基于EEMD-CNN-GRU的短期风向预测.pdf
《基于EEMD-CNN-GRU的短期风向预测.pdf》由会员分享,可在线阅读,更多相关《基于EEMD-CNN-GRU的短期风向预测.pdf(6页珍藏版)》请在咨信网上搜索。
1、D0I:10.13878/ki.jnuist.20221115002史加荣基于 EEMD-CNN-GRU的短期风向预测摘要为了提高短期风向的预测精度,提出一种基于集合经验模态分解(EnsembleEmpiricalDecomposition,EEMD)、卷积神经网络(Convolutional Neural Network,CNN)和 门控循环单元网络(Gated Recurrent Unit,GRU)的混合模型:EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所
2、提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明:相对于BP神经网络和长短期记忆网络(Long Short-Term Memory,LSTM)等其他模型,本文所提出的预测方法取得了良好的性能。关键词风向预测;集合经验模态分解;卷积神经网络;门控循环单元网络;长短期记忆网络中图分类号TM614文献标志码A收稿日期2 0 2 2-11-15资助项目国家重点研发计划(2 0 18 YFB1502902);陕西省自然科学基金(2 0 2 1JM-378,2021JQ-493)作者简介史加荣,男,教授,研究方向为机器学习和可再生能源预测1西安建筑科技大学理学院,西安,7
3、10 0 550引言近年来,不可再生能源日益匮乏.除了积极提高能源效率外,从自Mode然界中直接获得的可再生能源引起了许多学者的关注.风能、太阳能和潮汐能等均已被用于电力转换 ,因此可再生发电的部署是低碳经济的关键推动力2 .由于对风力发电的需求不断增长,加上社会、环境以及经济因素的制约,使得目前风力涡轮和风电场规模增加3.风向变化是影响风力涡轮机运行最重要的环境因素之一,风向预测可用于设计最佳偏航控制的风力涡轮机.受台风、复杂地形以及上游风力发电机产生尾流等因素的影响,风力发电的来风方向总是在变化,导致每个风力涡轮机的进入风向也不同.针对风向变化,大型风力涡轮机对偏航控制系统采用不同的控制策
4、略4.动态偏航过程是由连续的静态偏航过程形成的,因此对静态偏航的研究是动态偏航的基础.国内外学者对静态偏航风力发电机的空气动力学性质进行了许多研究,通过对风向角度的研究可知:当风速不变时,短时间内的风向变化导致迎面风速降低,风力涡轮机转子速度也随之降低。目前,国内外学者针对短期风向的预测做了大量的研究并提出了很多方法.在风向预测方面,建立混合模型来寻找最优预测方法是比较常见的研究策略,例如:唐振浩等5 提出一种基于数据解析的混合风向预测算法;Sari等6 基于3DCNN和深度卷积LSTM提出短期风速和风向预测方法;Chitsazan 等7 基于非线性函数的回波状态网络来预测风向.风向数据具有随
5、机性、不确定性等特点8 .为提高风向测量的准确性,本文提出了一种基于EEMD-CNN-CRU的混合预测模型.此模型先运用集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD)算法对原始风向序列进行分解,得到更能反映风向序列变化特性的多个分量,以降低不平稳性和间歇性;其次使用卷积神经网络(Co n v o l u t i o n a l Ne u r a l Ne t w o r k,CNN)提取潜在特征,使得各分量简单化;最后利用门控循环单元网络(Gated RecurrentUnit,G RU)拟合输人数据,输出各分量的预测值,通过叠加得到最终
6、的风向预测值.1EEMD-CNN-GRU混合模型1.1EEEMD模型EEMD本质上是叠加高斯白噪声的多重经验模态分解(EMD)9.南京信息工经大学学报(自然科学版),2 0 2 3,15(5):56 8-57 3Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(5):568-573它先利用频率分布均匀的高斯白噪声的统计特性,通过每次添加的白噪声来改变信号的极值点特征,然后对多个EMD得到的对应的基本模态分量(IMF)进行整体平均,以抵消加入的白噪声,从
7、而有效抑制模态混叠的产生.记加人噪声的总次数为N,EEMD的步骤如下:1)对原始信号x(t)加一个标准正态分布的白噪声n;(t):x(t)=x(t)+n;(t),其中,n(t)表示第i次加人的白噪声序列,x(t)表示第i次实验的附加噪声信号.2)对新的信号序列x(t)执行EMD,得到J个模态分量和1个残差分量:x(t)=IMF)+e(t),其中,IMF)和e(t)分别为x;(t)由EMD产生的第j个模态分量以及残差分量,e(t)代表信号的平均趋势.3)将步骤1)和2)重复N次,得到IMF的集合为(ci,(t),c2,(t),cn,(t)/,j=1,2,J.(3)4)根据不相关序列的统计平均值为
8、零这一原则,将上述对应的IMF进行集合平均运算,得到EEMD的最终分量,即:N其中,c(t)是EEMD的第j个IMF.1.2CNN模型作为一类包含卷积计算的前馈神经网络,CNN是深度学习的代表性算法之一10 1.人工神经元可以响应周围单元,进行大型数据处理,它通过数据的转换以及降维将原始输入映射为新的特征.与标准的全连接网络不同的是,CNN具有特殊的网络结构,它包括卷积层和池化层组成的特征提取器,利用局部连接和权值共享来提取原始数据的特征,使得网络模型变得简单,从而加快训练速度、提高泛化性能.在CNN网络中卷积层之后会跟上一个池化层,其作用是提取局部均值或最大值,一般常见的多为最大值池化层本文
9、选用一维卷积神经网络,将风向建模为一系列时间序列数据.CNN通过减少权值输人提取时序序列特征,挖掘数据之间的联系,再将处理后的特征传人GRU网络中.一维卷积经常用在信号处理中,以计算信号的569延迟累计.假设在每个时刻t都会产生一个信号Pt,其衰减系数为w,即在k1个时间延迟后为原来的W倍.在时刻t收到的信号q,为当前信息和以往信息产生的累加和,计算公式如下:q,=WiP,+W2Pi-I+.+W.Pt-h+I.一般把w1,W2,W3,称为滤波器或者卷积核.假设滤波器的长度为K,它与一个信号序列P1P2,P3,的卷积和为(1)K=11.3GRU网络GRU是LSTM 网络的一种变体12 ,其结构更
10、加简单,而且效果也很好.因此,GRU是目前非常流行的一种网络,可以解决循环神经网络(RNN)中的长(2)依赖问题,广泛应用于时间序列的预测.GRU与LSTM 具有相似的数据流13,但 CRU缺少单独的存储单元,使其在训练过程中效率更高.LSTM引人了输入门、遗忘门和输出门三个门函数,分别控制输人值、记忆值和输出值.而在GRU模型中只有两个门:更新门和重置门,其具体结构如图1所示.在图1中,z,和r,分别表示更新门和重置门.GRU的输人为前一时刻隐藏层的输出和当前的输人,输出为下一时刻隐藏层的信息.重置门计算候选(4)隐藏层的输出,其作用是控制保留前一时刻的隐藏层的数量.更新门是控制加人特定数量
11、候选隐藏层的输出信息,从而得到当前隐藏层的输出,h6tanhX图1GRU网络基本单元Fig.1Basic unit of GRU networkSigmoid函数将数据映射到0 1,用来描述应该传递信息的数量,tanh 函数将值置于-1和1之间.CRU单元的计算公式如下:r,=(W,ht-1,x,),z,=(W,h,-1,x,),(5)(6)(7)(8)史加荣,等.基于EEMD-CNN-GRU的短期风向预测.570SHI Jiarong,et al.Short-term wind direction forecast via EEMD-CNN-CRU.h,=tanh(W,r,*h,-1,x,)
12、,(9)h,=(1-z,)*hi-1+z,*ht,(10)J,=g(W。h,),(11)其中,表示两个向量相连,*表示矩阵的Hadamard 积,为 Sigmoid 函数.1.4短期风向预测的EEMD-CNN-GRU混合模型考虑到预测效率和准确率等要求,提出一种基于EEMD-CNN-GRU的混合短期风向预测模型.采用集合经验模态分解(EEMD)将数据分解为有限个基本模态分量和1个残差分量.卷积神经网络(CNN)具有特征提取能力,挖掘特征向量,从而提升预测性能.门控循环单元网络(GRU)可以学习序列相关性,通过CNN和GRU的结合得到风向的预测值.所建立的混合预测模型的流程如下:首先将具有时序特
13、征的数据集作为混合模型的输人;然后对原始风向数据进行归一化处理,并划分出训练集和测试集;最后采用所提出的混合模型进行预测,如图2所示.混合模型的网络结构主要分为3层:第1层为EEMD,它对原始数据进行分解,提高输人序列的平滑性和可信度;第2 层为 CNN,通过构造一维卷积层和池化层来提取特征;第3层是GRU,发挥其结构简单、参数较少的优势14,提高训练速度、缩短训练时间以及预测时间,从而保证混合模型预测的快速性以及准确性.因此,本文提出的EEMD-CNN-GRU混合模型采用EEMD对数据集进行分解优化,并结合CNN预测时间短与GRU预测准确性高的特点,优化改进风向的预测.2实实例分析与结果展示
14、2.1数据来源与分析选用土耳其2 0 18 年4月的风电场数据进行短期风向预测,采样间隔为10 min,共430 5条数据,得到的风向时间序列如图3所示.其中,前2/3的数据作为训练集,后1/3的数据作为测试集,用前1h风向数据来预测下一时刻的风向,实现风向的滚动预测.为了便于模型训练,在 CNN-GRU前对数据进行归一化处理,计算方式如下所示:u-uminu=max-Umin其中,u为原始的数据,umin为最小值,umax为最大值.由图3可以看出,风向数据具有随机性、不连续性和非平稳性,并发现该风向数据不仅周期性差,而且含有大量的高频分量等,因此需要对所选风向序原始风向数据EEMD分解IMF
15、1IMF2数据归一化数据归一化CNN-GRUCNN-GRU求和重构最终风向预测值图2 基于EEMD-CNN-CRU的短期风向预测流程Fig.2Flow chart of short-term wind directionprediction via EEMD-CNN-GRU400350300200150100500500 1 000 1 500 2 000 2 500 3 000 3 500 4 000 4 500图3风向时间序列Fig.3 Time series of wind direction列进行数据预处理.2.2误差评价指标预测结果的误差评价采用均方根误差(RootMean Squa
16、red Error,RMSE)、绝对平均误差(MeanAbsolute Error,MAE)和决定系数(R-square,R),公(12)式如下:eRMSE二1eMAEnIMFJ数据归一化CNN-GRUt/(10 min)nI a,-d;I,残差数据归一化CNN-GRU(13)(14)+南京信息工统大学学报(自然科学版),2 0 2 3,15(5):56 8-57 3Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(5):568-573Z(d,-a.)
17、2R2Z(d,-7)2其中,a,表示时刻i的预测值,d,表示真实值,d表示真实值的平均值,n为样本数量.2.3EEMD风向数据分解对风向数据集进行EEMD,分解成12 个IMF和1个残差(Res),结果如图4所示.IMF反映风向数据在不同影响因素下的分布,数据逐渐趋于平稳,Res能够反映风向序列的变化规律,并且整体的变化趋势比较一致15,EEMD将风向数据进行平稳化处理,各个IMF分量包含了原始序列的不同时间尺度的局部特征信号,使用GRU模型对各分量特征进行单独预测,从而降低预测难度.2.4CNN和 GRU网络设置将EEMD分解后的数据分别输入CNN-GRU模型进行训练,设置循环步长为6,即用
18、前6 个时刻的数据预测当前数据.CNN的卷积层个数为32,各层都有卷积核,使用BN层对每个神经元做归一化处理,池化窗口的大小为1,激活函数为ReLU.CRU的神经元个数分别为12 8 和32,选用ReLU作为激活函数,Adam作为优化器,迭代轮数为10 0.2.5实验结果及对比分别使用BP神经网络、LSTM、G RU、CNN-GRU、EM D-G RU、EEM D-G RU、V M D-CNN-G RU、EMD-CNN-GRU、EEM D-CNN-LST M、EEM D-CNN-CRU进行仿真实验,其中VMD 是变分模态分解16 .对各网络模型进行参数调优,使用相同的训练集进行训练,并选取同样
19、的测试集来预测风向,计算其RMSE、M A E以及R,结果如表1所示.通过观察表1,可以得到如下结论:选用模型的R都大于0.7 7,表明这10 种模型都是有效的,且EEMD-CNN-CRU的RMSE、M A E和R?表现优异.为了更好地对比预测结果与原始数据的拟合程度,对 EEMD-GRU、VM D-CNN-G RU、EM D-CNN-GRU、EEM D-CNN-LST M、EEM D-CNN-G RU 在同一数据集绘制风向预测曲线,结果如图5所示.为了更直观地对比预测结果,将局部曲线进行了放大处理.从图5可以明显地看出:EEMD-CRU在峰值区域出现大幅偏差,而其他4种模型则能够较好地接近真
20、实5712000(15)-2002000-200100NI0-100100-1885SHNI-1001009NIA-100LAINI500-501000-100286NI28604020120ILNI10080120100-100F-150L05001000150020002500300035004 0004500图4EEMD的结果Fig.4Results of EEMD曲线.此外,EEMD-CNN-GRU模型的预测结果不仅在峰值区域与真实值更吻合,在其他区域与实际变化曲线也比较贴近.其主要原因是风向序列的非平稳性导致CRU对原始序列的变化趋势不能很好地预测,而加入EEMD进行分解重构,并用C
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 EEMD CNN GRU 短期 风向 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。