解所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围,本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动,而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (1)
1.一种基于改进DBN的风功率组合预测方法,其特征在于,包括以下步骤:
步骤1,训练并建立基于高斯-伯努利受限玻尔兹曼机改进的DBN风功率预测模型,
步骤2,根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果;
所述步骤1包括以下子步骤:
步骤1.1,输入合适的训练集和验证集,
步骤1.2,选择长度为L的滚动数据集,
步骤1.3,确定改进DBN模型的网络结构,
步骤1.4,选取DBN模型的参数,
步骤1.5,训练并建立DBN模型;
所述步骤1.3中确定改进DBN模型的网络结构包括以下内容:
在RBM中加入高斯函数,提出高斯-伯努利受限玻耳兹曼机GBRBM,GBRBM的能量函数表示为:
其中是高斯分布的方差,m是隐藏层中隐藏单元的数量,n是可见层中可见单元的数量,根据能量函数,可见单元与隐藏单元之间的条件概率如下:
其中是高斯函数,其均值为μ,方差为/>改进后的DBN模型由下至上按GBRBM和RBM进行叠加,底层是GBRBM,其余层都是RBM,在模型顶部设置BP网络;
所述步骤1.4中选取DBN模型的参数包括以下内容:
采用自适应学习步长ALS技术来确定DBN模型合适的学习速率,对每个权值连接采用独立学习率参数代替全局学习率,根据标志的变化调整步长,
其中u>1,u表示学习步骤的增量因子,d<1,d表示学习步骤的减量因子,表示个体学习率,如果两个连续更新在同一方向上,则步长将增大;相反,当更新方向相反时,步长将减小;
所述步骤2包括以下内容:
2.1,用主成分分析法提取历史数据变量输入改进的DBN模型,进行风功率预测,
2.2,将NWP数据输入改进的DBN模型,进行风功率预测,
2.3,将NWP数据利用主成分分析法提取原始数据的主成分,并添加风速作为改进的DBN模型的输入,得到基于DBN的风速修正模型进行风功率预测,
2.4,基于空间相关法的风功率预测模型进行风功率预测,
2.5.将2.1至2.4中的各个风功率预测结果进行加权,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果;
还包括以下步骤:
步骤3:判断是否满足预测时间,若是则结束运行,否则执行步骤4,
步骤4:使用滑动窗口,添加新生成的数据并删除最旧的数据,返回执行步骤1.2;
其中,DBN是由RBM和BP网络组成的概率生成模型,输入数据由第一个RBM的可见层接收并传递到隐藏层,上一个RBM的隐藏层对下一个RBM可见,通过对每个隐层进行训练,在当前隐层中提取数据特征后,将信息传播到下一个隐层,最后一个RBM通过反向传播将训练好的数据传输到输出层;
其中,RBM的能量函数表示为:
其中,m和n表示神经元个数,wij为隐层和可见层之间的连接权重,ai和bj分别为可见层和隐层的偏差,vi和hj分别为可见层和隐层的神经元,RBM模型的参数可表示为:
θ=[W,a,b]
可见层和隐层的联合概率分布函数如下所示:
在RBM模型中,当vi=1或hj=1时,可见节点和隐藏节点相互独立,激活概率分布由下式得到:
其中sigmoid()是sigmoid函数,表示为:
通过加入高斯函数,提出了高斯-伯努利受限玻耳兹曼机,GBRBM的能量函数表示为:
其中是高斯分布的方差,m是隐藏层中隐藏单元的数量,n是可见层中可见单元的数量,根据能量函数,可见单元与隐藏单元之间的条件概率如下:
其中是高斯函数,其均值为μ,方差为σi 2,建立GBRBM-DBN模型,GBRBM-DBN模型底层是GBRBM,其余层都是RBM,改进后的DBN模型由下至上按GBRBM和RBM进行叠加,在模型顶部设置BP网络,进一步调整DBN模型的参数;
对每个权值连接采用独立学习率参数代替全局学习率,根据标志的变化调整步长,
其中u表示学习步骤的增量因子,u>1;d表示学习步骤的减量因子,d<1;表示个体学习率,如果两个连续更新在同一方向上,则步长将增大,相反,当更新方向相反时,步长将减小,避免了因步长不当引起的问题,提高了DBN模型的收敛速度;
有样本集Q={q1,q2,...,qk},其均值为0,通过投影得到的新坐标是W={w1,w2,...,wk},wi表示特征值χi的特征向量,它被转换为标准正交基||Wi||2=1,样本点在平面上的投影表示为WTqi,投影后的方差为优化问题定义如下:
maxtr(WTQQTW)s.t.WTW=1
利用拉格朗日乘子法进行处理,得到式:
QQTW=χW
特征值按χ1≥χ2≥...≥χk排列,方差贡献率和总方差公式如下:
通过降维得到的新坐标Vp=(v1,v2,...,vp)包含特征值的前p个特征向量,如果η∑(p)≥85%,新变量将被视为包含原始参考数据的主要信息;
根据NWP风速和实际风速,建立了基于DBN模型的风速修正模型,并利用主成分分析法提取了主成分变量,该修正模型具有提高风速数据预测精度的优点;
当目标风电场的历史数据缺失时,使用相邻风电场的数据来辅助目标风电场的预测,假设目标风电场的风速序列表示为xit表示相邻风电场的风速序列,yit表示相邻风电场的风向序列,θi表示风向yit和观测点相对于目标点的角度ith之间的差,相邻风电场和目标风电场的时间差需要求取,假设选定的相邻观测点为b,目标风电场为a,皮尔逊相关系数被用作确定时间差的标准,表示为:
式中,N为数据个数,va和vbi分别为目标风电场和相邻风电场的风速;ηv越接近1,则风速之间的相关性更高;∑va和∑vbi可表示为:
其中,Δt表示相邻风电场与目标风电场之间的时间差;皮尔逊相关系数随时间延迟的不同而变化;相邻风电场与目标风电场的风速序列相似性最高时,对应的皮尔逊相关系数最大;
用主成分分析法提取历史数据变量输入改进的DBN模型,进行风功率预测,将NWP数据输入改进的DBN模型,进行风功率预测,将NWP数据利用主成分分析法提取原始数据的主成分,并添加风速作为改进的DBN模型的输入,得到基于DBN的风速修正模型进行风功率预测,基于空间相关法的风功率预测模型进行风功率预测,提出了一种基于GBRBM-DBN的组合预测方法,将各个风功率预测结果进行加权,计算各单一方法对应的权重系数,得到组合预测模型的风功率预测结果;
预测模型预测的风功率为P1、P2、P3,...PM,对应的加权因子为β1、β2、β3,...βM,组合预测法预测的风功率表示为:
各预测模型的预测误差分别为ε1、ε2、...、εM,其相应的方差为ζ1、ζ2、...、ζi,i=1,2,…,M,组合加权法的方差公式为:
通过最小化方差来优化确定权重因子;
利用拉格朗日乘子法求方差的最小值,得到组合模型的加权因子;拉格朗日函数表示为:
当βi和λ的偏导数为零时,可以得到最优的加权因子β1、β2、...、βM;
有连续数据集(x1,y1),…,(xt,yt),…,(xL,yL)∈Rn×R,时间t的建模信息可以由时间t之前的一组数据获得,然后,建立随时间移动的训练数据集,其长度保持不变,随着时间的推移,窗口将向前移动,直到到达最后一个时间,当新产生的数据被添加时,相同长度的最老数据被移除,预测模型被不断地用更新的训练数据重新训练,输入变量si(t)和输出数据ri(t)的数据样本,如下所示:
si(t)=[xi(t-L),xi(t-L+2),…,xi(t-1)]
ri(t)=[xi(t),xi(t+1),…,xi(t+d-1)]
式中,xi(t)是第i个变量在时间t的值,d为预测范围,假设当前时刻是t,训练集数据从时刻t-L到t-1,长度为L,首先,利用训练数据建立风功率预测模型,对时刻t的风功率进行预测,到下一个时刻t+1,添加新生成的数据样本,删除t-L时刻的数据,建模数据变为从t-L+1到t,长度仍为L,采用滑动窗口策略的预测是一个以窗口长度为单位的动态过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560940.6A CN113297791B (zh) | 2021-05-18 | 2021-05-18 | 一种基于改进dbn的风功率组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560940.6A CN113297791B (zh) | 2021-05-18 | 2021-05-18 | 一种基于改进dbn的风功率组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297791A CN113297791A (zh) | 2021-08-24 |
CN113297791B true CN113297791B (zh) | 2024-02-06 |
Family
ID=77323908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110560940.6A Active CN113297791B (zh) | 2021-05-18 | 2021-05-18 | 一种基于改进dbn的风功率组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297791B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
CN108776843A (zh) * | 2018-04-12 | 2018-11-09 | 天津大学 | 基于波尔兹曼机的光伏超短期功率预测方法 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
CN110929958A (zh) * | 2019-12-10 | 2020-03-27 | 西安邮电大学 | 基于深度学习参数优化的短时交通流量预测方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
CN111091233A (zh) * | 2019-11-26 | 2020-05-01 | 江苏科技大学 | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 |
CN112001066A (zh) * | 2020-07-30 | 2020-11-27 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
-
2021
- 2021-05-18 CN CN202110560940.6A patent/CN113297791B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
CN108776843A (zh) * | 2018-04-12 | 2018-11-09 | 天津大学 | 基于波尔兹曼机的光伏超短期功率预测方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
CN111091233A (zh) * | 2019-11-26 | 2020-05-01 | 江苏科技大学 | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
CN110929958A (zh) * | 2019-12-10 | 2020-03-27 | 西安邮电大学 | 基于深度学习参数优化的短时交通流量预测方法 |
CN112001066A (zh) * | 2020-07-30 | 2020-11-27 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
Non-Patent Citations (9)
Title |
---|
Deep belief network based k-means cluster approach for short-term wind power forecasting;Kejun Wang等;Energy;840-852 * |
Ultra-Short-Term Wind Power Forecasting Based on Deep Belief Network;Sen Wang等;2019 Chinese Control Conference (CCC);1-5 * |
基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测;解坤;张俊芳;;发电设备(第02期);20-25 * |
基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究;张泽龙;钱勇;刘华兵;;宁夏电力(第06期);5-10+38 * |
基于主成分分析法的风电功率短期组合预测;吴金浩;杨秀媛;孙骏;;电气技术(第07期);56-62 * |
基于深度学习网络的风电场功率短期预测研究;潘志刚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;正文第12页-第58页 * |
基于深度学习网络的风电场功率短期预测研究;潘志刚;刘三明;李莹;朱晓伟;杨阳;;科技与创新(19);4-6 * |
深度学习驱动的电力***暂态稳定预防控制进化算法;苏童;刘友波;沈晓东;刘挺坚;邱高;刘俊勇;;中国电机工程学报(第12期);103-114 * |
组合预测技术在风电中的研究分析;钟宏宇;王超;张旭光;赵家志;赵立峰;任俊明;;电器与能效管理技术(第16期);65-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297791A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN116937579B (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
CN114897129A (zh) | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN114757427A (zh) | 自回归修正的lstm智能风电场超短期功率预测方法 | |
Zou et al. | Deep non-crossing probabilistic wind speed forecasting with multi-scale features | |
Lyu et al. | Dynamic feature selection for solar irradiance forecasting based on deep reinforcement learning | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
Liu et al. | An online transfer learning model for wind turbine power prediction based on spatial feature construction and system-wide update | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
Zhang et al. | A local semi-supervised ensemble learning strategy for the data‐driven soft sensor of the power prediction in wind power generation | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
CN113297791B (zh) | 一种基于改进dbn的风功率组合预测方法 | |
CN116454870A (zh) | 一种区域分布式光伏短期功率预测方法 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
CN114943277A (zh) | 一种综合能源***运行工况识别与运行性能预测方法 | |
Li et al. | GA-SVR traffic flow prediction based on phase space reconstruction with improved KNN method | |
Li et al. | Short-term Photovoltaic Power Forecasting Using SOM-based Regional Modelling Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |