CN113379126A - 基于混合互相关熵长短期记忆网络的风电功率预测方法 - Google Patents
基于混合互相关熵长短期记忆网络的风电功率预测方法 Download PDFInfo
- Publication number
- CN113379126A CN113379126A CN202110656514.2A CN202110656514A CN113379126A CN 113379126 A CN113379126 A CN 113379126A CN 202110656514 A CN202110656514 A CN 202110656514A CN 113379126 A CN113379126 A CN 113379126A
- Authority
- CN
- China
- Prior art keywords
- wind power
- long
- correlation entropy
- memory network
- term memory
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000007787 long-term memory Effects 0.000 title claims abstract description 20
- 230000006403 short-term memory Effects 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于混合互相关熵长短期记忆网络的风电功率预测方法，包括：将原始风电功率序列分解为K个子序列；将K个子序列进行复杂度评估，重构获得M个重构特征序列；对风速、风向余弦值、温度及M个重构特征序列进行归一化；对处理后的M个重构特征序列分别建立基于混合互相关熵长短期记忆网络的预测模型并对其相关参数执行优化，得到M个重构特征序列的预测值；线性叠加M个重构特征序列的预测值，得到风电功率预测结果。能有效提高预测精度，达到高精度、强鲁棒性的目的。
Description
技术领域
本发明属于风电功率预测方法技术领域，涉及一种基于混合互相关熵长短期记忆网络的风电功率预测方法。
背景技术
随着能源革命的推进，可再生能源因其绿色、低碳、无污染特性引起了全球的广泛关注，其中风能因其清洁、分布广泛等特性已经成为了最具有潜力的可替代能源之一。然而，风能具有间歇性、随机性、波动性等固有特性，这严重制约了其利用效率。开发具有高精度、强鲁棒性的预测模型是提高风能利用效率的有效措施之一。然而，实际风电场中受到诸如气象条件、风机工况、数据收集误差等多个方面随机因素的影响使其存在大量的离群值。同时，风能转换为风电的强非线性过程也会改变风电功率分布特性。这两方面因素均会致使风电功率序列不在完全服从高斯分布。因此，开发适用于非高斯特性场景下的风电功率预测技术迫在眉睫且不可或缺。
为此，国内外学者分别提出基于不同损失函数的短期风电功率预测方法。常见的具有强鲁棒性的损失函数有Huber损失、互相关熵(MCC)损失及混合互相关熵(MMCC)损失等。其中，MMCC损失因其更加善于处理核空间中具有复杂特征的数据以及对离群值和噪声均不敏感的特性被广泛应用。同时值得注意的是任何单一方法都有其适用范围。组合预测方法已经成为了当前风电预测领域中的主流模型。组合预测模型主要包括两大类，其一主要是采用多个不同预测方法分别建模预测后加权组合或多目标寻优集成，第二类核心思想就是先通过新兴的数据预处理技术，随后再结合预测技术完成预测。两者均可再与优化算法以及误差后处理等方法组合。但是实际风电场非线性、非平稳特性更加突出，现有预测方法的预测结果精度、鲁棒性较低。
发明内容
本发明的目的是提供一种基于混合互相关熵长短期记忆网络的风电功率预测方法，解决了现有技术中存在的现有预测方法的预测结果精度、鲁棒性较低的问题。
本发明所采用的技术方案是，基于混合互相关熵长短期记忆网络的风电功率预测方法，包括以下步骤：
步骤1、将原始风电功率序列分解为K个子序列；
步骤2、将K个子序列进行复杂度评估，重构获得M个重构特征序列；
步骤3、对风速、风向余弦值、温度及M个重构特征序列进行归一化；
步骤4、对步骤3处理后的M个重构特征序列分别建立基于混合互相关熵长短期记忆网络的预测模型并对其相关参数执行优化，得到M个重构特征序列的预测值；
步骤5、线性叠加M个重构特征序列的预测值，得到风电功率预测结果。
本发明的特点还在于：
步骤1的具体过程为：
基于最大互相关熵准则对变分模态分解方法进行改进，利用改进后的变分模态分解方法将原始风电功率序列分解为K个子序列。
步骤1中基于最大互相关熵准则对变分模态分解方法进行改进的过程为：
步骤A、令分解层数K＝2，其余参数采用默认值并执行分解；
步骤B、将最大互相关熵准则用作参数K的优化准则，根据式(1)计算MCC值；
其中，xi和yi分别表示原始风电功率和子序列求和获得的风电功率，N表示测试集数目；
步骤C、判断MCC值是否满足迭代结束条件，若满足条件，则得到K值，否则执行K＝K+1的循环，直至满足条件。
步骤4包括以下步骤：
步骤4.1、建立基于混合互相关熵长短期记忆网络的预测模型；
步骤4.2、初始化混合互相关熵长短期记忆网络预测模型参数，对预测模型进行参数优化；
步骤4.3、将步骤3处理后的风速、风向余弦值、温度及M个重构特征序列分为训练集和测试集，输入步骤4.2优化后的预测模型，得到M个重构特征序列的预测值。
步骤4.1包括以下步骤：
步骤4.1.1、首先结合式(2)和(3)定义损失函数如式(4)：
上式中，C表示惩罚系数，ξi表示预测误差，
和yi分别表示预测值和真实值，V表示回归层权重，ht表示隐含层输出，bv为偏置，σ1表示核宽度，α为混合系数；
步骤4.1.2、根据梯度下降法得到回归层梯度为：
同理得到隐含层输出ht的梯度：
其中
同理，单元状态ct的梯度为
步骤4.1.3、遗忘门f的权重和偏置为：
输入门i的权重和偏置为：
输出门o的权重和偏置为：
候选单元状态c的权重和偏置为：
步骤4.2中采用粒子群算法对预测模型中核宽度σ1和混合系数α进行优化，并计算每个粒子适应度函数
采用粒子群算法对预测模型中核宽度σ1和混合系数α进行优化的具体过程为：
步骤a、初始化粒子群算法参数；
步骤b、计算每个粒子的适应度值MSE；
步骤c、根据式(10)、式(11)更新粒子位置、速度：
上式中，
表示第i个粒子在第d维对应迭代次数时的速度，k表示当前迭代次数，
表示第i个粒子在第d维第k+1次和k次迭代时的位置，
和
分别表示对应位置个体最优值和全局最优值，r1,r2表示[0 1]之间的相互独立的随机数，c1,c2分别表示个体认知项学习因子和群体信息共享项学习因子，w为惯性权重；
步骤d、重复步骤c直至达到最大迭代次数或收敛，得到个体最优值Pbest和群体最优值gbest，进而得到最优核宽度σ1和混合系数α。
本发明的有益效果是：
本发明的基于混合互相关熵长短期记忆网络的风电功率预测方法，引用MMCC损失替换了传统LSTM网络的均方差损失，MMCC损失能处理核空间中具有复杂特征的数据，并且对离群值和噪声均不敏感，能改善含离群值和非高斯分布时间序列预测时易出现过大的局部误差的情况；引入PSO算法执行参数寻优，避免混合系数及核宽度对MMCC损失的影响；采用MCC准则改进传统的变分模态分解技术，能缓解其需要预设分解层数K的弊端，能进一步平稳化处理强波动性、强非线性的功率序列；应用样本熵(SE)函数评估其子序列复杂度以重构获得新的特征序列，能增强预测效率；结合数据预处理策略和鲁棒的预测器构建IVMD-SE-PMC-LSTM预测方法，能有效抑制离群值的影响并更加适用于复杂时间序列预测；与现存的风电功率预测方法相比鲁棒性更强、预测精度更高。
附图说明
图1是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法的流程；
图2a是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法实施例1月预测结果与其他预测模型的对比图；
图2b是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法实施例的4月预测结果与其他预测模型的对比图；
图2c是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法实施例的7月预测结果与其他预测模型的对比图；
图2d是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法实施例的10月预测结果与其他预测模型的对比图；
图3a是图2a的局部放大图；
图3b是图2b的局部放大图；
图3c是图2c的局部放大图；
图3d是图2d的局部放大图；
图4a是实施例中基于不同分解策略组合预测方法的1月预测结果比较图；
图4b是实施例中基于混合互相关熵长短期记忆网络的风电功率预测方法实施例中基于不同分解策略组合预测方法的4月预测结果比较图；
图4c是实施例中基于混合互相关熵长短期记忆网络的风电功率预测方法实施例中基于不同分解策略组合预测方法的7月预测结果比较图；
图4d是实施例中基于混合互相关熵长短期记忆网络的风电功率预测方法实施例中基于不同分解策略组合预测方法的10月预测结果比较图；
图5a是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法与现有方法1月预测结果对比图；
图5b是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法与现有方法4月预测结果对比图；
图5c是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法与现有方法7月预测结果对比图；
图5d是本发明基于混合互相关熵长短期记忆网络的风电功率预测方法与现有方法10月预测结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
基于混合互相关熵长短期记忆网络的风电功率预测方法，包括以下步骤：
步骤1、将原始风电功率序列分解为K个子序列；
具体的，基于最大互相关熵准则对变分模态分解方法(VMD)中分解层数K进行改进，利用改进后的变分模态分解方法将原始风电功率序列分解为K个子序列；具体改进过程如下：
步骤A、初始化变分模态分解方法的参数，令分解层数K＝2，其余参数采用默认值并执行分解；
步骤B、将最大互相关熵准则(MCC)用作参数K的优化准则，根据式(1)计算MCC值；
其中，xi和yi分别表示原始风电功率和子序列求和获得的风电功率，N表示测试集数目；
步骤C、判断MCC值是否满足迭代结束条件，若满足条件，则得到K值，否则执行K＝K+1的循环，直至满足迭代结束条件。
步骤2、应用样本熵函数对K个子序列进行复杂度评估，重构获得M个重构特征序列；
步骤3、对风速、风向余弦值、温度及M个重构特征序列进行归一化；
步骤4、对步骤3处理后的M个重构特征序列分别建立基于混合互相关熵长短期记忆网络的预测模型并对其相关参数执行优化，得到M个重构特征序列的预测值；
步骤4.1、建立基于混合互相关熵长短期记忆网络的预测模型；
步骤4.1.1、首先结合式(2)和(3)定义损失函数如式(4)：
上式中，C表示惩罚系数，ξi表示预测误差，
和yi分别表示预测值和真实值，V表示回归层权重，ht表示隐含层输出，bv为偏置，σ1表示核宽度，α为混合系数；
步骤4.1.2、根据梯度下降法得到回归层梯度为：
同理得到隐含层输出ht的梯度：
其中
同理，单元状态ct的梯度为
步骤4.1.3、遗忘门f的权重、偏置为：
输入门i的权重、偏置为：
输出门o的权重、偏置为：
候选单元状态c的权重、偏置为：
通过上述分析，可以看出混合互相关熵长短期记忆网络预测器不仅可以有效抑制离群值和非高斯分布的影响并且结构更加灵活，而且能够处理更加复杂的数据。同时可以看出其性能受参数核宽度σ1和混合系数α的影响。
步骤4.2、初始化混合互相关熵长短期记忆网络预测模型参数，采用粒子群算法对核宽度σ1和混合系数α进行优化，并计算每个粒子适应度函数
采用粒子群算法对核宽度σ1和混合系数α进行优化的过程如下：
步骤a、初始化粒子群算法参数；
步骤b、计算每个粒子的适应度值MSE；
步骤c、根据式(10)、式(11)更新粒子位置、速度：
上式中，
表示第i个粒子在第d维对应迭代次数时的速度，k表示当前迭代次数，
表示第i个粒子在第d维第k+1次和k次迭代时的位置，
和
分别表示对应位置个体最优值和全局最优值，r1,r2表示[0 1]之间的相互独立的随机数，c1,c2分别表示个体认知项学习因子和群体信息共享项学习因子，w为惯性权重；
步骤d、重复步骤c直至达到最大迭代次数或收敛极限，得到个体最优值Pbest和群体最优值gbest，进而得到最优核宽度σ1和混合系数α。
步骤4.3、将步骤3处理后的风速、风向余弦值、温度及M个重构特征序列分为训练集和测试集，输入步骤4.2优化后的预测模型，得到M个重构特征序列的预测值。
步骤5、线性叠加M个重构特征序列的预测值，得到风电功率预测结果。
通过以上方式，本发明的基于混合互相关熵长短期记忆网络的风电功率预测方法，采用MCC准则改进的变分模态分解技术能对原始风电功率序列进行平稳化处理；采用样本熵函数重构分解获得的新的特征序列，能提高预测效率；用粒子群算法为混合互相关熵长短期记忆网络预测器确定了最佳混合系数和核宽度，构建PMC-LSTM模型预测各个新的特征序列，最后叠加获得预测结果，与LSTM单独预测相比，能有效提高预测精度，达到高精度、强鲁棒性的目的；有效避免了预测结果中局部预测误差过大情况的出现；符合国家电网公司标准，应用于电力***风电功率预测，能有效减少风电并网对***冲击的现象，具有非常重要的理论意义与工程应用价值。
实施例
考虑到风电功率序列波动性强且受季节因素的影响。在实施案例中，分别收集了某地示范性分散式风电场春夏秋冬四个季节典型月(1月、4月、7月、10月)时间间隔为5分钟的相关数据。
步骤1，以10月数据为例将原始风电功率序列自适应分解为16个子序列；
步骤2，采用样本熵函数将16个子序列重构为4个新的特征序列；
步骤3，将风速、新的特征功率序列、温度和风向余弦值进行归一化；
步骤4，对4个新的特征序列分别构建PMC-LSTM预测模型，获得4个重构序列预测值，其相关参数在表1给出；
表1 10月数据相关参数设置
步骤5，线性叠加4个重构序列预测值获得最终预测结果。同理可获得其它几个典型月的预测结果如图2a-d所示。
最后通过定量分析将其预测结果呈现在表2中。
表2 IVMD-SE-PMC-LSTM预测结果
从表2和图2a-d、图3a-d仿真结果可以观测到：1)与传统的LSTM预测器相比，PMC-LSTM预测器性能更优，但仍然存在迟滞特性，通过结合数据预处理技术所开发的预测方法可以有效弱化迟滞特性从而提高预测精度，同时预测能力更加优异；2)本发明的预测方法在不同测试数据集中都呈现出了相对优异的性能，表明该方法鲁棒性更加优异。
同时，通过图4a-d结果可以看出，IVMD-SE数据预处理策略性能优于其它比较分解策略；图5a-d结果与现存方法相比，本发明所提方法预测精度最高、鲁棒性更强。
Claims (7)
1.基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，包括以下步骤：
步骤1、将原始风电功率序列分解为K个子序列；
步骤2、将K个所述子序列进行复杂度评估，重构获得M个重构特征序列；
步骤3、对风速、风向余弦值、温度及M个所述重构特征序列进行归一化；
步骤4、对步骤3处理后的M个所述重构特征序列分别建立基于混合互相关熵长短期记忆网络的预测模型并对其相关参数执行优化，得到M个重构特征序列的预测值；
步骤5、线性叠加M个所述重构特征序列的预测值，得到风电功率预测结果。
2.根据权利要求1所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，步骤1的具体过程为：
基于最大互相关熵准则对变分模态分解方法进行改进，利用改进后的变分模态分解方法将原始风电功率序列分解为K个子序列。
3.根据权利要求2所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，步骤1中基于最大互相关熵准则对变分模态分解方法进行改进的过程为：
步骤A、令分解层数K＝2，其余参数采用默认值并执行分解；
步骤B、将最大互相关熵准则用作参数K的优化准则，根据式(1)计算MCC值；
其中，xi和yi分别表示原始风电功率和子序列求和获得的风电功率，N表示测试集数目；
步骤C、判断所述MCC值是否满足迭代结束条件，若满足条件，则得到K值，否则执行K＝K+1的循环，直至满足条件。
4.根据权利要求1所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，步骤4包括以下步骤：
步骤4.1、建立基于混合互相关熵长短期记忆网络的预测模型；
步骤4.2、初始化混合互相关熵长短期记忆网络预测模型参数，对所述预测模型进行参数优化；
步骤4.3、将步骤3处理后的风速、风向余弦值、温度及M个所述重构特征序列分为训练集和测试集，输入步骤4.2优化后的预测模型，得到M个重构特征序列的预测值。
5.根据权利要求4所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，步骤4.1包括以下步骤：
步骤4.1.1、首先结合式(2)和(3)定义损失函数如式(4)：
s.t.Vht+bv-yi＝ζi,i＝1,2,...,N
上式中，C表示惩罚系数，ξi表示预测误差，
和yi分别表示预测值和真实值，V表示回归层权重，ht表示隐含层输出，bv为偏置，σ1表示核宽度，α为混合系数；
步骤4.1.2、根据梯度下降法得到回归层梯度为：
同理得到隐含层输出ht的梯度：
其中
同理，单元状态ct的梯度为
步骤4.1.3、遗忘门f的权重和偏置为：
输入门i的权重和偏置为：
输出门o的权重和偏置为：
候选单元状态c的权重和偏置为：
6.根据权利要求5所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，步骤4.2中采用粒子群算法对所述预测模型中核宽度σ1和混合系数α进行优化，并计算每个粒子适应度函数
。
7.根据权利要求6所述的基于混合互相关熵长短期记忆网络的风电功率预测方法，其特征在于，采用粒子群算法对所述预测模型中核宽度σ1和混合系数α进行优化的具体过程为：
步骤a、初始化粒子群算法参数；
步骤b、计算每个粒子的适应度值MSE；
步骤c、根据式(10)、式(11)更新粒子位置、速度：
上式中，
表示第i个粒子在第d维对应迭代次数时的速度，k表示当前迭代次数，
表示第i个粒子在第d维第k+1次和k次迭代时的位置，
和
分别表示对应位置个体最优值和全局最优值，r1,r2表示[0 1]之间的相互独立的随机数，c1,c2分别表示个体认知项学习因子和群体信息共享项学习因子，w为惯性权重；
步骤d、重复步骤c直至达到最大迭代次数或收敛，得到个体最优值Pbest和群体最优值gbest，进而得到最优核宽度σ1和混合系数α。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656514.2A CN113379126A (zh) | 2021-06-11 | 2021-06-11 | 基于混合互相关熵长短期记忆网络的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656514.2A CN113379126A (zh) | 2021-06-11 | 2021-06-11 | 基于混合互相关熵长短期记忆网络的风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379126A true CN113379126A (zh) | 2021-09-10 |
Family
ID=77574219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110656514.2A Pending CN113379126A (zh) | 2021-06-11 | 2021-06-11 | 基于混合互相关熵长短期记忆网络的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379126A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169252A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种动态选择代表风电场的短期区域风电功率预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
| CN112446506A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 一种基于最大混合互相关熵准则的鲁棒核学习方法 |
-
2021
- 2021-06-11 CN CN202110656514.2A patent/CN113379126A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
| CN112446506A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 一种基于最大混合互相关熵准则的鲁棒核学习方法 |
Non-Patent Citations (2)
| Title |
|---|
| DUAN JIANDONG: "Short-term Wind Power Forecasting Using the Hybrid Model of Improved Variational Mode Decomposition and Correntropy Long Short -Term Memory neural network", 《ENERGY 2021》 * |
| YIDAN WANG: "A robust classification framework with mixture correntropy", 《INFORMATION SCIENCES》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169252A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种动态选择代表风电场的短期区域风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111600300B (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
| CN112669168B (zh) | 一种风电功率短期预测方法 | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测*** | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及*** | |
| CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| CN113379126A (zh) | 基于混合互相关熵长短期记忆网络的风电功率预测方法 | |
| CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
| CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
| CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
| CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
| CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
| CN112417768B (zh) | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 | |
| Jin et al. | A hybrid prediction framework based on deep learning for wind power | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 |
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 |