一种基于CEEMDAN-ICS-ILSTM模型的风力发电功率预测方法技术

本发明专利技术涉及一种基于CEEMDAN

【技术实现步骤摘要】
一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法


[0001]本专利技术属于新能源发电
，具体涉及一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法。

技术介绍

[0002]为推动能源生产和消费革命，构建高效智能的新型电力系统，《关于提升电力系统调节能力的指导意见》中明确提出“开展风电和太阳能超短期高精度功率预测、新一代电网友好型新能源电站建设、高渗透率新能源接入电网运行控制等专题研究”，以适应我国现阶段能源发展的迫切需求。
[0003]在新能源中，风电因其可再生、清洁、成本低和环境效益好等，具备了很好的发展前景，己成为最重要的可再生清洁能源。风能拥有许多优点，但大规模开发风力发电也存在着诸多的困难，风电场的电能产量巨大，本地区不足以完全消纳，因此风力发电并网显得尤为重要。风能自身具有很强的随机性、不确定性，这就导致风能在被转化为电能后会具有较强的波动性和不稳定性，随着风电装机容量的不断增加，大规模风电并网势必会对电网整体安全造成巨大冲击。同时随着风电穿透率的增加，风电波动性对于电能可靠性、电能质量、经济性与社会福利的影响也而变得越发突出。虽然风能具有较强的随机性，但如果能准确预测风力发电机组的输出功率，就可以有效制定风电场生产计划，从而指导风电并网调度过程。由此可见，对风力发电功率的精准预测意义重大。

技术实现思路

[0004]风力发电机组出力具有较强的随机性，现有基于深度学习的方法在面对发电功率波动性较大场景下的预测任务时，往往预测精度受限，为进一步提高预测精度，打破传统方法受出力波动影响的壁垒，且适用于少特征场景下的功率预测工作，本专利技术提出一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，采用改进的布谷鸟(Cuckoo Search，CS)算法对长短期记忆(Long Short Term Memory，LSTM)神经网络模型的权重和偏置参数进行更新，相比于其他优化器，智能算法可以更好提升模型在序列波动性较大情况下的模型自适应学习能力，使得预测曲线更拟合实际出力曲线，在此基础上，对标准LSTM模型进行改进，去掉输入门，充分发挥遗忘门的作用，使得预测效率进一步提升。具体过程包括：首先，获取原始风电场发电数据，通过完全噪声辅助聚合经验模态分解(CEEMDAN)将原始数据分解成若干个不同频率的本征模态函数(Intrinsic Mode Function，IMF)；其次，对CS算法和LSTM模型进行改进；在此基础上，利用改进CS算法(Improved CS，ICS)对改进LSTM模型(Improved LSTM，ILSTM)的权重和偏置进行寻优；最后，将分解后的序列输入到ICS
‑
ILSTM模型中进行训练预测，并利用评价指标对模型预测效果进行评价。
[0005]本专利技术采用的技术方案为：一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，包括如下步骤：
[0006]S1：通过CEEMDAN将原始数据分解成若干个不同频率的IMF；
[0007]S2：为进一步提高算法收敛情况，对传统布谷鸟算法进行改进；
[0008]S3：去掉标准LSTM模型的输入门，并充分发挥遗忘门的作用，对标准LSTM模型进行简化改进；
[0009]S4：利用ICS对ILSTM的权重和偏置进行寻优；
[0010]S5：数据反归一化与模型预测效果评价。
[0011]具体的，所述步骤S1：通过CEEMDAN将原始数据分解成若干个不同频率的IMF。CEEMDAN能够将原始数据分解为包含不同频率的IMF，每个IMF都包含原始数据在不同频率范围内的信息，它为白噪声引入了额外的信噪比，用以控制每次分解过程中的噪声水平。其IMF可以完全重构为原始数据，几乎没有噪声，与经验模态分解(EMD)、集合经验模态分解(EEMD)、互补集合经验模态分解(CEEMD)相比，它具有较高的分解速率，可以通过添加自适应噪声来消除模态混叠，CEEMDAN具体步骤如下：
[0012]1)将需要分解的序列x(t)添加K次均值为0的高斯白噪声，构造共K次待分解序列x
i
(t)(i＝1,2,3
…
，K)。
[0013]x
i
(t)＝x(t)+εδ
i
(t)
[0014]式中：ε为高斯白噪声权重系数；δ
i
(t)为第i次添加的白噪声序列。
[0015]2)对x
i
(t)进行EMD分解，分解得到第一个模态分量(IMF)和残余信号r1(t)。
[0016][0017]r1(t)＝x(t)
‑
IMF1(t)
[0018]3)将分解后得到的第j阶段的残余信号添加特定噪声后，继续EMD分解。
[0019][0020]r
j
(t)＝r
j
‑1(t)
‑
IMF
j
(t)
[0021]4)重复步骤3)，直到第n次分解残余信号r
n
(t)为单调信号，则CEEMDAN分解结束。
[0022]具体的，所述步骤S2：为进一步提高算法收敛情况，对传统布谷鸟算法进行改进。CS算法是一种基于莱维飞行搜索机制的寻优算法，它根据布谷鸟寄生孵育后代的自然行为设计出来，CS算法遵循布谷鸟的繁殖行为和莱维飞行两大机理。布谷鸟在搜寻适合寄生育雏的宿主鸟巢时，主要通过随机飞行的方式来确定其具体位置，为了对布谷鸟的繁殖行为进行模拟，CS算法需满足的三个理想条件：
[0023]1)单只布谷鸟每次随机选择一个宿主鸟巢，并产下一个鸟蛋；
[0024]2)在随机选择的一组鸟巢中，质量最好的鸟巢可以保留到下一代；
[0025]3)鸟巢数目是固定的，布谷鸟蛋被宿主鸟发现的概率为P
a
，该事件发生后，宿主鸟便会抛弃该鸟巢，重新寻找其他位置作为新的鸟巢。
[0026]以上述三个理想条件为基础，布谷鸟寻找鸟巢的位置时位置更新公式如下：
[0027][0028]式中，X
i
(t+1)表示第i只布谷鸟在第t+1次迭代时的位置；X
i
(t)表示第i只布谷鸟在第t次迭代时的位置；α表示步长控制量；表示点乘；N
pop
表示种群数；T
max
为最大迭代次数；Levy(λ)表示莱维飞行步长，其值服从Levy分布，即：
[0029]Levy(λ)～u＝t
‑
λ
,1＜λ＜3
[0030]式中，λ为幂次数。上式是一个带有重尾的概率分布，通过较为简单的程序语言实现比较困难，通常采用Mantegna提出的模拟Levy飞行路径的计算公式：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，包括如下步骤：S1：通过CEEMDAN将原始数据分解成若干个不同频率的IMF；S2：为进一步提高算法收敛情况，对传统布谷鸟算法进行改进；S3：去掉标准LSTM模型的输入门，并充分发挥遗忘门的作用，对标准LSTM模型进行简化改进；S4：利用ICS对ILSTM的权重和偏置进行寻优；S5：数据反归一化与模型预测效果评价。2.根据权利要求1所述的一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，其特征在于，步骤S1中，通过CEEMDAN将原始数据分解成若干个不同频率的IMF。CEEMDAN能够将原始数据分解为包含不同频率的IMF，每个IMF都包含原始数据在不同频率范围内的信息，它为白噪声引入了额外的信噪比，用以控制每次分解过程中的噪声水平。其IMF可以完全重构为原始数据，几乎没有噪声，与经验模态分解(EMD)、集合经验模态分解(EEMD)、互补集合经验模态分解(CEEMD)相比，它具有较高的分解速率，可以通过添加自适应噪声来消除模态混叠，CEEMDAN具体步骤如下：1)将需要分解的序列x(t)添加K次均值为0的高斯白噪声，构造共K次待分解序列x
i
(t)(i＝1,2,3
…
，K)。x
i
(t)＝x(t)+εδ
i
(t)式中：ε为高斯白噪声权重系数；δ
i
(t)为第i次添加的白噪声序列。2)对x
i
(t)进行EMD分解，分解得到第一个模态分量(IMF)和残余信号r1(t)。r1(t)＝x(t)
‑
IMF1(t)3)将分解后得到的第j阶段的残余信号添加特定噪声后，继续EMD分解。r
j
(t)＝r
j
‑1(t)
‑
IMF
j
(t)4)重复步骤3)，直到第n次分解残余信号r
n
(t)为单调信号，则CEEMDAN分解结束。3.根据权利要求1所述的一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，其特征在于，所述步骤S2中，为进一步提高算法收敛情况，对传统布谷鸟算法进行改进。CS算法是一种基于莱维飞行搜索机制的寻优算法，它根据布谷鸟寄生孵育后代的自然行为设计出来，CS算法遵循布谷鸟的繁殖行为和莱维飞行两大机理。布谷鸟在搜寻适合寄生育雏的宿主鸟巢时，主要通过随机飞行的方式来确定其具体位置，为了对布谷鸟的繁殖行为进行模拟，CS算法需满足的三个理想条件：1)单只布谷鸟每次随机选择一个宿主鸟巢，并产下一个鸟蛋；2)在随机选择的一组鸟巢中，质量最好的鸟巢可以保留到下一代；3)鸟巢数目是固定的，布谷鸟蛋被宿主鸟发现的概率为P
a
，该事件发生后，宿主鸟便会抛弃该鸟巢，重新寻找其他位置作为新的鸟巢。以上述三个理想条件为基础，布谷鸟寻找鸟巢的位置时位置更新公式如下：
式中，X
i
(t+1)表示第i只布谷鸟在第t+1次迭代时的位置；X
i
(t)表示第i只布谷鸟在第t次迭代时的位置；α表示步长控制量；表示点乘；N
pop
表示种群数；T
max
为最大迭代次数；Levy(λ)表示莱维飞行步长，其值服从Levy分布，即：Levy(λ)～u＝t
‑
λ
,1＜λ＜3式中，λ为幂次数。上式是一个带有重尾的概率分布，通过较为简单的程序语言实现比较困难，通常采用Mantegna提出的模拟Levy飞行路径的计算公式：式中，β为固定常数，通常取1.5；u、v服从正态分布，即式中，β为固定常数，通常取1.5；u、v服从正态分布，即式中，β为固定常数，通常取1.5；u、v服从正态分布，即式中，Γ(
·
)为伽马函数。上述公式中α的计算公式为：α＝α0×
[X
i
(t)
‑
X
best
(t)]式中，α0通常取0.01；X
best
(t)表示布谷鸟第t次迭代时种群中的个体最优值。因此，布谷鸟寻找鸟巢的位置时位置更新完整公式为：鸟巢位置通过上述公式更新后，随机生成一个0～1之间的随机数r，然后对比r和P
a
的大小，当r<P
a
时，保留鸟巢位置至下一代；当r>P
a
时，表示布谷鸟蛋被宿主发现，对鸟巢位置进行再一次更新。布谷鸟算法原理虽然简单，但还存在着不少缺点，该算法采用了莱维飞行寻优方式，在迭代寻找新鸟巢的步长和寻优方向具有较大的随机偶然性，算法易陷入局部最优和出现早熟现象，因此，为了增强算法在迭代初期的全局搜索性能和保证算法后期的迭代寻优能力，对标准布谷鸟算法中的步长控制量α进行动态设置。对α的改进公式为：上式主要以非线性形式使步长控制量α逐步减小，从而实现步长因子前期减小更快，后期减小更缓，这样就可以保证算法前期收敛速度更快，后期的寻优精度更好。4.根据权利要求1和3所述的一种基于CEEMDAN
‑
ICS
‑
ILSTM模型的风力发电功率预测方法，其特征在于，所述步骤S2中，进一步地，考虑到由于布谷鸟蛋被宿主鸟发现的概率始终为固定值，造成算法在寻优迭代的后期收敛速度变慢，甚至出现不收敛的现象，对布谷鸟蛋被发现的概率P
a
进行改进，对概率P
a
的改进公式为：
式中，P
...

【专利技术属性】
技术研发人员：王鑫，苗桂喜，王继勇，孙浩然，呼建礼，张庆文，连勇，元亮，王丽晔，孙小军，王刚，孟红杰，郑惠瀛，苏子乐，
申请(专利权)人：国网河南省电力公司安阳供电公司，
类型：发明
国别省市：