一种基于变模式分解与长短记忆网络的风电预测方法技术

本发明专利技术公开了一种基于变模式分解与长短记忆网络的风电预测方法，首先对风电功率信号进行变模式分解，根据风电功率的特性将其分解为长期子、波动号和随机等3个模态分量。然后采用长短记忆网络分别学习风电功率这3个方面的模态分量，建立预测模型，最后合成得到预测值。本方法能够获取风电功率的随机特性，提高风电预测的精度和预测步长。

【技术实现步骤摘要】
一种基于变模式分解与长短记忆网络的风电预测方法
本专利技术属于电力系统控制
，尤其涉及一种变模式分解与长短记忆网络组合的风电预测方法。
技术介绍
风电的与生俱来的波动性和随机性带来的不确定性会造成发供电的不平衡，给电力系统带来了一系列难题。提高风电功率预测的准确度是解决这些难题的有效手段，因而长期以来都是研究热点。风电功率分为基于物理模型的和基于统计模型的预测方法。基于物理模型的方法依赖于气象数据，实现较为复杂。基于统计模型的预测方法通过归纳风电历史数据的时间序列之间的统计规律，建立实际值与预测值时间序列之间的线性或非线性映射，主要有时间序列方法、支持向量机方法和相似日法等。这些方法对于较长时间距离的时间序列学习能力有限，预测步长愈大，预测误差越大。为了提高风电功率各个频段特性的预测精度，许多学者对风电功率信号进行分解分析，主要采用的技术有小波分解、相空间分解、经验模态分解等。但是小波方法中小波基函数难以选取，相空间重构技术中延时时间和嵌入维数难以获取，经验模态分解方法对风电功率信号分解依赖于经验，缺乏理论基础。现在还有学者开始研究利用变模式分解对风电功率信号分层，但是分解层数难以确定。而且追求分解重构的精度，忽略风电本身的特性。
技术实现思路
专利技术目的：针对上述现有技术，提出一种有效提高预测精度和预测步长的风电预测方法，基于变模式分解与长短记忆网络进行预测，获取风电功率的随机特性，提高风电预测的精度和预测步长。技术方案：一种基于变模式分解与长短记忆网络的风电预测方法，包括如下步骤：步骤1：测取风电功率历史数据P(t)；步骤2：对风电功率信号进行变模式分解，获取多模态分量uk，k取1、2、3，分别代表风电功率信号中的长期分量、短期波动分量和超短期随机分量；步骤3：建立k个长短记忆网络模型，假设当前时刻为t，预测步长ΔT，以X＝(xt-n，...，xt)为输入，X为P(t)的VMD分解信号，其中xt＝uk(t)，uk(t)为模态函数，以hk＝uk(t+ΔT)为输出，训练长短记忆网络模型；步骤4：实时采样风电功率信号，得到信号的多模态分量，带入k个训练好的长短记忆网络模型，分别得到各个模型的输出hk，最后合成输出即为风电功率预测值。进一步的，所述步骤2包括如下具体步骤：步骤2.1：对每个模态函数uk(t)，采用希尔伯特变换计算相应的解析信号，得到相应的单侧频谱为：式中：步骤2.2：对每个模态函数uk(t)，通过与模态函数对应的中心频率ωk的指数项混叠，将每个模态的频谱调制到相应基频带为：步骤2.3：由解调信号的高斯平滑法估计出各模态的带宽，求解带约束条件的变分问题，目标函数为：式中：{uk}＝{u1，...，uk}；{ωk}＝{ω1，...，ωk}；步骤2.4：采用二次惩罚因子α和拉格朗日乘法算子λ，将带约束条件的变分问题变为非约束性变分问题，拓展的拉格朗日表达式为：式中：f(t)为风电功率信号P(t)；步骤2.5：采用交替方向乘子法解决所述非约束性变分问题，通过交替更新以及λn+1寻求所述拓展的拉格朗日表达式的最优点；其中，利用傅里叶等距变换转变到频域：式中：参数顶部带符号∧表示该参数的傅里叶变换，ω为频域变量，中相当于当前剩余量的维纳滤波，n为迭代次数；步骤2.6：对利用傅里叶等距变换转变到频域后的表达是求解，求得二次优化问题的解为：步骤2.7：通过迭代求解，解得中心频率的更新方法：式中：为当前模态函数功率谱的重心；对进行傅里叶逆变换，其实部则为{uk(t)}。进一步的，所述步骤3中，递归隐层按照时刻t依次计算长短记忆网络中3个门和记忆单元的激活值，t时刻的计算公式为：输入门：it＝σ(Wixxt+Wihht-1+Wicct-1+bi)忘记门：ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf)记忆单元：输出门：ot＝σ(Woxxt+Wohht-1+Wocct-1+bo)隐层输出：ht＝ot⊙φ(ct)其中：it表示输入门的输出，ft表示忘记门的输出，ct表示记忆单元的输出，ot表示输出门的输出，ht表示隐层输出；W.x为上一隐层的输入xt与记忆模块之间的连接矩阵，W.h为当前隐层上一时刻的输出ht-1与记忆模块之间的连接矩阵，W.c为记忆模块内部连接3个门与记忆单元的对角矩阵；Wo.为输出门权重矩阵，b.为偏置向量；W.x、W.h、W.c、Wo.、b.下标中的“.”指i、f、c、o、h，分别表示相应的输入门、忘记门、记忆单元、输出门、隐层输出对应的权中和偏置向量；xt、ht、ct分别为当前时刻t的网络输入、网络输出和隐层输出；σ为Sigmoid非线性函数，φ为双曲正切非线性函数，⊙为向量间的逐个元素相乘符号；长短记忆网络采用反向传播算法进行训练，步骤包括如下：1)前向计算每个神经元输出值；2)反向计算每个神经元的误差项，长短记忆网络误差项反向传播包括：沿时间反向传播；将误差项向上一层传播；3)根据相应误差项，计算每个权重的梯度。有益效果：1.本专利技术利用变分模式分解方法，分解风电功率信号。通过分析得出，3层分解后模态分量可以作为风电功率信号的长期分量、波动分量、随机分量，能够更好的刻画风电功率特性。从深入分析信号的角度来看，变分模式分解层数越多越好。随着分解层数k增加，原始信号被分辨的越细致，一些高频特性也被表现的更清楚。但是分解层数高也会带来一些问题。(1)分解层数多会给后续的使用带来麻烦。以预测为例，预测思路是为每个信号对应建立一个预测模型，然后合成得到总的预测输出。分解层数多会带来预测子模型的增加。而且分解层数多的时候，高频段的分解模态分量结果为零或者接近零的值较多，这些模态分量信息量较少，存在过度分解的问题。(2)风电功率特性本身决定了不适宜过多层次的分解。在旋转机械故障诊断领域，由于存在机械故障，振动信号可能存在周期性的高频信号。在电网谐波治理领域，由于不同特性的谐波源的存在，电网电压电流中也会存在周期性的高频信号。在上述使用场合，为了分辨出高频的特征信号，需要较多层次的分解。而风电的输出功率有着较强的波动性和随机性。虽然信号中也存在着一些高频分量，但是风电功率在高频段的行为很大比例是一种纯粹的随机行为或者是噪声。对于电力系统来说，短时高频小幅度的出力变化作为扰动，可被系统一次调频自动消化，无需采取特别动作。高频大幅度的出力变化，即爬坡行为，这是典型的风电随机行为，没有周期性和规律性，对这些信号在高频过多分解毫无意义。因此没有必要对风电功率的高频段特性过多分解，在一段时间段内的风电波动以及整体的随机表现才是电网会重点关注的行为。3层变模式分解后，第1层模态分量表示长时间段内的风电变化，反映风电出力的趋势。第2层模态分量反映较短时间内的风电变化，可以认为表示风电的波动性表征。第3层模态分量反映更短时间内的风电变化，通常被当成风电功率的毛刺，可以认为是风电随机性的表征。因此，通过变模式分解对风电信号进行3个层次的分解，可以分别获取风电出力长期趋势，短期波动性以及超短期的随机性表征。这3个模态分量明显具有的物理意义给后续的使用带来方便。如果这3个层次信号用于建立预测模型预测风电输出，由于3个层次分别代表了风电的长期趋势和波动性、随机性，能针对风电特点建立准确的预测模型，从而获得本文档来自技高网...

【技术保护点】
1.一种基于变模式分解与长短记忆网络的风电预测方法，其特征在于：包括如下步骤：步骤1：测取风电功率历史数据P(t)；步骤2：对风电功率信号进行变模式分解，获取多模态分量uk，k取1、2、3，分别代表风电功率信号中的长期分量、短期波动分量和超短期随机分量；步骤3：建立k个长短记忆网络模型，假设当前时刻为t，预测步长ΔT，以X＝(xt‑n，...，xt)为输入，X为P(t)的VMD分解信号，其中xt＝uk(t)，uk(t)为模态函数，以hk＝uk(t+ΔT)为输出，训练长短记忆网络模型；步骤4：实时采样风电功率信号，得到信号的多模态分量，带入k个训练好的长短记忆网络模型，分别得到各个模型的输出hk，最后合成输出即为风电功率预测值。

【技术特征摘要】
1.一种基于变模式分解与长短记忆网络的风电预测方法，其特征在于：包括如下步骤：步骤1：测取风电功率历史数据P(t)；步骤2：对风电功率信号进行变模式分解，获取多模态分量uk，k取1、2、3，分别代表风电功率信号中的长期分量、短期波动分量和超短期随机分量；步骤3：建立k个长短记忆网络模型，假设当前时刻为t，预测步长ΔT，以X＝(xt-n，...，xt)为输入，X为P(t)的VMD分解信号，其中xt＝uk(t)，uk(t)为模态函数，以hk＝uk(t+ΔT)为输出，训练长短记忆网络模型；步骤4：实时采样风电功率信号，得到信号的多模态分量，带入k个训练好的长短记忆网络模型，分别得到各个模型的输出hk，最后合成输出即为风电功率预测值。2.根据权利要求1所述的基于变模式分解与长短记忆网络的风电预测方法，其特征在于：所述步骤2包括如下具体步骤：步骤2.1：对每个模态函数uk(t)，采用希尔伯特变换计算相应的解析信号，得到相应的单侧频谱为：式中：步骤2.2：对每个模态函数uk(t)，通过与模态函数对应的中心频率ωk的指数项混叠，将每个模态的频谱调制到相应基频带为：步骤2.3：由解调信号的高斯平滑法估计出各模态的带宽，求解带约束条件的变分问题，目标函数为：式中：{uk}＝{u1，...，uk}；{ωk}＝{ω1，...，ωk}；步骤2.4：采用二次惩罚因子α和拉格朗日乘法算子λ，将带约束条件的变分问题变为非约束性变分问题，拓展的拉格朗日表达式为：式中：f(t)为风电功率信号P(t)；步骤2.5：采用交替方向乘子法解决所述非约束性变分问题，通过交替更新以及λn+1寻求所述拓展的拉格朗日表达式的最优点；其中，利用傅里叶等距变换转变到频域：式中：参数顶部带符号∧表示该参数的傅里叶变换，ω为频域变量，中i≠k；相当于...

【专利技术属性】
技术研发人员：韩丽，王雪松，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32