基于适应性频率选择的频域MLP短期风电功率预测方法和系统
- 国知局
- 2024-07-31 22:46:57
本发明涉及通过神经网络模型对风电功率预测的方法,特别是基于适应性频率选择的频域mlp短期风电功率预测方法。
背景技术:
1、伴随着可持续发展和绿色发展理念在国家政策中的落实,对新型清洁、可再生能源的制造与应用显得尤为重要,其中风能、太阳能作为新型能源的佼佼者已经登上了历史的舞台并且逐渐在社会各个领域中得到应用,这些新能源的显著优势就是清洁高效、可以被无限循环利用。风能凭借其低成本、清洁等优点,在世界各国得到广泛应用与发展。
2、风能是一种具有极端特性的可再生能源。风每时每刻都在变化且极易受到其它环境因素的影响,因此很难精准预测风的未来趋势。风能作为重要的可再生能源之一,其预测对能源行业具有重大意义。通过对风电功率的准确预测,能够更好地规划和调配能源资源,提高电网的稳定性和可靠性。
3、根据风电功率预测时间尺度可以将风电功率预测分为四个不同的类别,一般被称为长期、中期、短期和超短期预测,国内对短期预测的明确要求是预测未来0到72小时的风电功率,时间分辨率为15分钟。
4、风电功率预测方法大致分为物理法、统计法、深度学习方法,物理法,如数值天气预测(nwp)和天气研究人员预测(wrf),通常考虑各种气象因素来预测未来的风速和风功率,但是它在计算和求解时特别复杂,对历史数据的准确程度和分辨率也有较高的要求。统计法使用自回归模型如arima、sarima等统计方法进行预测,对于风电功率数据这类非线性和波动复杂的数据无法取得良好的效果,在风电功率预测中无法达到较高的精度。深度学习方法能够更好地处理时间序列数据,具有较强的特征提取和建模能力,能够适应更复杂的数据模式,凭借良好的非线性映射能力和鲁棒性而被广泛应用,当前风电功率预测的主要趋势。其中多层感知器(mlp)是最简单的神经网络结构,为克服其存在的过拟合风险和难以捕捉长期依赖关系的缺陷并降低模型的复杂性,本发明提出来一种基于适应性频率选择指导训练过程的频域mlp模型用于预测风电功率。
技术实现思路
1、本发明提出了一种基于适应性频率选择的频域mlp短期风电功率预测方法和系统,突破了传统mlp预测时存在的过拟合与难以处理长期依赖关系瓶颈,同时使得模型复杂度降低。预测精度高、性能好,对风电功率预测深度学习领域具有重要指导意义。
2、本发明基于适应性频率选择的频域mlp短期风电功率预测方法,包括:
3、获取某风电场指定时间间隔的历史风电功率数据集;
4、根据国内短期风电功率预测标准和预测需求,确定预测尺度为未来一天96个时间点功率,时间间隔为15min;
5、对数据进行归一化预处理,并利用窗口滑动函数将全体数据划分成样本,再将样本分为训练集、验证集、测试集;对应的归一化公式为:其中w'为归一化后的值,w代表原始的数据,wmax,wmin分别表示原始数据的最大值和最小值;
6、利用所述原始时域数据样本通过傅里叶变换转换到频域上,此时时域上的样本转换为频域上的频率分量,由实部和虚部组成;对应的计算公式为:其中,n是信号中的总点数,x[n]是时域信号在n时刻的值,x[k]是频域中的第k个频率分量;
7、构建频域上的mlp模型,模型的输入特征数设置为所述样本的输入数*2,输出特征为未来一天的96个时间点;输入可以表示为:
8、其中re表示分量实部,im表示分量虚部;
9、所述频域mlp模型包括输入层、隐藏层、输出层,所述输入层用于接收所述训练集、验证集、测试集的输入样本,所述隐藏层用于求解样本数据集中的长期依赖关系,所述输出层用于输出预测的短期风电功率;
10、设置其他神经网络模型常见参数,如学习率、隐藏层层数、隐藏层神经元数量、训练迭代次数、优化器,并将所述转换成频域上样本的实部和虚部作为输入特征放入到预测频域mlp模型中训练;
11、利用反向传播算法和梯度下降法对所述模型的参数进行优化,以最小化预测值与样本真实值之间的损失函数;
12、将训练集数据集输入到所述的频域mlp模型中训练模型;
13、基于反馈循环原理,设计适应性频率选择方法,克服时频域转换后信息量增加的缺陷;
14、初始化所有的频率分量,并为每一个频率分量赋予一个权重值;
15、利用所述适应性频率选择方法指导所述频域mlp模型的训练过程;
16、所述适应性频率选择方法指导训练过程,包括:
17、进入每一个训练周期,模型使用评估模式,对验证集数据中的每个批次数据,进行前向传播,得到预测值,并使用均方误差损失函数计算验证集上的平均损失;
18、使用所述验证集平均损失作为调整因子,即减少验证损失会增加调整因子;设计的调整因子计算公式为:
19、af=1-val_loss,其中val_loss表示每次迭代验证集损失;
20、根据调整因子,更新频率权重。权重的调整是以验证损失的减少作为正反馈;
21、所述频率分量的权重在更新后,在训练下一个周期时更加关注验证集上损失较小的频率分量,即选择调整后权重较高的分量进行下一阶段的训练;
22、示例性地,所述将测试集数据输入到训练好的模型中,预测出的结果为未来一天的归一化风电功率,反归一化后得到未来一天的风电功率预测结果;
23、示例性地,还包括:
24、利用均方根误差和平均绝对误差评估模型的预测性能;均方根误差和平均绝对误差的公式分别表示为:
25、
26、其中n是样本数量;yi是第i个样本的真实观测值;yi是第i个样本的模型预测值;
27、本发明的另一实例提出基于适应性频率选择的频域mlp短期风电功率预测系统,包括:
28、数据构造单元,用于将预测地域的历史风电功率数据集根据预测需求划分为样本,并在归一化后设置成合适的训练集、验证集、测试集;
29、时频域转换单元,用于将划分好的样本转换成频域上的分量;
30、模型训练单元,用于利用所述训练集数据实部和虚部作为输入特征,并构建多层感知器神经网络mlp模型,利用所述训练集对所述的mlp模型进行训练;
31、训练指导单元,用于利用适应性频率选择方法来根据训练过程中所述验证集的平均损失来动态调整用于训练的频率分量的权重大小,并基于调整权重后的频率分量来选择最有信息量的分量进行下一阶段训练,指导模型的训练过程;
32、预测单元,用于利用训练好的mlp模型,将测试集输入到模型中,得到未来一天的归一化风电功率预测结果,反归一化后得到最终的预测结果;
33、本发明提供了基于适应性频率选择的频域mlp短期风电功率预测的方法和系统,包括收集预测地域的历史风电功率数据,数据归一化等预处理,样本训练集、验证集、测试集划分,并将原始时域数据样本转换到频域上。构建频域mlp模型,将频域上样本的实部虚部作为输入特征输入到预测模型中进行训练;对模型的参数进行优化,再利用适应性频率选择方法指导模型的训练过程,不断监控模型的性能并根据性能动态地选择最有信息量的频率分量来训练模型,最后利用训练好的改进频率mlp模型,输入测试集对应样本,预测出未来一天的风电功率。本发明的方法突破了mlp的过拟合风险、难以处理长期依赖关系两个固有缺陷,并优化了模型训练,提高了预测精度和预测效率,预测精度高、性能优越,对使用深度学习方法预测风电功率领域具有重要意义。
本文地址:https://www.jishuxx.com/zhuanli/20240730/194561.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表