没有合适的资源?快使用搜索试试~ 我知道了~
能源与人工智能10(2022)100199基于TCN混合模型的风电功率预测残差修正朱娇娇a,苏连成a,*,李英伟ba燕山大学电气工程学院,河北秦皇岛066004b燕山大学信息科学与工程学院,河北秦皇岛066004H I G H L I G H T S G R A P H I C A LA B标准• 提出了一种基于完全集合经验模式分解的短期风电功率位置与自适应噪声,支持向量回归机,和时间卷积网络。• 分解算法增强了原始信息• 网格搜索和交叉验证算法提高了预测模型• 时间卷积网络融合历史信息,挖掘变量之间的潜在关系,表和功率残差。• TCN模型修正功率预测残差以提高预测精度。A R T I C L EI N FO保留字:风电预测混合模型时域卷积网络残差修正A B标准风能已被广泛利用,以缓解化石资源的短缺。当风电大规模接入电网时,由于风速的波动性和间歇性,对电网的稳定性造成了严重的危害。准确的风电功率预测有助于制定良好的风电场运营策略。为了提高风电功率预测的精度,提出了一种基于新混合模型的短期风电功率预测方法。该方法首先利用自适应噪声的完全集成经验模态分解方法分离风电功率时间序列,得到多个分量,然后利用网格搜索交叉验证(GridSearchCV)算法优化的支持向量回归机模型对多个分量进行预测。其次,构建了基于时间卷积网络的残差修正模型,选取相关性强的变量作为模型的输入特征,对风电功率残差进行预测。最后,利用该风电场的实际风电功率数据将该方法的预测精度与其他模型进行比较,验证了该方法的有效性,结果表明该方法具有更好的预测性能。© 2017 Elsevier Inc.All rights reserved.* 通讯作者。电子邮件地址:lcsu@ysu.edu.cn(L.Su)。https://doi.org/10.1016/j.egyai.2022.1001992022年9月5日网上发售2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章,获得了CC BY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表能源与AI期刊主页:www.sciencedirect.com/journal/energy-and-aiJ. Zhu等人能源与人工智能10(2022)10019921. 介绍风能作为化石能源的一种有前途的替代能源,在世界范围内受到了广泛的关注。而风力发电具有很高的随机性和有限的可预测性,这使得它很难与电力系统相结合。准确的风电功率预测是维护电网安全的有力工具.目前,国内外都在进行大量的研究以提高风电功率预测的性能。根据文献,有两种类型的风功率预测方法[1]。一种方法是首先预测风速,然后使用风速功率曲线预测该风速下的风功率。第二种策略是根据历史风电数据进行预测。根据预测对象的不同分为风电场风电功率预测模型和风电机组风电功率预测模型,根据预测类型的不同分为确定性预测模型和概率性预测模型。风电功率预测模型可分为超短期预测(提前几秒至30分钟)、短期预测(提前30分钟至6小时)、中期预测(提前6小时至1天)和长期预测(提前1天至1周或更(提前)根据到的长度的时间[2风力发电的超短期预测通常用于主动风力涡轮机的功率控制和实时负载跟踪,这需要高预测精度。电力系统采用短期预测进行经济调度和能量储备规划。中期预测用于能源交易和电力系统管理,而长期预测为风电场的维护规划和运营管理提供最佳指导。风电功率预测模型可以根据不同的建模理论分为四种类型:物理模型,统计模型,基于人工智能方法的模型和混合模型[5,6]。物理模型,如数值天气预报(NWP)、天气研究预报(WRF)等,通过考虑各种气象要素(如温度、湿度和气压)来预测风力[7]。统计模型,如自回归移动平均、汉默斯坦自回归等,是用于描述不同地点风电功率线性波动的时间序列模型,在超短期和短期风电功率预测中具有较高的预测精度。支持向量机、长短期记忆网络、人工神经网络和其他基于人工智能的模型擅长处理复杂的非线性问题。参考文献[8]提出了一种基于多变量时间序列图卷积自编码器的风力涡轮机异常检测框架。该方法考虑了多个信号之间的非线性关系,提高了异常检测的准确性,并定义了全局和局部健康指标,实现了风力发电机组的异常检测。文献[9]提出了一种基于自编码器的风力发电机组异常原因分析方法。的异常根本原因分析(ARCANA)方法用于突出对故障具有显著贡献的特征的数量,从而确定风力涡轮机的异常的原因。通过对两个海上风力发电机组的分析,证明了ARCANA方法的有效性。许多研究表明,基于人工智能的模型在风电功率预测中优于传统的统计模型。参考文献[10]通过近五年来发表的基于深度学习的风能预测研究表明,最常用的模型结构是混合模型。诸如EMD-VMD-CNN-LSTM模型[11]、DWT-SARIMA-LSTM模型[12]等的混合模型通过组合各种类型的模型[13]来预测风力。在基于叠加的混合模型中,每个基本模型的权重使用基于权重的混合模型中的智能优化算法计算。混合模型由于其较高的预测精度,近年来在风电功率预测中得到了广泛的应用基于混合模型的风电功率预测方法的研究主要集中在数据预处理、模型建立、模型优化和残差预测建模[15]。在其他数据预处理方法中,数据分解方法经常与单个模型结合使用以建立混合模型。在风电功率预测领域,通常使用小波分解(WD)、经验小波变换(EWT)、经验模式分解(EMD)、集合经验模式分解(EEMD)和其他分解算法[16]。然而,大量研究表明,WD和EWT的分解效果取决于基函数和阈值的选择,并且EMD和EEMD算法具有端点效应[17]。自适应噪声的完全集成经验模式分解(CEEM-DAN)算法克服了EMD和EEMD的端部效应问题,广泛应用于风电功率预测领域[18]。文献[19]提出了一种基于EPT-CEEMDAN-TCN模型的风速预测方法,该方法将集成分片变换算法与CEEMDAN算法相结合,的 风速和 然后用 时间卷积网络(TCN)模型来预测风速。文献[20]提出了一种基于自适应鲁棒极值学习机模型和信号分解算法的风速预测系统,并将CEEMDAN算法引入到风速预测模型中,降低了预测难度。大量研究表明,将CEEMDAN算法与单个模型相结合,可以提高模型基 于 人 工 智 能 方 法 的 支 持 向 量 机 ( SVM ) 和 支 持 向 量 回 归(SVR)在解决涉及非线性、小样本和局部极小值的问题方面具有明显的优势[21]。为了预测风电出力,文献[22]提出了一种WD算法、SVM模型和改进的原子搜索算法相结合的混合预测模型。在预测过程中,利用WD算法将原始风电功率数据分解为多个不同频率的细节序列,提取重要的风电功率特征,以减小数据波动带来的预测误差参考文献[23]提出了一种基于jaya算法的支持向量机文献[24]提出的EEMD-Tent-SSA-LS-SVM模型利用EEMD算法对数据进行分解,利用LS-SVM模型对风速序列进行根据研究结果,该方法提高了预测精度。文献[25]将人工神经网络和支持向量回归模型相结合,对不同时段的风电功率进行预测,提高了单一模型的预测性能。参考文献[26]使用SVR预测短期风力发电模型采用改进的布谷鸟搜索算法进行优化该方法显著提高了预测精度和输出结果的稳定性。在前人研究的基础上,本文提出的支持向量回归模型在风电场功率预测中表现出了良好的性能。本文选择支持向量回归作为风电功率预测模型,并采用网格搜索算法对其超参数进行优化随着风速波动的增大,模型的预测残差增大。短期风电功率预测残差较大,将对电力系统的经济性产生重大影响可以被划分成基于叠加我的真实模型和调度,这将影响系统根据文献[14],基于权重的混合模型。一个基本模型的输出被用作另一个基本模型的特征输入。操作文献[1]提出了一种基于RNN的风速预报残差修正方法[27]第10段。订正风的预报误差J. Zhu等人能源与人工智能10(2022)1001993()下一页M()下一页()下一页M∑【详细】()下一页Power,参考文献[28]提出了一种基于Bi-LSTM神经网络的残差校正模型。文献[29]采用变分模式分解自回归积分滑动平均法对elman神经网络预测的风速残差进行预测。在文献[30]中,首先利用ICEEMDAN算法对转换后的风向角数据进行分解,然后利用LSTM-RNN对风向进行预测,并建立ARIMA模型对预测误差进行修正。结果表明,该方法具有较高的精度,预测短期机舱方位的准确性。 参考文献[三十一]解决了端部效应产生错误分量的问题[33,34]。CEEMDAN算法的原理和具体步骤如下:步骤1:将白噪声添加到原始信号以获得信号x i 不并对其进行EMD分解,然后对分解后的分量取平均值,得到第一IMF分量IIMF1:xi(t)=x(t)+wi(t)( 1)IIMF1=1∑IIMF1i( 2)M提出了一种风电功率区间预测算法,上下界估计和深度残差网络。再-、i=1结果表明,短期风电功率的区间预测误差随着预测范围的扩大而增大,与其他方法相比,该方法具有最佳的预测效果.研究表明,TCN在时间序列预测方面优于RNN和LSTM等时间序列预测模型。因此,本文采用TCN对风电预测残差进行修正。基于上述分析结果,本文建立了基于完全集合经验的短期风电功率预测模型 模式 分解 与 自适应 噪音, 支持向量回归, 和 时间 卷积 网络 通过 组合的数据的r1(t)=x(t)-IMF1( 3)其中x(t)为原始信号,wi(t)为满足N(0.1)分布的高斯白噪声,IIMF1,i为分解得到的IMF分量,r1t为残差分量。步骤2、对残差分量加入白噪声,得到新的残差分量ri1t,并对其进行EMD分解,得到第二IMF分量IIMF2:ri1(t)=r(t)+wi(t)( 4)I国际货币基金组织21∑IIMF2i( 5)分解技术、模型优化算法和残差修正法对未来1小时的风电功率进行预测的=m,i=1主要贡献如下:(1) 引入CEEMDAN将原始风电功率序列分解为本征模态函数(IMF)和残差序列,利用SVR模型对每个子序列进行预测,并结合多个模型评价指标选择CEEMDAN分解数和SVR滞后步长的最佳组合。采用CEEMDAN方法改善了原始风电功率序列信息的提取效果,提高了模型(2) 采用GridSearchCV算法为支持向量回归模型寻找最佳超参数,避免了过拟合,提高了模型(3) TCN模型用于修正初始预测残差,风速、风向、环境温度和历史预测残差作为TCN模型的输入。TCN结合当前和历史特征,挖掘变量之间的潜在关系,实现功率残差预测,提高了短期风电功率预测的准确性。(4) 基于所提出的模型和比较模型对某风电场的风电功率进行了预测,并比较了各模型的预测精度,证明了CEEMDAN-SVR-TCN模型的优越性。2. 方法2.1. 风电功率时间序列分解算法EMD是黄鄂在1998年提出的一种信号分析方法,第三步:重复上述步骤,直到残留成分不能通过EMD分解,然后可以获得IIMF1、IIMF2、IIMFK和残差分量rK(t)结果如下:Kxt=IIMFj+rK(t)( 6)j=12.2. SVR的基本原理SVM是由VAPNIK教授在20世纪90年代提出的[35]它是一种处理小样本数据的方法,以统计学习理论为基础,采用结构风险最小化原则,避免了对样本数据量的高度依赖[36]。它在模式识别、回归估计和概率密度函数估计中有着广泛的应用。支持向量回归机是支持向量机在回归函数拟合领域的应用,是支持向量机的一种扩展.在求解非线性问题时,支持向量回归机通过核函数将数据样本从低维特征空间映射到高维特征空间,从而得到最优回归函数。假设x i,y i,i一,二,n是给定的非线性其中,xi是第i个训练样本的输入变量,yi是第i个训练样本对应的输出值。高维空间中的线性函数如等式所示。(七)、f(xi)=wT(xi)+b( 7)其中,w是权重向量,b是偏置值,并且xi是非线性映射函数。是引入的松弛变量,然后模型可以是数学上表示为一个凸优化问题,w和b,如等式中所示。( 八)、平滑非线性非平稳信号,它可以将复杂的非线性时间序列分解为有限个IMF和一个残差min1个w2+C∑(i+i)s. t.⎧⎨yi-w <$(xi)-b≤ε+<$i-yi+w <$(xi)+b≤ε+<$i(八)组件[32]。EEMD算法是一种改进的2EMD,将正高斯白噪声和负高斯白噪声对添加到L∗J. Zhu等人能源与人工智能10(2022)1001994i=1i=1,2,. L该算法在分解原始信号时,为了减轻模态混叠问题,采用了一种新的模态分解算法,但该算法分解出的IMF中会含有白噪声。TORRES等人提出了CEEMDAN算法,不仅缓解了模态混叠和白噪声产生的问题,而且减少了训练次数其中C是惩罚因子,ε是不灵敏度。为了求解上述方程,将上述优化问题转换为对偶问题并求解,并且在方程中示出了转换。(九)、J. Zhu等人能源与人工智能10(2022)1001995LLLL=[][]∑L∑.)我我2σFig. 1. 因果卷积结构。超参数,并选择具有最高得分的超参数组合作为模型的最优参数2.4. TCN的基本原理TCN是在一维神经网络的基础上改进而成的一种新型神经网络卷积神经网络这种的 神经网络不仅保留了强大的特征提取能力mx[1∑∑α α . αα)K.xx) ∑α α ε ∑α αy]传统的卷积神经网络,也是非常有效的,-两个S. t.⎧⎪⎨∑i=1j= 1(αi-(i)αi =(i)0j-ji,j-i=1 (i+(i)+i=1 (i)i)i时间序列的处理和分析。 目前,许多研究表明TCN在许多领域都优于LSTM网络,例如交通估计、语音识别、机器翻译和人体运动识别[38]。 然而,TCN在风I1⎪⎩0≤α≤C, 0≤α∗≤C功率预测相对有限。EX研究主要集中在(九其中αi和αi是拉格朗日乘子,K(xi,xj)=<$(xi)<$(xj)是核函数。在本文中,高斯核函数(RBF)的选择,并表示在方程。(10).K.xi,xj)=(n(xi)n.xj))=exp(-1<$xi-xj<$2)(10)风力发电的预测残差。 输入变量为SCADA与残差相关性强的状态参数和历史残差的时间序列,输出为未来一小时的风电功率TCN有两个突出的特点:(1) 卷积是因果关系的,这意味着在某个特定的输出其中,i、j可以选自1、 2、.设最优解为α α1,α2,则w,b表示如下。Lw=(αi-αi)(xi)(11)i=1时刻只与当前时刻和历史输入有关,与未来输入无关(2) 该架构可以像RNN一样将任意长度的时间序列映射到相同长度的为了满足第一个特征,TCN的第一层是一维全卷积网络,其中每个中间层都与输入层大小相同,然后对其进行零填充,使得1{∑l [∑.)的情况下]下一层输出的维度与下一层输出的维度相同。b=Nnsvi=1我-xi∈sv (αi-αiε)K xi,xj-ε(十二)上一层输入的维度以满足第二属性,TCN仅卷积当前时刻的输入,∑[yα αK.xx)ε]}历史时间。为了获得长时间有效的历史数据大小+0αiCi-(i-i)i,j+需要大的过滤器或极深的结构,这导致巨大的计算量因此,使用扩张卷积其中Nnsv是支持向量的数量。然后,SVR回归方程显示在Eq. (十三)、如果参数如果αi-αi≠ 0,则问题中的支持向量为xi。Lf(xi)=w(xi)+b=(αi-αi)K xi,xj+b(13)i=12.3. GridSearchCV算法风电功率数据不仅包含自身的特征,还可能包含其他噪声,这将导致在模型训练过程中学习其他细节特征,从而产生过拟合现象。针对这一问题,在SVR模型训练过程中,采用GridSearchCV方法自动调整超参数,寻找最佳超参数组合GridSearchCV的思想是在指定的范围内根据步长调整参数,在训练集上训练模型来预测测试集。通过对所有超参数组合进行测试,选择测试集上预测精度最高的参数作为模型的最佳超参数。交叉验证是一种用于评估机器学习模型技能的统计方法,其主要目的是评估模型对未知数据的泛化能力[37]。这个过程有一个参数CV,当CV被设置为k时,这意味着给定的数据集被分成k个组以找到最优的超参数。k组数据集中的一组作为测试集,不重复,其余组作为训练集,最后在每个测试集上计算得分。k个得分的平均值是该组的最终得分,L风力涡轮机的故障检测、电能质量扰动分类和负荷预测[39]。本文利用TCN模型进行预测J. Zhu等人能源与人工智能10(2022)1001996∑在TCN。TCN由因果卷积、扩张卷积和剩余连接三部分组成。(1) 因果卷积因果卷积神经网络是在卷积神经网络的基础上发展起来的一种特殊的一维卷积网络。 因果卷积网络的结构如图所示。 二、 根据图1、时间t的卷积输出仅取决于时间t和时间t之前的输入,与时间t之后的输入无关,而标准卷积网络考虑的是当前和历史时刻以及未来时刻的输入。由于因果卷积是一种单向结构,时间序列是严格保证的,这种特殊的结构特别适合于时间序列数据的处理 定义见Eq.(十四)、假设滤波器为F=(f1,f2,f3,K(F<$X)(xt)=fk xt-K+k(14)k=1(2) 扩张卷积随着卷积神经网络复杂度的增加和对更高精度的要求,卷积神经网络的结构也越来越深,这使得模型的计算复杂度更大。由于大量的J. Zhu等人能源与人工智能10(2022)1001997-图二. 扩张卷积结构。图三. 剩余模块结构。网络层,深度模型将面临梯度消失的问题,网络性能将急剧下降,甚至达到饱和[40]。为了在长时间序列上使用因果卷积网络,TCN使用扩张卷积来实现指数感受野。扩张卷积网络的结构如图所示。二、它在卷积核中增加了一些权值,以保持输入数据不变,从而增加了网络所观测到的时间序列的大小,而计算量基本保持扩张卷积的定义在等式中示出。(15)[41]。(3) 残差连接利用残差连接网络解决卷积神经网络在层数较深时性能下降的问题。在TCN模型的构建过程中,因果卷积网络和扩张卷积网络的叠加逐渐加深了神经网络的层数。为了避免模型训练过程中梯度衰减或梯度消失的问题,在TCN的输出层中引入了残差连接[42],残差块的引入使数据信息能够跨层传播[43]。在模型构建期间执行由多个扩张因果卷积组成的整个残差模块,并且TCN残差块结构如图所示。3.第三章。剩余模块包含一个分支,该分支通向一系列变换F,其输出被添加到块[44]的输入X,如等式(1)所示。(十六)、o=活化(X+F(X))( 16)2.5. 灰色关联系数在进行风电功率残差预测时,需要对影响风电功率预测残差的因素进行相关性分析。本文采用灰色关联系数作为衡量各变量与风电功率预测残差相关性的指标。灰色关联度是根据序列曲线变化趋势的相似性来确定序列之间关联的强弱,它直接反映了各变量对目标变量的影响程度。两条层序曲线越平行,相关性越大。灰色关联度系数的表达式如式(1)所示。(17)[45]。闵闵|x0(k)-x i(k)|+ ρmaxmax|x0(k)-x i(k)|K-1i(k)=i k i k(十七)F(s)=(xdf)(s)=i=0时f(i)xs-di(15)|+B|+ b其中x0(k)是父序列,xi(k)是子序列,并且xii(k)是子序列。其中d是膨胀率,以2为指数增长,k是滤波器的大小,sdi是过去的方向。扩张卷积等价于在每两个相邻的滤波器之间引入一个固定步长。当d为1时,扩张卷积等价于普通卷积的状态.使用扩张卷积可以使输出受到更多节点的影响,因此它在处理长时间序列时具有更好的性能是每个子序列与父序列之间的相关系数。灰度相关系数从0到1变化,两个序列之间的相关性逐渐增大。2.6. CEEMDAN-SVR-TCN方法风力发电受地理环境、气象条件、风机运行状况、发电基地风特性其中以见图4。 短期风电功率预测框图。∑J. Zhu等人能源与人工智能10(2022)1001998图五. CEEMDAN-SVR-TCN模型风电功率预测流程图。图六、基于CE E M D A N -S V R 模 型 的风电功率预测流 程 图 。风特性是主要的影响因素,其随时间的变化也非常强烈。它受纬度、地形、温度、海拔等多种因素的影响。 由于复杂性以及影响风力发电的因素的多变性,以单一的历史风电功率作为输入变量的单一基本模型的预测效果往往难以达到预期。在初始预测中,本文首先采用分解策略对风电功率进行预处理,并在初始预测的基础上建立残差预测模型,结合影响风特性的因素对残差进行修正。基于TCN残差修正的短期风电功率预测框图如图所示。 四、初始预测阶段:首先对数据进行预处理,去除异常数据。其次,CEEMDAN算法被用来分解成多个子序列的风功率。最后,建立初始预测模型,采用网格搜索和交叉验证算法搜索支持向量回归模型的超参数,选择支持向量回归机输入滞后步长和CEEMDAN分解次数的最优组合。残留改性阶段:将功率预测残差与风场特征变量进行灰色关联分析,选择与功率预测残差相关性强的变量作为残差修正模型的输入。时域卷积网络可以结合历史信息挖掘影响风特性的因素与功率预测残差之间的潜在关系,提高初始预测精度。图图5描述了使用CEEMDAN-SVR-TCN模型进行短期风电功率预测的过程。具体步骤如下:(1) 预处理:对原始SCADA数据进行数据预处理,将停机数据、空数据、故障数据、限电数据全部剔除。(2) CEEMDAN方法被用来提取风电功率时间序列的信息,它被分解成多个本征模式函数和一个剩余序列。(3) 模型选择:利用MAE、RMSE、MSE、SSE四个评价指标,选择CEEMDAN-SVR模型中SVR输入滞后步长和CEEMDAN分解数(4) 残差预测模型输入参数选择:利用TCN预测残差时,根据预测残差与SCADA数据中影响风电的因素,如风速、风向、发电机转速、叶片编码器值、环境温度、转矩设定值等状态参数之间的灰关联系数大小,选择模型输入。(5) 风电功率预测:CEEMDAN-SVR模型风电功率预测结果与TCN残差预测结果之和在构建TCN残差修正模型时,本文采用了4层TCN网络,即4个残差模块。膨胀率分别为1、2、4和8,滤波器数量设置为5,卷积核大小为4,训练批次为28,迭代次数为150。所有型号都运行在型号为英特尔(R)酷睿(TM)i5- 4210 U CPU@1.70 GHz 2.39 GHz的CPU上。3. 模型评价指标由于直接比较无法定量描述模型的预测效果,为了更准确地评价模型的预测精度,本文采用了能反映模型预测值与实际值之间残差的平方误差和(SSE)、均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE),作为模型的评价指标,公式如下:J. Zhu等人能源与人工智能10(2022)1001999∑̃ni=1̃n(i-i)nSSE=(yi-yi)2(18)i=1MSE1∑nyy2(十九)=ni=1n(i-i)MAE=1∑|是的,是的,|(二十)RMSE1i=1(二十一)见图7。 风电时间序列的CEEMDAN分解结果。其中yi和yi分别表示样本的真值和预测值[46]。SSE的大小表示模型拟合的程度,SSE是预测值和真实值之间差异程度的度量,MAE表示见图8。 具有2个滞后步骤和2个分量的SVR预测结果。=J. Zhu等人能源与人工智能10(2022)10019910见图9。 具有2个滞后步骤和6个分量的SVR预测结果。J. Zhu等人能源与人工智能10(2022)10019911图10个。 SVR预测结果具有9个滞后步骤和2个 分量。表1不同SVR滞后步长和CEEMDAN分解数的模型预测误差滞后步长IMF和残差序列未分解MAERMSEMSE(10- 3)SSE2MaeRMSEMSE(10- 3)SSE3MaeRMSEMSE(10- 3)SSE10.07540.09583.6746.24180.06280.08083.0984.43900.06050.07883.0224.22420.07850.09793.7546.51560.05220.06572.5212.93870.05300.06572.5182.931130.07830.09813.7656.53500.05600.06692.5663.03580.05740.06882.6393.209940.07820.09833.7726.55950.05680.06842.6243.17370.06080.07252.7823.568950.07750.09793.7566.50320.05700.06892.6453.22470.05980.07122.7333.444060.07790.09793.7606.49800.06120.07212.7713.52910.05890.07082.7203.400070.07700.09723.7356.41320.05940.07052.7073.37060.05750.06942.6663.267580.07670.09683.7176.35160.05860.06962.6723.28180.05440.06662.5593.011392016年12月31日6.33730.05900.07002.6893.32430.05500.06692.5703.0359滞后步IMF的个数和残差序列456MaeRMSEMSESSEMaeRMSEMSESSEMaeRMSEMSEMae(10(-3)(10(-3)(10(-3)10.07020.08663.3205.09760.06960.08583.2895.00220.07650.09253.5485.820620.05670.06892.6443.23270.05920.07142.7403.47100.07660.09073.4785.593230.05880.07082.7153.39930.05520.06672.5623.02700.08760.10213.9187.076040.05730.06982.6803.31240.05360.06612.5362.96460.06990.08263.1694.628650.06260.07532.8893.84770.05480.06722.5793.06550.09020.10524.0357.507660.06210.07482.8723.79140.05500.06752.5943.09300.08480.09923.8106.673770.06800.08103.1104.44500.05580.06862.6333.18780.07130.08453.2454.841980.05940.07152.7453.46360.05770.07042.7023.35600.05960.07212.7703.528090.05960.07192.7633.50860.05500.06812.6143.14000.08260.09713.7296.3936表2某些状态参数的灰色关联系数与功率预测。状态变量相关系数风向0.7900环境温度0.7368风速0.6544叶轮转速0.6477变频器速度测量0.6472发电机转速0.6469给定扭矩变矩器扭矩测量0.6272有功功率0.6186刀片扭矩0.5947所有单个预测值与算术平均值的偏差的绝对值。将这4个误差函数作为模型的评价指标,可以定量地评价模型的预测效果。4. CEEMDAN-SVR模型选择图6描绘了使用CEEMDAN-SVR模型的风功率预测的过程。首先,对风电场功率时间序列进行数据清洗后的归一化处理.其次,采用CEEMDAN方法将风电功率分解为多个IMF和一个残差序列,每个分量分别由GridSearchCV算法优化的SVR模型进行预测。最后,每个结果分量4.1. 风电功率时间序列分解的CEEMDAN方法以华北某风电场为研究对象,采集了2019年1 - 6月为期半年的SCADA数据。经过预处理后,收集了2264组样本,每1小时进行一次数据采样。采用CEEMDAN方法对风电功率时间序列进行分解。14号风电机组的原始风电功率时间序列及CEEMDAN方法分解的9个分量如图所示。7.第一次会议。4.2. 预测模型风电功率预测模型的训练样本和测试样本分别为14号风电机组2264组采样数据中的前1584组数据和后680组数据。当组合不同的SVR输入滞后步长和CEEMDAN分解数时,各分量的预测结果和风电功率归一化后的最终预测结果如图2和图3所示。8、9和10。两个图中的SVR滞后步骤。8和9是2,CEEMDAN分解数分别是2和6。从模型的最终预测效果可以看出,前者比后者具有更大的预测效果。过多的CEEMDAN分解数不仅会延长运行时间,而且会降低信息提取效果。于是不同J. Zhu等人能源与人工智能10(2022)10019912图十一岁CEEMDAN-SVR-TCN模型对3台风电机组的风电功率短期预测结果。图12. 14号风机各对比模型短期风电功率预测结果。J. Zhu等人能源与人工智能10(2022)10019910表3图13岁14号风机各模型短期风电功率预测残差。CEEMDAN因此,CEEMDAN-SVR模型对风电功率的预测效果会受到不同CEEMDAN分解的14号风机各模型预测精度模型评价MAE指标RMSEMSESSESVR139.2521176.79206.779621253675.4274BP107.1199138.77205.321713095209.7995LSTM103.4072136.38085.230012647817.4535TCN99.6095134.21085.146712248542.6571CEEMDAN-SVR76.254994.09283.60836020355.1266CEEMDAN-BP102.0048128.74244.937011270742.6907CEEMDAN-TCN75.198896.35533.69506313364.5351CEEMDAN-SVR-TCN68.469587.94753.37265259642.4806表420号风机各模型预测精度评价指标MaeRMSEMSESSESVR164.5923224.58278.612334297425.6211BP120.3774163.50536.270118179129.8522LSTM127.6924159.25586.107117246447.3406TCN111.0622157.68446.046916907787.6007CEEMDAN-SVR90.5676109.94194.21618219307.7797CEEMDAN-BP122.7241154.78605.935716291929.1190CEEMDAN-TCN85.5187111.64434.28138475834.1656CEEMDAN-SVR-TCN75.774198.95723.79486658921.9188表531号风机各模型预测精度评价指标MaeRMSEMSESSESVR152.8006211.99498.129630560470.6591BP112.4790158.18966.066217016291.0062LSTM107.5754153.00735.867515919643.8573TCN108.3627155.37115.958216415334.6481CEEMDAN-SVR88.0425111.02244.25758381672.86711CEEMDAN-BP107.5292144.51025.541714200583.3252CEEMDAN-TCN85.9420117.35214.5009364638.5446CEEMDAN-SVR-TCN75.2173100.00703.83506800952.2303表6三台风机每种型号的平均运行时间模型运行时间(s)模型运行时间(s)SVR46.89CEEMDAN-SVR186.27BP33.36CEEMDAN-BP73.88LSTM88.16CEEMDAN-TCN147.55TCN56.81CEEMDAN-SVR-TCN223.21号码图8和10具有相同的CEEMDAN分解数2,SVR滞后步长分别为2和9。从最终的预测效果来看,当SVR滞后步长为2时,模型的预测效果较好。结果表明,采用过长的SVR输入滞后步长会降低模型的预测性能,而采用不同的SVR滞后步长对模型的预测效果有明显的影响。因此,为了提高CEEMDAN-SVR模型的风电功率预测精度,有必要讨论SVR模型输入参数的不同滞后步长和不同CEEMDAN分解数对风电功率预测效果的影响,从而确定模型的最佳SVR滞后步长和CEEMDAN分解数4.3. CEEMDAN-SVR模型选择对于实验,我们改变SVR滞后步数从1到9和CEEMDAN分解数分别从0,2到6,以找到模型的SVR滞后步和CEEMDAN分解数的最佳组合。以MAE、RMSE、MSE和SSE为评价指标,选取SVR滞后步长和评价指标最低时的CEEMDAN分解数作为模型参数。具有不同SVR 滞后步长和CEEMDAN分解数的CEEMDAN-SVR模型的预测精度可以在表1中看到。设置SVR模型在实验过程中,将“内核”改为“rbf”,并将评分改为“负均方误差”。'gamma'和'C'的搜索参数范围使用GridSearchCV执行网格搜索时,设置为[2-5,25]参数,并且在交叉验证期间CV值设置为10从表1可以得出结论,当SVR滞后步长为2且CEEMDAN分解数为3时,出现最佳CEEMDAN-SVR预测效果。 当用SVR模型预测风电功率的三个分量时,GridSearchCV算法搜索的参数'gamma'和'C'均为1.0和32.0,预测得分分别为:-0.0049、-0.0011和-0.0018。在下面的CEEMDAN-SVR-TCN预测模型中,SVR滞后步数为2,CEEMDAN分解数为3。5. CEEMDAN-SVR-TCN风电预测5.1. 功率预测残差相关分析一些状态参数的灰色关联系数如表2所示。SCADA状态参数,如发电机转速,有功功率,叶轮转速,转矩参考,风速,风向,环境温度,变频器转速,变频器转矩,叶片转矩,叶片编码器之间的相关性,CEEMDAN-SVR模型的预测残差进行了研究。要有更大的分辨不同变量的能力J. Zhu等人能源与人工智能10(2022)10019911==--图十四岁 与其他模型相比,所提出的方法的百分比改进。在计算灰色关联系数时,常用的判别系数ρ 0。五是利用。选取灰色关联系数大于0.65的风速、环境温度、风向和历史功率预测残差作为TCN模型的输入,对风电功率残差进行预测5.2. 实验结果在建立TCN模型时,设置过滤器数量为5,内核大小为4,批量大小为28,丢弃率为0.1,历元为150。分别以风电场14号、20号和31号风机为研究对象。所有三个风力涡轮机的样本数量为2264,总样本的70%用作模型的训练集(具有1584个样本点),30%用作模型的测试集(具有680个图11描绘了CEEMDAN-SVR-TCN模型图结果表明,CEEMDAN-SVR-TCN模型的预测功率曲线与3台风电机组的实际输出功率曲线吻合较好,表明本文所建立的风电功率预测模型具有良好的预测效果。5.3. 模型验证和分析设计了其他几种短期风电功率预测方法与所提出的模型进行比较,以验证本文所构建模型的有效性。SVR模型、BP模型、TCN模型 、 LSTM 模 型 、 CEEMDAN-SVR 模 型 、 CEEMDAN-BP 模 型 和CEEMDAN-TCN模型是比较模型。图12显示了风电场14号风机图13显示了本文提出的模型和其他对比模型的短期风电功率预测结果。从图中可以看出,本文提出的CEEMDAN-SVR-TCN模型对于14号风电机组的短期风电功率预测残差整体波动小于其他模型。 13岁为了进一步证明本文提出的模型的可行性,在本文中,有必要对所提出模型与那些比较模型。表3、4
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功