基于多属性决策和支持向量机的风电功率非线性组合预测_严欢
基于主成分分析法的风电功率短期组合预测
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【摘要】间歇性与不确定性是风力发电的固有特性,在风力发电迅速发展的背景下风电功率预测的重要性日渐凸显.为了减少单一模型在个别预测点误差较大的情况,提高整体预测方法的预测精度及相对误差率,本文采用反向传播(BP)神经网络以及支持向量机(SVM)两种基本模型进行组合,并引入粒子群(PSO)以及交叉验证(CV)算法来优化模型中的参数.结合主成分分析法(PCA)对原始数据进行预处理,在不降低预测精度的前提下,对原数据进行降维处理从而提高运算效率.使用模型分别对未来5天进行预测,结果表明组合预测模型的标准平均误差(NMAE)、标准均方根误差(NRMSE)都满足国内现行指标,而且预测精度比单一模型有很大提高,相对误差更加稳定,有效减少了较大误差点的出现.实例研究表明,基于主成分分析法的风电功率短期组合预测模型的可行性.【期刊名称】《电气技术》【年(卷),期】2016(000)007【总页数】7页(P41-47)【关键词】风功率预测;主成分分析法;BP神经网络;粒子群算法;支持向量机;组合预测【作者】吴金浩;杨秀媛;孙骏【作者单位】北京信息科技大学,北京 100192;北京信息科技大学,北京 100192;北京信息科技大学,北京 100192【正文语种】中文随着对风力发电的深入研究，风电固有的间歇性以及不确定性成为了制约其发展的主要因素。
大容量风电场接入电网后，造成电网电压、频率的波动，给调度运行带来很大困难，甚至威胁到电力系统的稳定运行。
因此，及时、精确地预测风电功率是首先需要解决的问题［1-2］。
目前，已经有研究人员做了风电功率预测多种方面的研究。
文献［3］使用时间序列法建模，得到预测时刻与前段时刻风速的关系，并确定神经网络输入变量数目，这种方法本质是基于时间序列模型，在风况发生突变时无法准确预测，对较长时间的预测也无法得到精确结果；文献［4］理论分析得出风功率由风速、风向等因素决定，使用数值天气预报系统收集的历史数据，建立BP神经网络模型，在风电场实装显示预测效果良好，模型预测误差在15%左右，需要进一步优化或者开发更精确的预测模型；文献［5］将粒子群（PSO）算法与基于前向神经网络模型相结合，从而提高功率预测的精度，结果显示模型平均误差以及标准差都有不同程度地下降，预测准确率高于优化前的结果；文献［6］使用交叉熵理论来确定组合预测的权值，先分析各预测模型的交叉程度，再根据公式求取权值，结果显示使用交叉熵理论的组合模型精度较高。
两种风电功率多步预测方式的分析及评价
度高低 不同。以风 电功率实 时预测 为例 ， 基于吉林省某风电场实测风电功率数据 ， 使用 国家能 源局所规 定的风电功率 实时预测评价 指标对两 种多步预测方式进行评价 。 关 键 词： 风 电功率预测 ； 多步预测方式 ； 滚动 ； 多采样 尺度
文献标识码 ｉ Ａ 中图分类号 ： Ｔ Ｍ７ ３ ３
的历史 数据数 量为 Ⅳ ＋１ ， 需要 预测 的风 电功率 为 Ｐ（ ｔ ＋ｌ Ａ ｔ ） ， Ｚ＝１ ， ２ …Ｌ ， Ｌ为 多步 预测 的步 数 ， 令Ｐ （ ｔ
＋ ｌ Ａ ｔ ） 表示滚动多步预测方式预测值 ， Ｐ （ ｔ ＋ｌ Ａ ｔ ） 表示多采样尺度多步预测方式预测值。 对于预测方 法， 在滚动多步预测方式下 Ｐ Ｒ （ ｔ ＋ｌ Ａ ｔ ）＝ Ｐ（ ｔ 一（ Ⅳ 一ｚ ＋１ ） △ ￡ ） ， …， Ｐ（ ｔ ） ， Ｐ （ ｔ —Ａ ｔ ） ， …， Ｐ Ｒ （ ｔ ＋（ Ｚ＋１ ） Ａ ｔ ） ）， （ １ ）
了国内外风电功率预测方法和现状 。文献 ［ ６ — ９ ］ 主要对风电功率预测 的方法进行 了研究 ， 分别提出了 基于最小二乘支持 向量机、 小波分解、 人工神经网络和相似 日的风 电功率预测方法 ， 提高了风 电功率预 测精度 。文献 ［ １ ０ — １ ２ ］ 分别从时空角度和概率分布角度对风 电功率波动特性进行 了分析。文献 ［ １ ３ ］ 分析了风电功率预测误差 ， 用贝塔 （ Ｂ ｅ ｔ ａ ） 分布对风电功率误差进行拟合 。文献［ １ ４ ］ 从风电生产和电网 运 行 的角度 ， 提 出风 电功率 预测精 度好 坏评 价标 准问题 。文 献 ［ １ ５ ］ 提 出一种 新 的对 每小 时 的平 均 风速
进 行预 测 的方法 ， 先对 每 １ Ｏ分钟 的平均 风速 进行 多步 预测 ， 进而得 出下 一小 时 的平 均风 速 。 风 电功 率预 测一般 为 多步预 测 ， 风 电功 率多 步预 测 时 ， 没 有新 的风 电功 率 实测 数 据 产生 ， 需 要 用 已 有 的数 据对 未来 一段 时间 多个 时刻 的 风 电功 率 数 据进 行 预 测 。 以上 文 献 只分 析 了预测 方 法 和 预 测误
基于虚拟预测与小波包变换的风电功率组合预测
基于虚拟预测与小波包变换的风电功率组合预测孟安波;陈育成【摘要】为了提高风电功率的预测精度，针对风机功率不稳定性和非线性强的特点，使用小波包变换将风机出力分解成多个频率的子序列，然后运用组合预测方法分别对各子序列进行提前24 h预测，叠加各子序列的预测值，得出实际预测结果。
其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。
选择广东某风电场实测数据作为案例，对连续7天风电功率进行了预测。
结果表明：小波包变换能有效把握风电功率变化规律，对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。
%Considering the instability and strong nonlinearity of wind power, in order to improve the accuracy of wind power forecasting, the original wind power sequence is decomposed into a series of sub-sequences. Then each sequence is forecasted 24 h ahead by combination forecasting model. And the weight coefficients of each sequence are identified using variance reciprocal method through a virtual forecasting method. Consequently, all the subsequence forecasting outputs are superposed to obtain the final forecasted results. At the end, a wind farm in Guangdong is chosen to validate the feasibility of the proposed model. Through seven consecutive days of forecasting of the wind power, the results indicate that the wavelet packet transform can grasp the variation law of wind power effectively, and the combination forecasting method can obtain a better forecasting result than single method.【期刊名称】《电力系统保护与控制》【年(卷),期】2014(000)003【总页数】6页(P71-76)【关键词】风电功率;虚拟预测;小波包变换;方差倒数法;组合预测【作者】孟安波;陈育成【作者单位】广东工业大学，广东广州 510006;广东工业大学，广东广州510006【正文语种】中文【中图分类】TM619目前全球风电接入量逐年增加，但因风电的间歇性和随机性强的特点，其大规模并入电网以后对电网调度和安全运行带来困难[1-2]。
融合Savitzky-Golay滤波器的TCN-SA-BiGRU风电功率预测
第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０１６６－０６中图分类号：ＴＰ３９１文献标志码：Ａ融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ风电功率预测秦小晖，樊重俊，付峻宇（上海理工大学管理学院，上海２０００９３）摘㊀要：陆上风力发电作为主流清洁能源发电方式之一，预测其发电功率也是目前研究热点问题㊂本文提出融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器与基于自注意力机制的ＴＣＮ－ＢｉＧＲＵ风电功率预测模型㊂利用Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器对风电功率及相关特征数据进行降噪，随后将数据输入进由ＴＣＮ时域卷积神经网络㊁自注意力机制模块㊁双向门控循环单元网络所搭建的ＴＣＮ－ＳＡ－ＢｉＧＲＵ模型中，这些模块能够更深㊁更快挖掘数据特征㊂最终预测结果显示，融合了Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的模型能够有效对数据降噪，并且相较于传统单一神经网络等模型，本模型的预测性能更高㊂关键词：风电功率预测；Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器；时域卷积神经网络（ＴＣＮ）；自注意力机制ＷｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｉｎｃｏｒｐｏｒａｔｉｎｇＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－ＴＣＮ－ＳＡ－ＢｉＧＲＵＱＩＮＸｉａｏｈｕｉ，ＦＡＮＣｈｏｎｇｊｕｎ，ＦＵＪｕｎｙｕ（ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓｏｎｅｏｆｔｈｅｍａｉｎｓｔｒｅａｍｃｌｅａｎｅｎｅｒｇｙｇｅｎｅｒａｔｉｏｎｍｅｔｈｏｄｓ，ｐｒｅｄｉｃｔｉｎｇｔｈｅｐｏｗｅｒｇｅｎｅｒａｔｅｄｂｙｏｎｓｈｏｒｅｗｉｎｄｐｏｗｅｒｉｓａｌｓｏａｈｏｔｒｅｓｅａｒｃｈｐｒｏｂｌｅｍａｔｐｒｅｓｅｎｔ．ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａＴＣＮ－ＢｉＧＲＵｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｈａｔｃｏｍｂｉｎｅｓＳａｖｉｔｚｋｙ－Ｇｏｌａｙｆｉｌｔｅｒａｎｄｓｅｌｆ－ａｔｔｅｎｔｉｖｅｍｅｃｈａｎｉｓｍ．ＴｈｅＳａｖｉｔｚｋｙ－Ｇｏｌａｙｆｉｌｔｅｒｉｓｕｓｅｄｆｏｒｎｏｉｓｅｒｅｄｕｃｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒａｎｄｒｅｌａｔｅｄｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｄａｔａａｒｅｔｈｅｎｆｅｄｉｎｔｏａＴＣＮ－ＳＡ－ＢｉＧＲＵｍｏｄｅｌｂｕｉｌｔｂｙＴＣＮ，ｓｅｌｆ－ａｔｔｅｎｔｉｖｅｍｅｃｈａｎｉｓｍ，ａｎｄＢｉＧＲＵ，ｗｈｉｃｈａｒｅｃａｐａｂｌｅｏｆｍｉｎｉｎｇｔｈｅｄａｔａｆｅａｔｕｒｅｓｍｏｒｅｄｅｅｐｌｙａｎｄｑｕｉｃｋｌｙ．ＴｈｅｆｉｎａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｉｎｃｏｒｐｏｒａｔｉｎｇｔｈｅＳａｖｉｔｚｋｙ－Ｇｏｌａｙｆｉｌｔｅｒｉｓｅｆｆｅｃｔｉｖｅｉｎｎｏｉｓｅｒｅｄｕｃｔｉｏｎｏｆｔｈｅｄａｔａａｎｄｈａｓｈｉｇｈｅｒｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｔｈａｎｔｒａｄｉｔｉｏｎａｌｍｏｄｅｌｓｓｕｃｈａｓｓｉｎｇｌｅｎｅｕｒａｌｎｅｔｗｏｒｋｓ．Ｋｅｙｗｏｒｄｓ：ｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ：Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙｆｉｌｔｅｒ：ＴｅｍｐｏｒａｌＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ：ｓｅｌｆ－ａｔｔｅｎｔｉｏｎ基金项目：２０２０教育部哲学社会科学重大课题攻关项目，２０２０－２０２３（２０ＪＺＤ０１０）㊂作者简介：秦小晖（１９９８－），男，硕士研究生，主要研究方向：人工智能理论及应用㊁数字经济㊂通讯作者：樊重俊（１９６３－），男，博士，教授，博士生导师，主要研究方向：数字经济㊁人工智能㊁电子商务㊂Ｅｍａｉｌ：ｆａｎ．ｃｈｏｎｇｊｕｎ＠１６３．ｃｏｍ收稿日期：２０２３－０５－３１０㊀引㊀言各国工业发展离不开资源消耗，也导致碳排放量数值上升，从而进一步引发温室效应㊁全球水平面上升等环境问题，所以随着技术的发展，风能㊁太阳能及潮汐能等清洁能源逐步取缔火力发电成为主要发电能源㊂由于风能具有可再生性㊁无污染性等特点，所以目前风力发电仍是国内主要发电方式之一，但研究表明风能短时间变化随机，其发电功率呈间歇性以及波动性，所以使用风力发电会产生发电功率不稳定的现象，而这一现象也会导致电网运行风险提高，造成事故［１］㊂因此准确预测风力发电功率能够提高风力发电的稳定性㊁减少不必要损失，从而提升经济效益㊂随着预测技术的不断发展，国内外学者在研究过程中所使用的预测方法也从传统的统计模型预测逐渐演变成包含智能算法㊁机器学习以及深度学习的组合预测模型［２］㊂早期的风电功率预测方法主要有：持续预测法㊁卡尔曼滤波法㊁灰色预测法以及随机时间序列法（例如ＡＲ㊁ＭＡ以及ＡＲＩＭＡ等模型），但是存在预测时间范围小㊁数据收集及处理难度较大以及预测结果不稳定等问题［３］，所以后续也产生了改进相关时间序列模型以及将滤波器与时序模型组合的预测方法㊂随着机器学习方法的面世，诸如支持向量机（ＳＶＭ）㊁决策树以及随机森林等方法陆续涌现［４］，其中以支持向量机（ＳＶＭ）的应用最为广泛，相较于传统的时序预测模型㊁马尔可夫等方法，ＳＶＭ在处理非线性等小样本时具有更好的适应能力，但是只采取ＳＶＭ单一模型进行预测的效果也并不好，所以在后续研究中，学者逐渐将ＳＶＭ与遗传算法相组合，利用算法对ＳＶＭ进行参数寻优以达到更好的预测效果［５］，例如粒子群算法㊁灰狼算法以及果蝇算法等等［６］，但这些算法多会存在收敛时间过长㊁出现局部最优解以及搜索步长设置繁复等问题，所以研究学者会对现有遗传算法进行优化后再对机器学习模型进行参数优化㊂目前，主流的风电功率预测方法仍然是以神经网络模型为主的组合模型，在ＬＳＮｅｔ神经网络㊁长短期记忆神经网络（ＬＳＴＭ）㊁门控循环神经网络（ＧＲＵ）等基础上针对数据特征添加算法模型与之组合㊂文献［７］经过研究发现ＧＲＵ网络相较于ＬＳＴＭ网络在风电功率预测上的作用更加高效且结构简单㊂而文献［８］建立融合注意力机制的Ｂｉ－ＧＲＵ模型对数据中所蕴含的信息进行深度挖掘，提高特征提取的效率与质量并进行预测㊂文献［９］则利用ＴＣＮ神经网络与ＬＳＴＭ神经网络进行组合对时序数据加以预测，ＴＣＮ网络可以较好地提取间隔较长和非连续时序数据的特征信息㊂本文在已有研究的基础上，搭建融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＢｉＧＲＵ模型㊂为了有效降低拥有噪声的风电功率数据，选取Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器对风电功率相关特征数据进行降噪，并将预处理后的数据输入进ＴＣＮ－ＳＡ－ＢｉＧＲＵ模型中，通过ＴＣＮ网络对相关数据进行特征提取，最后将有效信息输入进ＢｉＧＲＵ模型中进行预测㊂本文选取西班牙某地区的风电功率数据以及其他历史相关数据以验证该组合模型的预测有效性㊂１㊀模型原理介绍１．１㊀时间卷积神经网络时间卷积神经网络（ＴｅｍｐｏｒａｌＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ，ＴＣＮ）最早于２０１６年由Ｌｅａ等学者提出，随后由Ｂａｉ等学者在文章中正式提出㊂ＴＣＮ在卷积神经网络（ＣＮＮ）的基础上做出改进，增加因果卷积以及空洞卷积㊂ＴＣＮ中的因果卷积为单向结构，能保证提取信息特征时的因果性，即输入序列ｘ１，ｘ２， ，ｘｔ预测ｙ１，ｙ２， ，ｙｔ时，如果需要预测ｔ时刻的值ｙｔ时只能利用已存在并观察到的ｘ１，ｘ２， ，ｘｔ－１，而不能使用ｘｔ＋１，ｘｔ＋２， ，所以ＴＣＮ中的因果卷积可以保证在时序预测过程中并不会受到未来信息因素的干扰，但是单纯的因果卷积受制于卷积内核大小，在抓取依赖信息特征时需要堆叠过多层数，所以ＴＣＮ中又采用膨胀卷积增加网络中的感受野，对上一层输入信息增大采样范围以使得ＴＣＮ能够提取间隔较长以及非连续性数据的时序特征㊁即在更少层数的情况下能够抓取更多信息特征，同时ＴＣＮ在各网络层之间采用残差进行连接，防止梯度消失爆炸问题的产生［１０］㊂膨胀因果卷积结构如图１所示，残差模块图如图２所示㊂O u t p u td=4H i d d e nd=2H i d d e nd=1I n p u ty0y1y2yt-2y t-1y tx0x1x2x t-2x t-1x t图１㊀膨胀因果卷积图Ｆｉｇ．１㊀ＳｔｒｕｃｔｕｒｅｓｏｆＣａｕｓａｌａｎｄＤｉｌａｔｅｄＣｏｎｖｏｌｕｔｉｏｎｓI n p u tO u p u t1?1卷积（o p t i o n a l）d r o p o u tR e L u激活函数批量标准化膨胀因果卷积d r o p o u tR e L u激活函数批量标准化膨胀因果卷积残差模块(k,d)图２㊀残差模块图Ｆｉｇ．２㊀Ｒｅｓｉｄｕａｌｍｏｄｕｌｅ１．２㊀自注意力机制模块由于在神经网络结构中所接收到的输入向量大小不一，同时这些向量之间所蕴含的信息可能存在一定关系，所以在模型训练中因为忽略了这些向量之间的关系而导致模型训练结果很差，而自注意力机制可以针对全连接神经网络中的相关输入变量较好地建立起数据相关性，从而提高了特征有效提取能力㊂其公式如下：Ｑ＝ＸＷＱ（１）Ｋ＝ＸＷＫ（２）７６１第１１期秦小晖，等：融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ风电功率预测Ｖ＝ＸＷＶ（３）ＡＱ，Ｋ，Ｖ()＝ｓｏｆｔｍａｘ（ＱＫＴｄ）Ｖ（４）㊀㊀其中，Ａ为Ａｔｔｅｎｔｉｏｎ，即注意力权重；Ｑ为查询向量矩阵（ＱｕｅｒｙＶｅｃｔｏｒ）；Ｋ为键向量矩阵（ＫｅｙＶｅｃｔｏｒ）；Ｖ为值向量矩阵（ＶａｌｕｅＶｅｃｔｏｒ）㊂１．３㊀双向门控循环单元门控循环单元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ）是循环神经网络（ＲＮＮ）的一种，由学者Ｃｈｏ等学者在２０１４年提出㊂ＧＲＵ与长短期记忆神经网络（ＬＳＴＭ）相类似，是在ＬＳＴＭ基础上提出的衍生网络结构［１１］，缓解了ＲＮＮ存在的梯度消失㊁且无法捕捉长期信息关联性等问题，并且ＧＲＵ的结构比ＬＳＴＭ简单，具有计算效率高㊁网络参数较少等优点［１２］㊂ＧＲＵ结构如图３所示㊂由图３可知，ＧＲＵ设置了２个门㊂其中，更新门ｚｔ用于控制ｔ时刻的新旧输入信息保留程度；重置门ｒｔ用于控制ｔ－１时刻每个位置输入信息保留程度㊂具体公式如下：ｚｔ＝σＷｚ㊃ｈｔ－１，ｘｔ[]()（５）ｒｔ＝σＷｒ㊃ｈｔ－１，ｘｔ[]()（６）ｈｔ－＝ｔａｎｈ（Ｗ㊃ｒｔ∗ｈｔ－１，ｘｔ[]）（７）ｈｔ＝１－ｚｔ()∗ｈｔ－１＋ｚｔ∗ｈｔ－（８）㊀㊀其中，Ｗｚ㊁Ｗｒ与Ｗ分别表示更新门㊁重置门以及隐藏层的权重矩阵㊂1-h th t -1σσ~t a n hx tz tr th t图３㊀ＧＲＵ结构图Ｆｉｇ．３㊀ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ㊀㊀ＧＲＵ在进行预测时的顺序都是由前到后，这种单一方向的时序数据预测会导致具有长关联性数据的信息发生遗漏，所以在ＧＲＵ的基础上加入双向学习得到双向门控循环单元（Ｂｉ－ＧＲＵ），其结构如图４所示㊂㊀㊀由Ｂｉ－ＧＲＵ结构图可观察到，从正向来看，正向传导单元可以捕捉数据中的历史信息，从反向来看，反向传导单元可以捕捉数据中的未来信息，这种双向的结构可以实现全局信息捕捉，从而提高时序特征提取效率［１３］㊂更新后的公式如下：ｈｔ＝ＧＲＵｘｔ，ｈｔ－１()（９）ｈᶄｔ＝ＧＲＵｘｔ，ｈᶄｔ－１()（１０）Ｈｔ＝Ｗｈｔｈｔ＋Ｗｈᶄｔｈᶄｔ＋ｂｔ（１１）㊀㊀其中，Ｗ为ｔ时刻隐藏层状态；ｈ为ｔ时刻隐藏层权重；ｂｔ为ｔ时刻隐藏层状态偏置㊂W 4W 6W 4W 4W 6W 6W 5W 5W 5W 5W 3W 3W 3W 3W 1W 1W 1W 2W 2W 2正向反向图４㊀Ｂｉ－ＧＲＵ结构图Ｆｉｇ．４㊀ＢｉｄｉｒｅｃｔｉｏｎａｌＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ２㊀融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ风电功率预测模型２．１㊀Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器由于来自传感器的原始数据包含过多噪声会影响模型性能，所以很少被作为预测模型的输入数据㊂因此，在进行实验分析时，需要首先对数据进行降噪处理㊂在本研究中，采用Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器来去除原始数据的噪声㊂Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器由Ｓａｖｉｔｚｋｙ和Ｇｏｌａｙ在１９６４年提出，是一种基于时域局部多项式最小二乘拟合的滤波方法，常用于数据流平滑降噪㊂作为一种有限脉冲响应（ＧＩＲ）数字滤波器，通过卷积操作对原始时域信号进行平滑处理，而滤波后的数据在去除噪声的同时，保持了相同的信号结构㊂作为光谱预处理中的常用方法，主要是对一定长度内的数据点进行ｋ阶多项式拟合后得到拟合结果㊂Ｓ－Ｇ滤波是一种移动窗口的加权平均算法，但是其加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出，该算法的最大特点就是在滤除噪声的同时可以确保信号的形状㊁宽度不变㊂公式如下：ｓ∗ｊ＝ðｍｉ＝－ｍＣｉＳｊ＋１Ｎ（１２）㊀㊀其中，Ｓ表示原始信号；ｓ∗表示降噪后的信号；Ｃｉ为第ｉ次的降噪系数；Ｎ为（２ｍ＋１）组数据的滑动窗口宽距；ｊ为数据集中第ｊ个样本㊂当将滤波器应用于时间序列数据进行平滑处理时，必须确定滤波器中的２个参数㊂第一个参数Ｎ，是Ｓ－Ｇ滤波器８６１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀中的滑动窗口宽距，一般来说，当Ｎ越大时会产生更为平滑的结果，但同时会降低峰值的平整度；第二个参数ｋ，表示Ｓ－Ｇ滤波器中的拟合阶数，通常ｋ值会设置在２到４的范围中㊂ｋ值越小，会产生更平滑的结果，但可能会引入偏差；而ｋ值越高，虽然会减少滤波器的偏差，但可能会发生过拟合现象，产生更大的噪声，所以调整Ｎ与ｋ的大小是实现有效降噪以及信号平衡的关键所在㊂２．２㊀Ｓ－Ｇ－ＴＣＮ－ＳＡ－ＢｉＧＲＵ模型结构及预测步骤本模型主要分为７个模块：输入层㊁Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器降噪层㊁数据拼接层㊁时域卷积层（ＴＣＮ）㊁自注意力机制模块㊁双向门控循环单元以及输出层㊂模型结构如图５所示㊂对模型中的各预测步骤将给出阐释分述如下㊂图５㊀融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ模型Ｆｉｇ．５㊀ＴＣＮ－ＳＡ－ＢｉＧＲＵｍｏｄｅｌｉｎｃｏｒｐｏｒａｔｉｎｇＳ－Ｇｆｉｌｔｅｒ㊀㊀（１）数据输入㊂对样本按照时间点位进行采样并进行数据预处理，将处理后的数据作为输入㊂这里的数据包括风电功率数据以及相关特征数据（例如温度㊁湿度㊁大气压强㊁风速㊁风力等级㊁天气情况以及实际价格）㊂（２）降噪㊂假若全部数据进入Ｓ－Ｇ滤波器进行降噪则会造成数据失真，所以选取部分数据进行降噪，根据样本设置Ｓ－Ｇ滤波器中的滑动窗口宽距Ｎ以及拟合阶数ｋ㊂（３）数据拼接及划分㊂将未降噪的数据以及降噪后的数据在此层进行拼接，并按照比例划分训练集以及测试集㊂（４）模型训练㊂将训练集输入进ＴＣＮ－ＳＡ－ＢｉＧＲＵ网络中进行训练，首先利用ＴＣＮ时域卷积网络层对时序数据进行快速特征提取，再利用自注意力机制模块对特征进行权重调整，接着进入ＢｉＧＲＵ网络中再次进行信息提取以更深层次地挖掘时序数据中蕴含的数据相关性，最后得到训练完成的ＴＣＮ－ＳＡ－ＢｉＧＲＵ㊂（５）预测及分析㊂将测试集输入进已训练完成的ＴＣＮ－ＳＡ－ＢｉＧＲＵ网络中进行风电功率预测，并设置对比分析实验以检测该组合模型的优越性㊂３㊀实验３．１㊀实验环境实验所使用计算机配置见表１㊂表１㊀实验环境Ｔａｂ．１㊀Ｅｘｐｅｒｉｍｅｎｔａｌｅｎｖｉｒｏｎｍｅｎｔ实验环境配置计算机系统Ｗｉｎｄｏｗｓ１１ＣＰＵＡＭＤＲｙｚｅｎ５５６００ＨｗｉｔｈＲａｄｅｏｎＧｒａｐｈｉｃｓ＠３．３０ＧＨｚ运行内存１６ＧＢ开发语言Ｐｙｔｈｏｎ３．８深度学习框架Ｐｙｔｏｒｃｈ１．１０．０３．２㊀数据选取本实验数据来自Ｋａｇｇｌｅ数据网站上西班牙某地区２０１５年１月１日００：００至２０１８年１２月３１日２３：５９的风电功率数据㊂每日共设２４个采样点，采样时间间隔为１ｈ，即每日数据集为２４维风电功率数据㊂并且，陆上风力发电功率与一些其他的因素息息相关，所以本实验数据集包含了数据所属地的温度最大值及最小值㊁湿度㊁大气压强㊁风速㊁风力等级㊁天气情况以及电力实际价格㊂３．３㊀数据预处理３．３．１㊀数据缺失值处理对数据进行缺失值处理，由于处理过程中未见大范围数据缺失㊁且数据采样间隔时间较短，故采取均值插补法对缺失数据进行填充㊂３．３．２㊀数据标准化处理由于在处理数据问题的时候，实验数据来自多个维度，例如本实验中温度㊁风力等因素会对风电功率产生影响，这一情况会产生以下问题：数据量纲不同导致数量级差别大；过大的数值会产生数值问题引发特征贡献度失衡㊂所以为了避免以上问题，实验中选择对风电功率㊁温度以及压强等特征进行数据标准化处理，标准化公式如下：ｘᶄ＝ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ（１３）９６１第１１期秦小晖，等：融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ风电功率预测㊀㊀其中，ｘᶄ为重新调节后的数据向量，范围值为［０，１］，ｘｍａｘ与ｘｍｉｎ分别表示数据集中的最大值与最小值㊂对于离散型数据 天气质量状况 则进行ＬａｂｅｌＥｎｃｏｄｅｒ编码处理，例如： 晴天 为１， 雨雪天 为２，等等㊂３．４㊀实验评价指标本文模型评价指标选取决定系数（ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎ，Ｒ２）㊁平均绝对误差（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ，ＭＡＥ）以及均方误差（ＭｅａｎＳｑｕａｒｅＥｒｒｏｒ，ＭＳＥ）㊂（１）决定系数（Ｒ２）㊂一般用来表示模型预测拟合程度㊂计算公式如下：Ｒ２＝１－ðｍｉ＝１（ｙｉ－ｙ＾ｉ）２ðｍｉ＝１（ｙｉ－ｙｉ）２（１４）㊀㊀（２）平均绝对误差（ＭＡＥ）㊂用来准确反映实际预测误差的大小㊂计算公式如下：ＭＡＥ＝１ｍðｍｉ＝１ｙｉ－ｙｉ（１５）㊀㊀（３）均方误差（ＭＳＥ）㊂用来衡量观测值同真值之间的偏差㊂计算公式如下：ＭＳＥ＝１ｍðｍｉ＝１（ｙｉ－ｙ＾ｉ）２（１６）㊀㊀其中，ｙｉ表示原始数据；ｙ＾ｉ表示拟合数据；ｙｉ表示原始数据均值㊂决定系数Ｒ２取值范围为［０，１］，Ｒ２取值越接近１表示拟合效果越好，平均绝对误差ＭＡＥ以及均方根误差ＭＳＥ的取值则越小越好㊂３．５㊀实验结果及分析利用Ｓ－Ｇ滤波器对部分风电功率及相关数据进行降噪处理，由于滤波器中的参数无法对数据进行自适应处理，故在多次对比实验后设置Ｓ－Ｇ滤波器中滑动窗口宽度Ｎ为５９，拟合阶数ｋ为３㊂此后在拼接层将降噪完的数据与原输入未降噪后的数据进行拼接输入进ＴＣＮ－ＢｉＧＲＵ网络中，设置模型训练迭代次数为１００次，ＴＣＮ网络中的膨胀系数设置为以２的倍数进行叠加，ＢｉＧＲＵ网络中神经单元数为６４，其中ＢｉＧＲＵ网络层数为１层㊂为了更直观地展示该组合模型的预测精度，故设置对比实验以及消融实验㊂３．５．１㊀对比实验为了验证模型预测性能，该处选择传统循环神经网络（ＲＮＮ）㊁长短期记忆神经网络（ＬＳＴＭ）以及双向循环门控单元神经网络（ＢｉＧＲＵ）进行对比，各模型预测值与真实值对比结果见表２㊂表２㊀对比实验结果Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ模型ＭＡＥＭＳＥＲ２ＲＮＮ０．１３３００．０１３４０．８９３３ＬＳＴＭ０．１６３１０．０１５６０．８８００ＢｉＧＲＵ０．１１２６０．０１１１０．９０５７Ｓ－Ｇ－ＴＣＮ－ＳＡ－ＢｉＧＲＵ０．１０２００．０１０２０．９１７５㊀㊀由表２中结果可以看出，融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＢｉＧＲＵ模型的预测值以及预测性能要比上述所提到的对比模型都具有优势㊂与传统循环神经网络（ＲＮＮ）相比，本组合模型的ＭＡＥ降低了０．０３１，ＭＳＥ降低了０．００３２；与长短期记忆神经网络（ＬＳＴＭ）相比，本组合模型的ＭＡＥ降低了０．０６１１，ＭＳＥ降低了０．００５４；同双向循环门控单元神经网络（ＢｉＧＲＵ）相比，本组合模型的ＭＡＥ降低了０．０１０６，ＭＳＥ降低了０．０００９；从拟合程度来看，本模型的拟合程度最高㊂综上可以表明，本组合模型在风电功率预测方面的结果是更为精确的㊂３．５．２㊀消融实验为了验证本文组合模型中各个模块的合理性，研究设置了消融实验：剔除ＴＣＮ时域卷积神经网络㊁剔除自注意力机制模块以及剔除Ｓ－Ｇ滤波器，实验结果如图６所示，实验指标对比见表３㊂S-G-T C N-S A-B i G R US-G-T C N-B i G R US-G-B i G R UT C N-S A-B i G R UT r u e V a l u e s160001400012000100008000600040002000050100150200250300350400t i m e s图６㊀消融实验预测值对比Ｆｉｇ．６㊀Ｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｅｄｖａｌｕｅｓｆｏｒａｂｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓ表３㊀消融实验对比结果Ｔａｂ．３㊀Ｃｏｍｐａｒａｔｉｖｅｒｅｓｕｌｔｓｏｆａｂｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓ序号模型ＭＡＥＭＳＥＲ２（１）Ｓ－Ｇ－ＴＣＮ－ＳＡ－ＢｉＧＲＵ０．１０２００．０１０２０．９１７５（２）ＴＣＮ－ＳＡ－ＢｉＧＲＵ０．１１２２０．０１１４０．９１７１（３）Ｓ－Ｇ－ＢｉＧＲＵ０．１１０６０．０１０３０．９０８７（４）Ｓ－Ｇ－ＴＣＮ－ＢｉＧＲＵ０．１４９６０．０１３７０．８５９８㊀㊀从图６以及表３中的结果可以看出，模型（２）的ＭＡＥ相较于模型（１）高了０．０１０２，ＭＳＥ高了０．００３５；０７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀模型（３）的ＭＡＥ相较于模型（１）高了０．００８６，ＭＳＥ高了０．０００１；模型（４）的ＭＡＥ相较于模型（１）高了０．０４７６，ＭＳＥ高了０．００３５；㊂综上，在分别剔除Ｓ－Ｇ滤波器㊁自我注意力机制模块以及ＴＣＮ时域卷积网络结构后，每一种模型的ＭＡＥ以及ＭＳＥ都有所上升，这也证明了本文所提出的组合模型的每个结构在模型预测性能方面都有一定的提升作用，进而表明组合模型的预测性能要优于单个模型㊂４ 结束语（１）本文所使用的Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器在一定程度上对数据进行了有效降噪并提升了预测模型整体的预测精度，但该滤波器中的参数需要根据输入数据进行调节，所以在此研究基础上可进一步利用算法优化Ｓ－Ｇ滤波器的滑动窗口参数Ｎ以及拟合阶数ｋ，用来提高模型对于不同数据的适应性㊂（２）在风电功率预测方面， 融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ模型的风电功率预测性能更高 这一实验目的在经过对比㊁消融实验后得到验证，模型结构中的ＴＣＮ㊁自我注意力机制模块以及双向学习策略结构不仅提升了预测性能，并且其提取数据特征速度更快，能够更好地挖掘时序数据中所蕴含的信息要素㊂（３）基于本模型的研究更多方面是展现模型的优化，而针对风电功率预测等实际应用场景应当进一步寻找合适的预测模型进行研究㊂参考文献［１］杨茂，代博祉，刘蕾．风电功率概率预测研究综述［Ｊ］．东北电力大学学报，２０２０，４０（２）：１－６．［２］樊重俊，等．人工智能基础与应用［Ｍ］．北京：清华大学出版社，２０２０．［３］丁明，张立军，吴义纯．基于时间序列分析的风电场风速预测模型［Ｊ］．电力自动化设备，２００５，２５（８）：３２－３４．［４］ＹＡＮＧＬ，ＨＥＭ，ＺＨＡＮＧＪ，ｅｔａｌ．Ｓｕｐｐｏｒｔ－ｖｅｃｔｏｒ－ｍａｃｈｉｎｅ－ｅｎｈａｎｃｅｄＭａｒｋｏｖｍｏｄｅｌｆｏｒｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙ，２０１５，６（３）：７９１－７９９．［５］乔路丽．基于ＨＧＷＯ－ＳＶＭ的风电功率预测方法研究［Ｊ］．东北电力技术，２０２３，４４（３）：１２－１７．［６］赵新，刘冬生．基于改进果蝇算法优化ＳＶＭ的模拟电路故障诊断及对比分析［Ｊ］．电子测量与仪器学报，２０１９，３３（３）：７８－８４．［７］ＫＩＳＶＡＲＩＡ，ＬＩＮＺｉ，ＬＩＵＸｉａｏｌｅｉ．Ｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ－ａｄａｔａ－ｄｒｉｖｅｎｍｅｔｈｏｄａｌｏｎｇｗｉｔｈｇａｔｅｄｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＲｅｎｅｗａｂｌｅＥｎｅｒｇｙ，２０２１，１６３：１８９５－１９０９．［８］许阅，刘光杰．基于注意力机制的Ｂｉ－ＧＲＵ内容流行度预测算法［Ｊ］．电子测量技术，２０２２，４５（３）：５４－６０．［９］符杨，任子旭，魏书荣，等．基于改进ＬＳＴＭ－ＴＣＮ模型的海上风电超短期功率预测［Ｊ］．中国电机工程学报，２０２２，４２（１２）：４２９２－４３０３．［１０］孙隽丰，李成海，曹波．基于ＴＣＮ－ＢｉＬＳＴＭ的网络安全态势预测［Ｊ／ＯＬ］．系统工程与电子技术：１－１１［２０２２－０９－２３］．ｈｔｔｐｓ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０９２２．０９１２．００２．ｈｔｍ．［１１］ＸＵＣｏｎｇｙｕａｎ，ＳＨＥＮＪｉｚｈｏｎｇ，ＤＵＸｉｎ，ｅｔａｌ．Ａｎｉｎｔｒｕｓｉｏｎｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇａｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１８，６：４８６９７－４８７０７．［１２］蒲贞洪，朱元富．基于ＴＳＮＥ－ＢｉＧＲＵ模型短期电力负荷预测［Ｊ］．电工技术，２０２３（３）：５２－５７．［１３］ＣＨＥＮＫｕｉ，ＬＡＧＨＲＯＵＣＨＥＳ，ＤＪＥＲＤＩＲＡ．Ｄｅｇｒａｄａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｏｆｐｒｏｔｏｎｅｘｃｈａｎｇｅｍｅｍｂｒａｎｅｆｕｅｌｃｅｌｌｂａｓｅｄｏｎｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌａｎｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ＆Ｍａｎａｇｅｍｅｎｔ，２０１９，１９５（ＳＥＰ．）：８１０－８１８．１７１第１１期秦小晖，等：融合Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器的ＴＣＮ－ＳＡ－ＢｉＧＲＵ风电功率预测。
基于改进熵权法的风电功率组合预测方法
基于改进熵权法的风电功率组合预测方法杨茂;齐玥;穆钢;严干贵;齐永志【期刊名称】《电测与仪表》【年(卷),期】2015(000)015【摘要】对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。
采用单一预测模型进行预测时，都会有各自的优势和劣势，为了更好地提高风电功率预测精度，提出了基于改进熵权法的风电功率组合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的互补。
以吉林省西部某风电场的实测数据为例进行分析，说明了基于改进熵权法的风电功率组合预测方法在对风电功率进行预测时的有效性，同时证明了滚动式权重可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而实现了对风电功率预测精度的提高。
【总页数】5页(P46-49,61)【作者】杨茂;齐玥;穆钢;严干贵;齐永志【作者单位】东北电力大学电气工程学院，吉林吉林132012;东北电力大学电气工程学院，吉林吉林132012;东北电力大学电气工程学院，吉林吉林132012;东北电力大学电气工程学院，吉林吉林132012;黑龙江省第一水文地质工程地质勘察院，黑龙江齐齐哈尔161000【正文语种】中文【中图分类】TM71【相关文献】1.一种改进概率权的短时风电功率组合预测方法 [J], 王林泓;杨余鸿2.一种基于改进GPR和Bagging的短期风电功率组合预测方法 [J], 张颖超;郭晓杰;邓华3.基于IEEMD与LS-SVM组合的短期风电功率多步预测方法 [J], 张鑫磊; 李根4.基于改进GM-ARMA组合模型的风电功率中长期预测方法 [J], 郝小会;杨正军;郝延;韩自奋;马辉;张大兴5.基于组合模型的风电功率预测方法研究 [J], 王春梅因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBM和SVM的风电机组叶片开裂故障预测
第48卷第15期电力系统保护与控制Vol.48 No.15 2020年8月1日Power System Protection and Control Aug. 1, 2020 DOI: 10.19783/ki.pspc.191093基于RBM和SVM的风电机组叶片开裂故障预测张 鑫1，徐遵义1，何慧茹1，王 飞2(1.山东建筑大学计算机科学与技术学院，山东 济南 250100；2.国网瑞盈电力科技(北京)有限公司，北京 100088)摘要：针对风电机组SCADA监测数据的非线性、高冗余等特点，提出一种基于受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)和支持向量机(Support Vector Machine, SVM)的风电机组叶片开裂故障预测方法。
利用RBM优异的特征学习能力，将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。
将RBM的输出作为SVM的输入，构建RBM+SVM组合预测模型。
利用训练集、验证集进行预测模型构建和参数微调。
为验证提出模型的有效性，将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。
实验表明，RBM+SVM的预测准确率为93.08%，与三组对比模型相比具有明显的优势。
研究结果可为实际风电机组叶片开裂故障预测提供重要参考。
关键词：风电机组；叶片开裂故障；SCADA数据；受限玻尔兹曼机；支持向量机Wind turbine blade cracking fault prediction based on RBM and SVMZHANG Xin1, XU Zunyi1, HE Huiru1, WANG Fei2(1. School of Computer Science and Technology, Shandong Jianzhu University, Jinan 250100, China;2. State Grid Rayiee Electric Power Technology (Beijing) Co., Ltd., Beijing 100088, China)Abstract: For the nonlinear, high redundancy and other characteristics of wind turbine SCADA monitoring data, this paper puts forward a wind turbine blade cracking fault prediction method based on the Restricted Boltzmann Machine (RBM) and the Support Vector Machine (SVM). The RBM's excellent feature learning ability is used as feature extractor to obtain the more expressive data features in the SCADA system data of a wind turbine. RBM's output is used as the input to the SVM to construct the combined prediction model of RBM+SVM. The prediction model is constructed and parameters are fine-tuned by using a training set and a validation set. To verify the effectiveness of the proposed model, the prediction results are compared with those of RBM+Logistic regression, SVM and Logistic regression. The experiments show that the prediction accuracy of RBM+SVM is 93.08%, which has obvious advantages over the three other compared models. The results can provide an important reference for the prediction of wind turbine blade cracking.This work is supported by Shandong Province Key Research and Development Plan (No. 2016GGX101024) and China Huadian Corporation LTD. 2019 Annual Science and Technology Project (No. CHDKJ18-02-52).Key words: wind turbine; blade cracking fault; SCADA data; restricted boltzmann machine; support vector machine0 引言风电机组工作中连续受到空气动力、惯性力等交变载荷的冲击，使得叶片产生不规则摆动和扭曲变形，导致叶片角度不对称、叶片开裂等故障的发生频率较高[1]；另一方面，风电机组大多集中在寒冷区域或沿海潮湿地区，并且叶片安装位置较高，基金项目：山东省重点研发计划项目资助(2016GGX101024)；中国华电集团有限公司2019年度科技项目资助(CHDKJ18-02-52) 导致叶片结冰故障频发[2]。
219455625_基于CEEMDANGISSAGLSSVM_模型的短期风电功率预测
第３８卷第２期２０２３年４月安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l ．３８N o ．２A pr ．２０２３文章编号:１６７２Ｇ２４７７(２０２３)０２Ｇ００２７Ｇ０８收稿日期:２０２２Ｇ０６Ｇ０４㊀基金项目:安徽省教育厅重大基金资助项目(K J ２０２０Z D ３９);安徽省检测技术与节能装置重点实验室开放基金资助项目(D T E S D ２０２０A ０２)作者简介:苏忠德(１９９６Ｇ),男,安徽明光人,硕士研究生.通信作者:陆华才(１９７５Ｇ),男,安徽天长人,教授,博士.基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测苏忠德,陆华才∗,魏利胜(安徽工程大学电气传动与控制安徽省重点实验室,安徽芜湖㊀２４１０００)摘要:为提高风电功率预测的准确性,采用基于自适应噪声完备集成经验模态分解㊁改进樽海鞘群算法及最小二乘支持向量机的短期风电功率组合预测方法.首先采用自适应噪声完备集成经验模态分解将功率数据分解为若干个本征模态分量和一个残差,通过偏自相关函数确定输入维数;然后建立改进樽海鞘群算法优化最小二乘支持向量机预测模型对各个分量进行预测;最后将各分量预测结果叠加得到风电功率预测结果.仿真结果表明,所提出的模型在短期风电多步预测中精度更高.关键词:自适应噪声完备集成经验模态分解;樽海鞘群算法;最小二乘支持向量机;偏自相关函数;多步预测中图分类号:TM ６１４㊀㊀㊀㊀文献标志码:A风能作为一种重要的可再生能源,具有分布广㊁储量高㊁无污染等特点受到很多国家的重视[１].然而风力发电具有很强的随机性和波动性,随着风电装机占比的逐年上升,大规模风电并网对电力系统的运行安全带来严峻的挑战[２].因此,准确的风电功率预测有利于及时调整调度规划和提高电网的运行安全[３].风电功率预测的方法通常分为物理法和统计学方法[４].物理法不需要历史数据的支持,其原理是利用数值天气预报的风速㊁风向作为输入数据,再结合风机周围的地表信息建立数学模型进行求解[５];统计方法是根据历史数据建立预测模型,常用的统计学方法有支持向量机(S u p po r t V e c t o r M a c h i n e s ,S VM )[６]㊁极限学习机(E x t r e m eL e a r n i n g Ma c h i n e ,E L M )[７]㊁随机森林(R a n d o m F o r e s t ,R F )[８]和人工神经网络(A r t i f i c i a lN e u r a lN e t w o r k s ,A N N )[９]等.最小二乘支持向量机相比支持向量机具有更高的运算速度和收敛精度,因而在风电功率预测中广泛应用[１０].文献[１１]提出最小二乘支持向量机的风电功率超短期预测方法,并采用量子行为特征粒子群算法对最小二乘支持向量机相关参数进行优化,具有较高的预测精度;文献[１２]中采用布谷鸟搜索算法对E E M D ＧL S S VM 中关键参数进行优化,有效提高了风电功率预测准确性.针对风电功率数据随机性和不平稳性等特征,许多学者尝试将数据分解与统计学模型相结合的方法.文献[１３]将风电功率序列用经验模态分解(E m p i r i c a lM o d eD e c o m p o s i t i o n ,E M D )算法分解为若干个分量,再对各序列建模预测,E M D 算法可以有效地对风电功率数据进行平稳化处理,但存在模态混叠现象,模态混叠是指一个I M F 中包含差异极大或相近的特征时间尺度分布在不同中I M F 中,导致两个相邻的I M F 波形混叠,相互影响,难以辨认,此时I M F 分量丧失物理意义.为了解决E M D 分解时产生模态混叠的影响,文献[１４]采用集合经验模式分解(E n s e m b l eE m p i r i c a lM o d eD e c o m p o s i t i o n ,E E M D )算法分解风电功率序列,E E M D 的做法是在原始信号中加入高斯白噪声,虽然有效地抑制模态混叠,但在分解后的各分量中残留的白噪声不能完全消除.对此,文中提出C E E M D A N 算法㊁改进樽海鞘群算法优化L S S VM 超参数的短期风电功率多步预测方法.C E E M D A N 算法可以有效地解决E M D 和E E M D 存在的问题,利用C E E M D A N 算法将风电功率数据分解为若干个子序列,建立各子序列分量的L S S VM 预测模型,采用改进的樽海鞘群算法优化L S S ＧVM 的核参数和正则化参数,最后将各子序列的预测结果叠加重构获得预测值.Copyright ©博看网. All Rights Reserved.１㊀C E E M D A N 原理E M D 是一种对非稳态信号处理的方法,将信号通过筛选过程分解为不同频率的I MF ㊁E M D 方法存在模态混合的缺点,不能准确提取信号的有效特征信息.为了解决E M D 分解的模态混合问题,E E M D 方法是在E M D 分解过程中,在样本数据中加入一个高斯白噪声,通过求平均值来消除这些噪声信号[１５].然而经过有限迭代,重建的信号仍然包含噪声信号.为了消除残余噪声,T o r r e s 等[１６]提出在E M D 分解的过程中加入自适应辅助噪声信号,与E M D 和E E M D 相比,该方法有效地消除模态混合的问题.C E E M ＧD A N 的分解步骤如下:S t e p １:假设x (t )为原始风电数据,在原始信号中添加高斯白噪声z (t )y (t )＝x (t )η０z (t ),(１)式中,η０为噪声系数.S t e p ２:信号y (t )经过L 次重复分解,然后计算均值,得到C E E MD A N 的第一个I M F I MF １(t )＝１L ðLi ＝１I MF i １(t ).(２)S t e p ３:计算残差r １(t )r １(t )＝x (t )－I MF i １(t ).(３)S t e p ４:对信号r １(t )＋η１E １(z (t ))进行E MD 分解,计算第二个I MF I MF i２(t )＝１L ðLi ＝１E １{r １(t )＋η１E １[z (t )]},(４)式中,E １(∗)代表E MD 分解;η１为噪声系数.S t e p ５:计算第k 个残余分量r k (t )＝r k －１(t )－I MF i k (t ),k ＝２,３, ,L .(５)S t e p ６:重复计算步骤４的计算过程,得到第k 个I M F I MF k ＝１L ðLi ＝１E １{r k (t )＋ηkE k [z (t )]}.(６)S t e p ７:最后,分解结果如下所示p (t )＝r k (t )＋１L ðLi ＝１I MF i １(t ).(７)２㊀L S S VM 模型最小二乘支持向量机是在支持向量机的基础上改进的算法.其原理是通过非线性函数将数据映射到高维空间后并进行线性回归,建立的回归函数为:f (x )＝w Tϕ(x )＋b ,(８)式中,w 为权值向量;b 为偏置量.根据结构风险最小化原则,目标函数可以表示为:m i n J (w ,e )＝１２w T w ＋１２γðNi ＝１e ２i s ．t ㊀y i [w T ϕ(x i )＋b ]＝１－e i ,i ＝１, ,N ìîíïïïï,(９)式中,γ为正则化参数;e i 为松弛变量.由于上式维度较高,采用拉格朗日乘数法将问题转为对参数α求解.L (w ,b ,e ,α)＝m i n J (w ,e )－ðNi ＝１αi [w T ϕ(x i )＋b ＋e i －y i ],(１０)式中,αi 为拉格朗日乘数.根据K K T 最优条件得:８２ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷Copyright ©博看网. All Rights Reserved.∂L ∂w ＝０ңw ＝ðNi ＝１αi y i ϕ(x i )∂L ∂b ＝０ңðN i ＝１αi y i ＝０∂L∂e i ＝０ңαi ＝γe i ∂L ∂αi＝０ңw Tϕ(x i )＋b ＋e i －y i ＝０ìîíïïïïïïïïïïï㊀,(１１)消除w 和e 后得到线性方程组如下:０I TI Z Z T ＋I γéëêêêùûúúúb αéëêêùûúú＝０y éëêêùûúú,(１２)式中,Z ＝[ϕ(x i )T y １, ,ϕ(x N )T y N ],I ＝[１, ,１]T 为N ˑ１维度列向量,y ＝[y １, ,y N ]T,α[α１, ,αN ]T.根据M e r c e r 条件,应用核函数K (x i ,x j )等效上式中内积计算,将非线性问题线性化,即:K (x i ,x j )＝ϕ(x i )Tϕ(x j ),(１３)则L S S VM 模型表达式为:y (x )＝ðNi ＝１αi K (x ,x i )＋b .(１４)L S S VM 的性能受到正则化参数㊁核函数类型和参数的影响,常见的核函数有R B F 核函数㊁线性核函数㊁P O L Y 核函数㊁S i g m o i d 核函数.R B F 核函数具有泛化能力好,表现形式比较简单且具有较宽的收敛域等优点,文中选择R B F 核函数作为L S S VM 模型的核函数.３㊀樽海鞘群算法３．１㊀标准樽海鞘群算法樽海鞘群算法(S a l p S w a r m A l g o r i t h m ,S S A )是由M i r j a l i l i 等[１７]提出的群智能优化算法,主要灵感来自于樽海鞘在海中群聚和捕食的行为.为了用数学的方式对樽海鞘进行建模,将种群分为两部分:领导者和追随者.位于樽海鞘链前端的称为领导者,其余的个体为追随者.具体过程如下:假设每个樽海鞘个体在N ˑD 维空间搜索,N 为种群大小,D 为维数,空间上限为u b ,空间下限为l b .搜索空间中的食物源F 为群体的目标,即全局最优解.樽海鞘位置初始化:X i j ＝r a n d (N ,D )ˑ(u b j －l b j )＋l b j ,(１５)式中,r a n d ()为生成[０,１]之间的随机矩阵;u b 为第j 维的上限;l b 维第j 维的下限.更新领导者位置:X １jF j ＋c １((u b j －l b j )c ２＋l b j )㊀c ３ȡ０．５F j －c １((u b j －l b j )c ２＋l b j)㊀c ３＜０．５{,(１６)式中,X １j 为第一个樽海鞘在j 维的位置;F j 为食物在j 维的位置;c ２和c ３为随机数.c １的定义为:c １＝２e －t T()２,(１７)式中,t 为当前迭代次数;T 为最大迭代次数.为了更新追随者位置,根据牛顿运动定律:X i j ＝１２a t ２＋v ０t ,(１８)式中,i ȡ２;X i j 为i 只追随者在第j 维空间的位置;t 为时间;v ０为初速度;a ＝v f i n a lv ０,v ＝x －x ０t .因为在算法中优化时间为迭代,迭代之间的差值为１,考虑v ０＝０,则等式可表示为:９２ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.x ij ＝１２(x i j ＋x i －１j ).(１９)３．２㊀改进樽海鞘群算法(１)T e n t 映射种群初始化.樽海鞘群算法的初始种群采用随机策略生成,全局搜索能力有限,容易陷入局部最优.为提高樽海鞘群算法的寻优精度,引入了混沌思想.混沌映射的目的是通过映射关系在[０,１]区间产生混沌序列,利用混沌的随机性㊁遍历性等特点初始化种群可有效提升种群的多样性,使算法跳出局部最优,提高全局搜索能力[１８].T e n t 映射的数学表达式如下:y j ＋１μy j ０ɤy j ɤ０．５μ(１－y j )０．５＜y j ＜１{,(２０)式中,μɪ(０,２];μ是反映系统混沌程度的控制参数,μ越大,系统混沌性越好,文中取μ＝２;j ＝１,２, ,D 表示混沌变量序号.将混沌序列进行逆映射,得到个体的搜索空间变量x ij ,x i j ＝(u b j －l b j )y ij ＋l b j .(２１)(２)差分变异策略.受文献[１９]的启发,在领导者更新中引入差分变异策略,随机从种群中选取两个不同个体x r １j 和x r ２j 变异生成新的个体,增强种群多样性,提高全局搜索能力.改进后的领导者位置更新如下:X ij＝F j ＋c １(x r １j －x r ２j ),c ３ȡ０．５F j －c １(x r １j －x r ２j),c ３＜０．５{,(２２)式中,r １,r ２ɪN ,c １的表达式如式(１７)所示;c ３为随机数.(３)莱维飞行策略.莱维飞行利用短距离搜索增强算法局部搜索能力,利用长距离跳跃搜索可避免陷入局部最优解,提高算法全局搜索能力.M a n t e gn a 在１９９４年提出的一种用正态分布求解随机数的方法,生成服从莱维分布的随机步长,M a n t e gn a 方法描述如下:L e v y (β)＝S ＝uv １β,(２３)u ~(０,σ２u ),v ~(０,σ２v ),(２４)σu ＝Γ(１＋β) s i n πβ２æèçöø÷Γ１＋β２æèçöø÷β２β－１２éëêêêêùûúúúú,(２５)式中,u ,v 服从高斯分布;β＝１．５,σv ＝１.改进后的追随者位置更新表达式如下:x i j ＝１２{x i j ＋x i －１j ＋[x i j ＋L e v y (β)]}.(２６)３．３㊀改进樽海鞘群算法步骤S t e p １:初始化参数,使用式(２１)初始化种群.S t e p ２:计算个体适应度值,选择最优值作为食物源的位置.S t e p ３:根据式(２２)对樽海鞘领导者的位置进行更新.S t e p ４:根据式(２６)对樽海鞘追随者的位置进行更新.S t e p ５:计算个体适应度值,与当前适应度值对比,若新的适应度值优于当前值,则更新食物源位置.S t e p ６:判断是否满足终止条件,若满足则输出结果,若不满足则转到S t e p ３进行迭代.４㊀C E E M D A N ＧI S S A ＧL S S VM 模型建立风电功率数据具有较强的波动性和非平稳性,直接作为I S S A ＧL S S VM 模型的输入对预测精度有较大的影响.文中利用C E E M D A N 对风电功率进行分解,采用I S S A 优化L S S VM 的正则化参数和R B F 核参数,建立C E E M D A N ＧI S S A ＧL S S VM 短期风电功率预测模型,流程图如图１所示.０３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷Copyright ©博看网. All Rights Reserved.图１㊀C E E M D A N ＧI S S A ＧL S S VM 预测模型５㊀算例分析５．１㊀样本选择与处理文中研究的风电功率数据来自比利时E l i a 公司网站[２０],风电功率采样时间间隔为１５m i n,从数据集中随机选取１２４８个数据点,其中前１１５２个数据作为训练样本集,后９６个数据作为测试样本.风电功率原始序列图如图２所示.原始风电功率存在较强的波动性和不稳定性等特点,采用C E E M D A N 将原始风电功率序列分解为多个波动小㊁平稳性好的子序列,也能有效地消除模态混合的问题.C E E M D A N 分解得到个１０个I M F 分量和１个残差分量,结果如图３所示.分解后的子序列与风电原始序列相比幅度小且平稳性好.图２㊀风电功率原始序列图图３㊀C E E M D A N 分解结果１３ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.２３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷５．２㊀建立模型输入矩阵模型输入矩阵的选取对预测性能有着重要的影响,应用偏自相关函数计算各个子序列的相关系数,确定模型输入矩阵的维数,避免人工选取的不足.各分量时滞如表１所示,I M F１序列的滞后值为７,这说明前７个风电功率值对预测未来功率值贡献最大的相关信息.将前７个风电功率序列作为模型的输入来预测下一个功率值,然后将预测值作为输入对下一个功率值进行预测.表１㊀各分量的滞后值分量I M F１I M F２I M F３I M F４I M F５I M F６I M F７I M F８I M F９I M F１０R e s 滞后值７５１３１０１４８７８７１０７５．３㊀预测结果及分析风电功率序列通过C E E M D A N分解后,采用I S S AＧL S S VM预测模型对各分量进行预测,将分解后的子序列训练的平均绝对误差作为优化目标函数.为验证文中提出模型的优越性,建立了６种预测模型进行分析.模型１:L S S VM预测模型;模型２:极限学习机(E L M)预测模型;模型３:小波神经网络(WN N)预测模型;模型４:I S S AＧL S S VM预测模型;模型５:E E M DＧI S S AＧL S S VM预测模型;模型６:C E E M D A NＧI S S AＧL S S VM预测模型进行风电功率预测,预测结果如图４所示.为了对预测结果进行合理的评价,采用平均绝对误差(M e a nA b s o l u t eE r r o r,MA E)㊁平均绝对百分比误差(M e a nA b s o l u t eP e r c e n t a g eE r r o r,MA P E)及均方根误差(R o o tM e a nS q u a r eE r r o r,R M S E)来衡量模型的预测效果,其数学表达式为:MA E＝１NðN i＝１|Y A i－Y F i|,(２７)R M S E＝１NðN i＝１(Y A i－Y F i)２,(２８),(２９)MA P E＝１NðN i＝１|Y A i－Y F i|Y A iˑ１００％式中,N为样本数;Y A i为风电功率的真实值;Y F I为风电功率的预测值.图４a㊁c㊁e为６种模型的预测曲线.从图４中可以看出,模型１~４随着预测步数的增加,预测效果越来越差;模型５和模型６在１~３步预测中均能够有效地跟踪预测;图４b㊁d㊁f中的横坐标为功率测量值,纵坐标为预测值,红线为测量值与预测值相等线,当预测点越靠近红线时,说明预测精度越高.从３张散点图上看,模型１~４随着预测步长的增加,预测点逐渐偏离红线;模型５和模型６在１~３步预测中预测点均能够很好的靠近红线.表２为预测结果比较.从表２中可以看出,模型６的１~３步预测的评价指标均优于其他模型.表２㊀预测结果比较模型１ＧS t e p２ＧS t e p３ＧS t e p MA E R M S E MA P E/％MA E R M S E MA P E/％MA E R M S E MA P E/％模型１２．９７４４．０２４７．２３１４．７９９６．３７９１１．７５２６．３５２８．４１２１５．９４９模型２２．９４３３．７８９７．４３９４．４５５６．１１０１１．４２３５．９０９７．６４９１５．１６４模型３３．０５９３．８７１７．３７３４．７２０６．０３２１１．４９２６．１９７８．０７７１５．３３３模型４２．６８１３．５０２６．７９３４．１９２５．６６３１０．９７８５．６７４７．４３０１４．８９４模型５１．１５３１．４５１３．２３４１．８６６２．３６０５．０７９２．１２３２．６６６５．７０９模型６０．９７６１．２１６２．４６８１．４３４１．８３２３．８５５１．８８７２．６５１５．０５７６㊀结论文中提出C E E M D A NＧI S S AＧL S S VM短期风电功率多步预测方法,通过仿真分析得出以下结论: (１)采用C E E M D A N方法将波动性强的原始风电功率序列分解为较为平稳的子序列,可有效地降低预测误差.Copyright©博看网. All Rights Reserved.图４㊀预测结果及散点图(２)对各子序列构建L S S VM 预测模型前,通过P A C F 确定输入变量维数,再通过改进的樽海鞘群算法对L S S VM 的参数进行寻优构建I S S A ＧL S S VM 预测模型,有效地提高了预测精度.(３)通过对比多种预测模型的多步预测,文中提出的模型在１~３步预测中MA E ㊁MA P E 和R M S E 均最小,说明文中提出的预测模型在短期风电功率多步预测具有很好的应用价值.参考文献:[１]㊀Z HO U B ,D U A N H R ,WU Q W ,e t a l ．S h o r t Ｇt e r m p r e d i c t i o no fw i n d p o w e r a n d i t s r a m p e v e n t s b a s e do n s e m i Ｇs u pe r Ｇv i s e d g e n e r a t i v e a d v e r s a r i a l n e t w o r k [J ]．I n t e r n a t i o n a l j o u r n a lo fe l e c t r i c a l p o w e ra n de n e r g y s ys t e m s ,２０２１,１２５:１０６４１１．[２]㊀Z HA N GC ,P E N G T ,N A Z I R M S ．An o v e l h y b r i da p pr o a c hb a s e do nv a r i a t i o n a l h e t e r o s c e d a s t i c g a u s s i a n p r o c e s s r e Ｇg r e s s i o n f o rm u l t i Ｇs t e p a h e a dw i n d s p e e d f o r e c a s t i n g [J ]．I n t e r n a t i o n a l j o u r n a l o f e l e c t r i c a l p o w e r a n de n e r g y s ys t e m s ,２０２２,１３６:１０７７１７．[３]㊀D U A NJD ,WA N GP ,MA W T ,e t a l ．An o v e l h y b r i dm o d e l b a s e do nn o n l i n e a rw e i g h t e dc o m b i n a t i o n f o r s h o r t Ｇt e r m w i n d p o w e r f o r e c a s t i n g [J ]．I n t e r n a t i o n a l j o u r n a l o f e l e c t r i c a l p o w e r a n de n e r g y s ys t e m s ,２０２２,１３４:１０７４５２．[４]㊀D O N G Y ,Z HA N G H ,WA N G C ,e t a l ．S h o r t Ｇt e r m w i n d p o w e r p r e d i c t i o nb a s e do n p a r t i c l es w a r m o pt i m i z a t i o n Ｇe x Ｇ３３ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.４３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷t r e m e l e a r n i n g m a c h i n em o d e l c o m b i n e dw i t ha d a b o o s t a l g o r i t h m[J]．I E E Ea c c e s s,２０２１,９:９４０４０Ｇ９４０５２．[５]㊀M E N G AB,C H E NS,O UZ H,e t a l．Ah y b r i dd e e p l e a r n i n g a r c h i t e c t u r e f o rw i n d p o w e r p r e d i c t i o nb a s e do nb iＧa t t e nＧt i o nm e c h a n i s ma n d c r i s s c r o s s o p t i m i z a t i o n[J]．E n e r g y,２０２２,２３８:１２１７９５．[６]㊀岳晓宇,彭显刚,林俐．鲸鱼优化支持向量机的短期风电功率预测[J]．电力系统及其自动化学报,２０２０,３２(２):１４６Ｇ１５０．[７]㊀L IL L,L I U ZF,T S E N G M L,e t a l．U s i n g e n h a n c e dc r o ws e a r c ha l g o r i t h m o p t i m i z a t i o nＧe x t r e m e l e a r n i n g m a c h i n e m o d e l t o f o r e c a s t s h o r tＧt e r m w i n d p o w e r[J]．E x p e r t s y s t e m sw i t ha p p l i c a t i o n s,２０２１,１８４:１１５５７９．[８]㊀L A HO U A R A,S L AMAJBH．H o u rＧa h e a dw i n d p o w e r f o r e c a s t b a s e d o n r a n d o mf o r e s t s[J]．R e n e w a b l e e n e r g y,２０１７,１０９:５２９Ｇ５４１．[９]㊀D A G D O U G U I,HA N A N E,B A G H E R I,e t a l．N e u r a l n e t w o r k m o d e l f o r s h o r tＧt e r ma n dv e r yＧs h o r tＧt e r ml o a df o r e c a sＧt i n g i nd i s t r i c t b u i l d i n g s[J]．E n e r g y a n db u i l d i n g s,２０１９,２０３:１０９４０８．[１０]杜颖,卢继平,李青,等．基于最小二乘支持向量机的风电场短期风速预测[J]．电网技术,２００８(１５):６２Ｇ６６．[１１]张涛,孙晓伟,史苏怡,等．基于Q P S OＧL S S VM的风电场超短期功率预测[J]．中国电力,２０１６(３):１８３Ｇ１８７．[１２]雷炳银,王子驰,苏雨晴,等．基于E E M DＧC SＧL S S VM的短期负荷预测方法研究[J]．电力系统及其自动化学报,２０２１,３３(９):１１７Ｇ１２２．[１３]刘长良,吴家佳．基于核极端学习机的短期风电功率预测研究[J]．热能动力工程,２０１７,３２(１):９５Ｇ１００,１２５．[１４]程启明,陈路,程尹曼,等．基于E E M D和L SＧS VM模型的风电功率短期预测方法[J]．电力自动化设备,２０１８,３８(５):２７Ｇ３５．[１５]姜贵敏,陈志军,李笑竹,等．基于E E M DＧA C SＧL S S VM的短期风电功率预测[J]．太阳能学报,２０２０,４１(５):７７Ｇ８４．[１６]T O R R E S M E,C O L OM I N A S M A,S C H L O T T HA U E R G,e t a l．Ac o m p l e t e e n s e m b l e e m p i r i c a lm o d e d e c o m p o s i t i o n w i t ha d a p t i v en o i s e[C]//２０１１I E E EI n t e r n a t i o n a l C o n f e r e n c eo nA c o u s t i c s,S p e e c ha n dS i g n a lP r o c e s s i n g(I C A S S P), M a y２２Ｇ２７,２０１１,P r a g u e,C z e c hR e p u b l i c:４１４４Ｇ４１４７．[１７]M I R J A L I L I S E Y E D A L I,G A N D OM IAM I R H,M I R J A L I L IS E Y E D E H Z A H R A,e t a l．S a l p s w a r ma l g o r i t h m:ab i oＧi n s p i r e do p t i m i z e r f o r e n g i n e e r i n g d e s i g n p r o b l e m s[J]．A d v a n c e s i ne n g i n e e r i n g s o f t w a r e,２０１７,１１４:１６３Ｇ１９１．[１８]张达敏,陈忠云,辛梓芸,等．基于疯狂自适应的樽海鞘群算法[J]．控制与决策,２０２０,３５(９):２１１２Ｇ２１２０．[１９]焦晓璇,景博,李娟,等．基于A D E GWOＧS VM的机载燃油泵寿命预测研究[J]．仪器仪表学报,２０１８,３９(８):４３Ｇ５２．[２０]E l i aW i n dＧP o w e rG e n e r a t i o nD a t a[E B/O L]．[２０２１Ｇ１２Ｇ１０]．h t t p s://w w w．e l i a．b e/e n/g r i dＧd a t a/p o w e rＧg e n e r a t i o n/w i n dＧp o w e rＧg e n e r a t i o n．S h o r tＧt e r m W i n dP o w e rP r e d i c t i o nB a s e d o nC E E MD A NＧI S S AＧL S S V MS UZ h o n g d e,L U H u a c a i∗,W E IL i s h e n g(K e y L a b o r a t o r y o fE l e c t r i cD r i v e a n dC o n t r o l o fA n h u i P r o v i n c e,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u２４１０００,C h i n a)A b s t r a c t::I no r d e r t o i m p r o v e t h e a c c u r a c y o fw i n d p o w e r p r e d i c t i o n,a s h o r tＧt e r m w i n d p o w e r c o m b i n aＧt i o n p r e d i c t i o nm e t h o db a s e do nc o m p l e t ee n s e m b l ee m p i r i c a lm o d ed e c o m p o s i t i o n w i t ha d a p t i v en o i s e (C E E M D A N),i m p r o v e d s a l p s w a r ma l g o r i t h m(I S S A)a n d l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n ew a s aＧd o p t e d．F i r s t l y,C E E M D A Ni s u s e d t od e c o m p o s e t h e p o w e r d a t a i n t o s e v e r a l i n t r i n s i cm o d e f u n c t i o n a n d a r e s i d u a l,a n d t h e i n p u t d i m e n s i o n i sd e t e r m i n e db yp a r t i a l a u t o c o r r e l a t i o n f u n c t i o n．T h e n,a n i m p r o v e d s a l p s w a r ma l g o r i t h mo p t i m i z e d l e a s t s q u a r e s u p p o r t v e c t o rm a c h i n e p r e d i c t i o nm o d e l w a s e s t a b l i s h e d t o p r e d i c t e a c hc o m p o n e n t．F i n a l l y,t h e p r e d i c t i o n r e s u l t sw e r e s u p e r i m p o s e d t oo b t a i n t h ew i n d p o w e r p r eＧd i c t i o n r e s u l t s．T h e s i m u l a t i o n r e s u l t s s h o wt h a t t h e p r o p o s e d s h o r tＧt e r m w i n d p o w e rm u l t iＧs t e pp r e d i cＧt i o nm o d e l h a s ah i g h e r p r e d i c t i o na c c u r a c y．K e y w o r d s:c o m p l e t e e n s e m b l e e m p i r i c a lm o d e d e c o m p o s i t i o nw i t h a d a p t i v e n o i s e;s a l p s w a r ma l g o r i t h m; l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n e;p a r t i a l a u t o c o r r e l a t i o n f u n c t i o n;m u l t iＧs t e pp r e d i c t i o nCopyright©博看网. All Rights Reserved.。