基于LSTM循环神经网络的风力预测研究.pdf
《基于LSTM循环神经网络的风力预测研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM循环神经网络的风力预测研究.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 卷 第期湘潭大学学报(自然科学版)V o l N o 年月J o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)A u g D O I:/j i s s n X 引用格式:熊龙祥,涂佳黄,廖惠惠基于L S TM循环神经网络的风力预测研究J湘潭大学学报(自然科学版),():C i t a t i o n:X i o n gL o n g x i a n g,T uJ i a h u a n g,L i a oH u i h u i R e s e a r c h
2、o nw i n dp o w e r p r e d i c t i o nb a s e do nL S TMr e c u r r e n tn e u r a l n e t w o r kJ J o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n),():基于L S TM循环神经网络的风力预测研究熊龙祥,涂佳黄,廖惠惠(湘潭大学 土木工程学院,湖南 湘潭 )摘要:传统的风力预测模型中有线性预测模型和非线性预测模型,在具有强非线性记录数据的局部风力预测中,绝大
3、部分的非线性预测模型比线性预测模型预测准确度更高对于短时间内风力大小是非线性、随机性和难以准确预测的特点,该文运用一种基于长短期记忆(l o n gs h o r t t e r m m e m o r yn e u r a ln e t w o r k,L S TM)循环神经网络的短期局部风速预报技术预测风力首先建立以L S TM神经网络为基础的短期局部风速预测模型,然后采用T e n s o r F l o w深度学习平台进行模型参数调试,在此基础上,结合华东某局部风电场的历史数据作为输入,对模型进行训练和测试研究结果表明,L S TM循环神经网络预测风速与实际的风速吻合较好,预测效果较好
4、,并且深层神经网络具有强大的拟合能力,在数据预测方面有很强的应用性关键词:短期局部风速预测;循环神经网络;长短期记忆网络;深度学习中图分类号:T P 文献标志码:A文章编号:X()R e s e a r c ho nw i n dp o w e rp r e d i c t i o nb a s e do nL S T Mr e c u r r e n t n e u r a l n e t w o r kX I ONGL o n g x i a n g,T UJ i a h u a n g,L I A OH u i h u i(S c h o o l o fC i v i lE n g i
5、n e e r i n g,X i a n g t a nU n i v e r s i t y,X i a n g t a n ,C h i n a)A b s t r a c t:T h e r ea r e l i n e a rp r e d i c t i o nm o d e l sa n dn o n l i n e a rp r e d i c t i o nm o d e l s i nt r a d i t i o n a lw i n dp r e d i c t i o nm o d e l s I nl o c a lw i n dp r e d i c t i o
6、nw i t hs t r o n gn o n l i n e a r r e c o r d e dd a t a,t h ev a s tm a j o r i t yo fn o n l i n e a rp r e d i c t i o nm o d e l sh a v eh i g h e rp r e d i c t i o na c c u r a c yt h a nl i n e a rp r e d i c t i o nm o d e l s I nt h i sp a p e r,w ea p p l yas h o r t t e r ml o c a lw i
7、 n ds p e e dp r e d i c t i o nt e c h n i q u eb a s e do n l o n gs h o r t t e r mm e m o r y(L S TM)r e c u r r e n tn e u r a l n e t w o r k f o r t h e c h a r a c t e r i s t i c s t h a tw i n ds p e e d i sn o n l i n e a r,r a n d o ma n dd i f f i c u l t t op r e d i c t a c c u r a t
8、e l y i na s h o r tp e r i o do f t i m e F i r s t l y,a s h o r t t e r ml o c a lw i n ds p e e dp r e d i c t i o nm o d e l b a s e do nL S TMn e u r a l n e t w o r k i s e s t a b l i s h e d,a n dt h e nt h eT e n s o r F l o wd e e p l e a r n i n gp l a t f o r mi su s e dt od e b u gt h
9、em o d e lp a r a m e t e r s O nt h i sb a s i s,t h em o d e l i s t r a i n e da n dt e s t e db yc o m b i n i n gt h eh i s t o r i c a ld a t ao fal o c a lw i n dp o w e rp l a n t i nE a s tC h i n aa s i n p u t T h er e s e a r c hr e s u l t ss h o wt h a t t h eL S TMr e c u r r e n tn e
10、 u r a ln e t w o r kp r e d i c t sw i n ds p e e di ng o o da g r e e m e n tw i t ht h ea c t u a lw i n ds p e e d,a n dt h ep r e d i c t i o ne f f e c t i sg o o d,a n dt h ed e e pn e u r a ln e t w o r kh a sp o w e r f u l f i t t i n ga b i l i t y,w h i c hh a ss t r o n ga p p l i c a b
11、 i l i t y i nd a t ap r e d i c t i o n K e yw o r d s:s h o r t t e r ml o c a lw i n ds p e e dp r e d i c t i o n;r e c u r r e n t n e u r a l n e t w o r k;l o n gs h o r t t e r mm e m o r yn e t 收稿日期:基金项目:湖南省自然科学基金(J J );湖南省教育厅科学研究项目(A )通信作者:涂佳黄(),男,湖南益阳人,工学博士,教授,E m a i l:t u j i a h u a n
12、g c o mw o r k;d e e pl e a r n i n g引言风是大自然的一种自然现象,风力能源作为一种环保的新能源,通过其可靠、低成本等优势,成为新能源中最具潜力、最快增长、技术最先进的能源之一,受到各国能源研究专家和政府的广泛关注和支持,而风力发电大规模开发和经济价值方面表现出色,也成为世界上应用最广泛的发电方式之一但是,风是一种极不稳定的自然资源,受压强、地形地势、温度等多种因素的影响,有随机性、波动性等特点,成为最难预测的气象要素之一准确地预测风速,对合理调度风电机组、提高风能利用率、避免电网发电输电过程中的不连续性,实现电网的动态平衡具有重 要 意 义,并 且 能 够
13、 合 理 调 整 装 备 维 护 时 间,避 免 因 为 风 速 大 变 动 而 造 成 系统的崩溃目前,国内外用于风速预测的物理模型为数值天气预报法,R i c h a r d s o n是第一位将基于数值方法的预测技术应用于天气预报中的科学家,该技术开创了数值预报的先河,并为气象科学和其他领域的预测技术提供了借鉴,但是物理模型法需要更多的参数,如历史数据、地形、气象数据等,短期局部风速预报精度较低,更适合长期风速预报用于风速预测的统计模型分为线性预测方法和非线性预测方法,线性预测方法有持续连测法、时间序列分析法、卡尔曼(K a l m a n)滤波法等,卡尔曼滤波方法是一种自回归数据处理算
14、法,该方法将风速视为状态变量,采用数学归纳法推导出状态方程和测量方程,并利用当前观测值和前一时刻的预测值来预测下一时刻的风速,通过动态校正功能提高预测精度,但是比较难确立状态方程式和测量方程式非线性预测方法有模糊逻辑方法 、空间相关法、神经网络法等方法 ,人工神经网络是一种数学模型,其结构类似于大脑中神经元的连接方式,该模型由许多相互连接的神经元节点组成,能够进行信息处理和模式识别,并且具有自我学习和自适应的优点,对非线性数据的拟合效果比较好,在风速预测领域应用非常广泛基于此,本文将长短期记忆神经网络(l o n gs h o r t t e r m m e m o r yn e u r a
15、ln e t w o r k,L S TM)模型应用到风场的短期风速预测中,L S TM网络是一种循环神经网络(r e c u r r e n tn e u r a ln e t w o r k,R NN)的变体,它解决了R NN存在的一些问题,例如梯度消失、梯度爆炸和长期记忆能力不足等问题该网络结构具有出色的长期记忆能力,能够有效地利用长时间序列信息,为短期风速预测提供一种新的解决思路在L S TM网络研究领域中,已经涌现出了多种重要进展首先,研究者们提出了许多改进L S TM模型的方法,这些方法包括添加门控机制、使用多层L S TM和引入注意力机制 等这些方法的应用可以提高L S TM网络
16、的性能,并在各种任务上取得较好的效果其次,L S TM不仅用于序列数据的预测,而且可以应用到其他领域,例如图像生成、视频处理、强化学习等最后,为了提高模型的可解释性,研究者们提出了各种方法,例如可视化L S TM的内部状态和分析门控机制的作用 等这些方法为研究者们深入了解L S TM模型的内部机制和提高模型的可解释性提供了有力的支持本文的研究内容主要集中在风电场风速预测方面首先,介绍了L S TM神经网络的基本原理和在风速预测中的应用,为后续的研究打下了基础随后,风电场的历史风速数据被收集,进行了数据预处理和特征提取,以便建立预测模型在此基础上,设计了基于L S TM神经网络的风速预测模型,并
17、运用历史数据进行模型训练和优化,以提高模型的预测精度和准确性经过验证和评估,分析了模型的预测效果为了进一步提高模型的预测能力,本文提出了第期熊龙祥,等基于L S TM循环神经网络的风力预测研究改进方法,包括增加数据量和调整算法模型参数具体而言,采取增加风速数据的数量以增加模型的训练样本,并调整算法模型参数,如迭代次数、忘记偏置和神经元数等,以优化模型的性能为了定量评估模型的预测精度,本文使用了P y c h a r m工具调取M a t p l o t l i b功能包,通过绘制折线图的方式展示预测值和真实值之间的接近程度,该方法能够有效地评估模型的预测精度并提供直观的结果展示,从而判断预测模
18、型的预测效果是否良好输入层隐藏层隐藏层输出层x1x2x3y1y2y3xya1a2图全连通神经网络结构图F i g S t r u c t u r a l d i a g r a mo f f u l l yc o n n e c t e dn e u r a ln e t w o r k理论原理与方法 神经网络如图所示,该图是一个完全连通的神经网络,其中每层的神经元都与上一层的所有神经元相连,通过权重参数来表示连接的强度,上一层的输出被传递给下一层的输入,使得信息能够在网络中进行传递和加工,向量x,x,x同时进入输入层,然后进入隐藏层,最后进入输出层接着输出向量y,y,y 神经网络的输出公式表
19、示公式为:yfn e t(x)()输入层到第一层隐藏层的输出公式可以表示公式为:aif(Wx)()后面的第二层隐藏层的输出公式表示公式为:aif(Wiai)()式中:ai为第i层的输出;f为激活函数;Wi为第i层的权重大小通常来说,训练神经网络时,手动设置连接方法、网络层数及各阶层的节点数,一般把这些参数称为超参数在训练神经网络的时候,连接方法、网络层数和每层节点数都是预先人工设定的 循环神经网络循环神经网络的神经元是相互连接的,它们不仅在同一层内部相互连接,而且在不同层之间也相互连接在每个时刻,隐含层神经元的输入由前一时刻的当前输入和输出所决定通过这种方式,隐含层神经元可以保留先前的状态信息
20、,这样的机制赋予了网络“记忆”的能力,R NN能够保留这些记忆信息以便于回忆,并且R NN结构的参数在不同的时间可以共享,即使网络改变位置,还能识别出重复的信息,从而提高了模型的泛化能力如图所示,x是进入输入层的输入向量,s是循环层输出的向量,o是输出层输出的向量,U是输入层与循环层的权重矩阵,V是循环层到输出层的权重矩阵网络在t时刻输入xt之后,循环层的输出是st,输出向量是ot,并且st不仅仅取决于输入xt,还取决于上一时刻循环层的输出st输出层的输出向量ot表示为:otg(Vst)()湘潭大学学报(自然科学版)年输入层循环层(隐藏层)输出层图复杂的循环神经网络F i g C o m p
21、l e xr e c u r r e n tn e u r a l n e t w o r k循环层的输出向量st表示为:stf(UxtWst)()ot可以写为:otg(Vst)g(V f(UxtWst)g(V f(UxtW f(Uxt W f(Uxt)()输出向量ot受到前面t个时刻的输入x,x,x,xt,xt,xt的影响,这也是循环神经网络记忆功能的表现 损失函数和相对误差损失函数就是用来判断预测得出来的结果和实际值之间差距的程度的算法函数,规定它不能是负数,损失函数值越小,预测效果越准确本实验采取十分常用的均方误差损失,均方差损失函数用来判断预测的数据到真实数据的距离,均方差损失函数的结
22、果越小,说明预测效果越好相对误差是一种用于评估测量数据可靠性的统计量它是指某次测量的绝对误差与对应测量值的平均值之比通常情况下,相对误差被表示为百分数相对误差的值越小,表示测量数据的精度和稳定性越高因此,相对误差是一种广泛应用于实验室、工程和其他领域中,用于评估测量数据可靠性的重要工具LNi(Yf(X),()RM S ENNi(Yf(X)()泛化误差训练误差模型复杂度过拟合最佳欠拟合误差图欠拟合和过拟合F i g U n d e r f i t t i n ga n do v e r f i t t i n g 过拟合问题欠拟合和过拟合是机器学习中常见的问题,它们反映了模型的复杂度与数据适应性
23、之间的平衡欠拟合指的是模型对于训练数据的拟合程度不足,通常表现为模型在训练集和测试集上的表现都较差而过拟合则是指模型在训练集上的表现非常好,但在测试集上表现较差,这是因为模型过度拟合了训练数据的噪声或者细节,导致模型的泛化能力下降第期熊龙祥,等基于L S TM循环神经网络的风力预测研究图展示了一个典型的欠拟合和过拟合的例子,其中横轴表示模型的复杂度,纵轴表示模型在训练集和测试集上的误差对于欠拟合情况,可以看出随着模型复杂度的增加,训练误差和测试误差都在逐渐减小,但是最终的误差仍然较高,这表明模型无法很好地拟合训练数据,需要增加模型的复杂度来提高拟合能力对于过拟合情况,可以看出随着模型复杂度的增
24、加,训练误差逐渐减小,但是测试误差却在某个点之后开始上升,这表明模型过度拟合了训练数据,导致在新数据上的泛化能力较差因此,需要通过减小模型复杂度来避免过拟合问题长短期记忆神经网络 L S TM循环神经网络模型结构如图所示,传统的循环神经网络的循环层有一个状态s,它对短期的输入非常敏感,但是变成长期输入的话,它就会容易忘记前面比较长的信息 由于这一局限性,在循环层中添加一个记忆单元c来存储长期记忆,形成了长短期记忆神经网络的核心思想RNN输出层RNN循环层RNN输入层LSTM输出层LSTM循环层LSTM输入层oossxxc图完整的L S T M结构图F i g T h ec o m p l e
25、t eL S T Ms t r u c t u r ed i a g r a m如图所示,网络在t时刻的循环层接受个输入:当前输入样本xt,上一时刻循环层的输出st以及上一时刻长期记忆单元的输出ct通过循环层内的计算,网络产生两个输出:当前时刻循环层的输出st和长期记忆单元的输出ct这种结构允许网络保留先前时刻的状态信息,并将其作为输入用于当前时刻的计算,从而实现对序列数据的处理cccct-1ctct+1st+1stst-1sssxt-1xtxt+1图L S T M循环层展开图F i g L S T Ml o o p l a y e ru n f o l d i n gd i a g r a
- 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 LSTM 循环 神经网络 风力 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,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。