基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究.pdf
《基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究.pdf》由会员分享,可在线阅读,更多相关《基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、现代电子技术Modern Electronics TechniqueDec.2023Vol.46 No.242023年12月15日第46卷第24期0 引 言能源危机早已被世界各国所重视。风力发电技术成为缓解能源短缺问题和环境污染问题的有效方法1。精准的风电功率预测方法对于高效利用风能资源和保证电网安全运行具有重大意义2。较成熟的功率预测方DOI:10.16652/j.issn.1004373x.2023.24.008引用格式:韦权,汤占军,贺建峰.基于ICEEMDANICSSACKELMTCCA的短期风电功率预测研究J.现代电子技术,2023,46(24):3946.基于ICEEMDANICS
2、SACKELMTCCA的短期风电功率预测研究韦 权,汤占军,贺建峰(昆明理工大学 信息工程与自动化学院,云南 昆明 650504)摘 要:为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDANICSSACKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解(ICEEMDAN)和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机(CKELM)对新的序列进行初步预测,并利用融合了Tent 混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法
3、(ICSSA)对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络(TCN)与高效通道注意力机制(ECA)组合搭建为 TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。关键词:短期风电功率预测;自适应噪声的完全集成经验模式分解;混沌麻雀搜索算法;组合核极限学习机;样本熵;时间卷积网络 中图分类号:TN911.2334;TM614 文献标识码:A 文章编号:1004373X(2023)24003908Research on shortterm wind power forecasting based on IC
4、EEMDANICSSACKELMTCCAWEI Quan,TANG Zhanjun,HE Jianfeng(School of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650504,China)Abstract:A wind power forecast combination model of ICEEMDANICSSACKELMTCCA is proposed based on signal decomposition,optimization a
5、lgorithm,and error correction to increase the accuracy of wind power forecast.The original power sequence is decomposed and reconstructed by means of the improved complete ensemble empirical mode decomposition with adaptive noise(ICEEMDAN)and sample entropy principles to obtain the new sequences mor
6、e suitable for extracting features.Then,the new sequences are predicted by means of the combined kernel extreme learning machine(CKELM)containing Poly kernel function and RBF kernel function,and its parameters are optimized by means of improved chaotic sparrow search algorithm(ICSSA)incorporating Te
7、nt chaotic mapping,dynamic inertia weights and adaptive tvariance strategy to enhance the prediction performance of CKELM.The TCCA model is built by combing the temporal convolutional network(TCN)and efficient channel attention mechanism(ECA)to correct the preliminary prediction results.Multiple set
8、s of experiments are conducted taking data from a wind farm in Yunnan Province,China as an example,and the results show that the model has high forecasting accuracy and generalizability for power prediction.Keywords:short term wind power forecasting;complete ensemble empirical mode decomposition wit
9、h adaptive noise;chaotic sparrow search algorithm;combined kernel limit learning machine;sample entropy;time convolutional network收稿日期:20230419 修回日期:20230522基金项目:国家自然科学基金资助项目:基于多模等变自适应卷积网络的PET/CT成像呼吸运动伪影校正研究(82160347)3939现代电子技术2023年第46卷法主要分为物理预测法和统计预测法3。由于风力资源的不稳定性以及预测模型的限制,导致风电功率预测的准确度不能令人满意4。近年来,研
10、究者借助信号分解技术降低风电功率的波动性和复杂程度,实现预测精度的提高。文献5提出将神经网络与经验模态分解(Empirical Mode Decomposition,EMD)相结合,并运用在多步提前的风电功率预测中。文献6提出一种结合了 LSTM和支持向量机的模型,并引入集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)来应对风电功率的不确定性和强波动性。文献7基于多方面角度的优化,结合鲁棒回、变 分 模 态 分 解(Variational Mode Decomposition,VMD)以及长短期记忆网络,提出了一种组合风电功率预测方法。学
11、者们各自从不同的角度丰富了风电功率预测方法,且预测精度也得到提高。然而,研究方法仍需改进:1)常用的分解算法因其局限性,仍会阻碍预测精度的提高,如 EMD会导致模态混叠、EEMD产生残余噪声、VMD参数难设定等8。2)重构后得到的序列具有各不相同的特征和复杂性,单一模型往往难以全面地捕捉到这些特征信息。3)预测误差与预测精度关系密切,然而针对预测误差的分析与修正往往会被学者们忽略。为了进一步提升风电功率预测精度,本文提出一种ICEEMDANICSSACKELMTCCA的风电功率预测组合模型。采用改进的带自适应噪声的完全集合经验模式分 解(Improved Complete Ensemble E
12、mpirical Mode Decomposition With Adaptive Noise,ICEEMDAN)将 原始 功 率 序 列 解 析,得 到 一 定 数 量 的 本 征 模 态 函 数(Intrinsic Mode Function,IMF),降低了原序列的波动性,并引入样本熵对 IMF 序列进行重构,得到新序列。同时,结合Poly核函数和RBF核函数构建组合核极限学习 机(Combined Kernel Extreme Learning Machine,CKELM)对新序列进行功率预测。通过叠加各模型预测结果得到初步预测结果及初步预测误差。针对CKELM 模型核参数选取困难的问
13、题,利用改进混沌麻雀 搜 索 算 法(Improved Chaotic Sparrow Search Algorithm,ICSSA)对 CKELM 的 核 参 数 进 行 优 化。ICSSA 引入 Tent混沌映射函数,丰富了种群多样性,结合动态惯性权重和自适应t变异策略提升了算法的寻优精度和收敛速度,可更好地提升模型的学习能力和泛化性。最 后,将 时 间 卷 积 网 络(Temporal Convolutional Network,TCN)和 高 效 通 道 注 意 力(Efficient Channel Attention,ECA)模块构造成具有更强提取功率时间、空间特征能力的 TCCA
14、模型对初步预测结果进行修正,进一步提升功率预测精度。采用实际风电数据进行实验,结果表明该模型针对功率预测具有较高的预测精度。1 风电功率的分解与重构1.1 ICEEMDAN算法为了降低原始功率序列的强波动性,本文采用ICEEMDAN 对功率数据进行预处理9。ICEEMDAN 分解过程如下:1)通过 EMD 计算V()i=V+0E1()()i的局部平均值,得到一阶残差R1和相应的本征模式函数IMF1。R1=M()V()i(1)IMF1=V-R1(2)式中:V表示原始信号;i 1,2,K;0表示信噪比;Ej()算 子 是 进 行 EMD 分 解 得 到 的 第j个 模 态,j 1,2,m;()i是
15、均值为 0,并且方差为 1 的白噪声;M()被定义为生成信号的局部平均值的运算符。2)通过EMD计算R1+1E2()()i的局部平均值,得到二阶残差R2和IMF2。R2=M()R1+1E2()()i(3)IMF2=R1-R2(4)3)重复上述计算流程,直到残差Rn为单调函数时,停止计算。Rn=M()Rn-1+n-1Em()()i(5)IMFn=Rn-1-Rn(6)式中 n=2,3,P,P是 IMF的总数。最后,将原始信号分解为V=n=2PIMFn+RP。1.2 样本熵样本熵(SE)是一种用于分析时间序列数据的非线性分析方法,它可以度量时间序列中相邻子序列之间的相似程度。相比于传统的线性分析方法
16、,SE 更适用于复杂非线性系统的分析10。SE可以通过计算相邻子序列之间的距离差值的比率来反映时间序列的复杂程度。具体而言,SE 值越大,说明时间序列越复杂,包含更多的无规则变化。样本熵的具体计算步骤见文献11。2 ICSSACKELM功率预测模型2.1 CKELM模型单核极限学习机受限于自身所选的核函数,在针对不同特性样本时所展现出的预测性能有明显差异,应用的范围受到局限12。为了能让核极限学习机可以更好地解决各类问题,本文将 RBF 函数与 Poly 核函数相结40第24期合,得到一个组合核函数,并用该组合核函数构成CKELM,进而强化模型的学习能力和泛化能力,进一步提升模型的预测性能。组
17、合核函数表达式为:KRBF()x,xi=exp()-x,xi222(7)KPoly()x,xi=()x,xi+uv(8)K()x,xi=KRBF()x,xi+()1-KPoly()x,xi,0,1(9)式中:表示高斯核函数中用于控制径向范围的参数;u、v分别表示多项式核函数的常数参数和指数参数;是组合权重。核参数对于CKELM的性能有着决定性作用。2.2 ICSSA算法尽管麻雀搜索算法在许多应用领域中取得了不错的效果,但是它仍然存在种群随机初始化、局部收敛性能较差的不足13。鉴于SSA算法中麻雀种群随机初始化问题,本文引入 Tent混沌映射函数对 SSA 进行改进。鉴于混沌变量的随机特性,可以
18、用来增加原始 SSA种群的丰富程度,从而增强算法跳出局部最优解的能力,以及提高全局搜索的质量。Tent混沌映射算子是一种常用的算子,可以在0,1区间产生均匀的混沌序列,同时具有较快的迭代速度。Tent映射函数如下所示:xi+1=2xi,0 xi 1 22()1-xi,1 2 xi 1(10)同时,将一个基于随机变量的扰动引入Tent映射函数中,以避开更新过程中可能遇到的非平稳性周期点,计算公式如下:xi+1=2xi+rand()0.5,1N,0 xi122()1-xi+rand()0.5,1N,12 xi 1(11)式中N为 Tent 混沌序列中的粒子个数。针对 SSA 运行中常遇到的局部收敛
19、性能较差的问题,往个体位置更新公式中加入动态惯性权重因子,以达到兼顾局部及整体搜索的作用。动态惯性权重因子a1的公式如下所示:a1=sin()c2M+1(12)式中:c指目前的迭代次数;M指最大的迭代次数。改进后的发现者和加入者的位置更新方程如下:Xc+1i,j=Xci,j+a1()fcj,g-Xci,jrand()0,1,R2n2a1Xc+1p+|Xci,j-Xc+1p A+L,otherwise(14)式中:fcj,g是前一次迭代完毕后第j维的全局最优解;n指种群里的麻雀个数;Xci,j指迭代次数为第c次时,第i只麻雀的第j个维度的位置;a1为范围0,1的随机数;R2指预警值,R20,1;
20、ST指种群的安全阈值,ST 0.5,1;L表示一个所有元素为1的1d阶矩阵;Q表示一个服从正态分布的随机数;Xcworst指迭代到第c次时全局的最差觅食位置;Xcp指迭代到第c次时观察者的最佳觅食位置;A指 1个 1d阶矩阵,满足A+=AT()AAT-1,并且矩阵里每个元素为被随机赋予的 1或者-1。为了更好地兼顾麻雀种群的全局搜索和局部搜索,本文引入自适应 t变异对麻雀位置进行更新。自适应t 分布的自由度参数用于调整分布曲线的形态,自由度参数越大,分布越接近高斯分布;自由度参数越小,分布越平缓,并且具有更大的尾部概率。这种自由度的可变性使得自适应t分布在不同数据情况下可以更好地拟合数据,具有
21、更好的适应性。鉴于自适应 t分布曲线的特性,将迭代周期c代入自由度参数。迭代初期,c值较小,算法表现为与Cauchy 变异相近的特性,其全局搜索的能力更为突出;迭代后期,算法表现出与 Gaussian变异相近的特性,其局部搜索的能力更为显著。改进后麻雀位置更新如下所示:Xc+1i,j=Xcbest+Xcbestt()c(15)式中,t()c表示为 t分布,并将 SSA 迭代 c次设为自由度参数。为了确保动态策略下的适应度值达到最优,本文引入贪婪算法来决定是否要更新位置。贪婪算法表示为:Xbest=Xc+1i,j,f()Xc+1i,j f()XbestXbest,f()Xc+1i,j f()Xb
22、est(16)式中f()x指某处的适应度值。3 TCCA误差修正模型3.1 TCN模型TCN 是有效针对时间序列预测的新网络结构。采用一维扩张因果卷积层,以及灵活结合残差连接方式,TCN能够有效地捕捉时间序列中的长期依赖关系14。韦 权,等:基于ICEEMDANICSSACKELMTCCA的短期风电功率预测研究41现代电子技术2023年第46卷图 1 展示了扩张因果卷积的结构。与普通卷积不同的是,扩张卷积通过多个扩展的随机卷积层逐渐增加感受领域,使得输出包含更多信息。扩张卷积凭借设定卷积核尺寸、扩张系数 d、卷积层数等参数,实现了有效地挖掘长序列的总体特征。扩张卷积具体计算如下:F()t=i=
- 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 ICEEMDAN ICSSA CKELM TCCA 短期 电功率 预测 研究
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,个别因单元格分列造成显示页码不一将协商解决,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。