一种风电场超短期功率预测方法

1.本发明涉及一种风电场超短期风电功率预测方法，特别涉及一种 基于集合经验模态分解后样本熵度量筛选数据，最后用改进鲸鱼算法 优化的长短期记忆网络预测的风电场超短期功率预测方法。


背景技术：

2.目前整个人类都在面临着能源枯竭的困境，因此加大可再生能源 开发成为解决问题的最佳选择。风力发电作为风能利用的主要形式， 因其环保可持续、成本低和规模效益显著的特点，广泛的分布在世界 各地。但是与传统的水火发电相比，风速较强的波动性和随机性为电 力系统带来了巨大的挑战。而如今，人们可以通过神经网络来预测自 然世界中的一些规律。
3.目前国内外对风力发电预测的建模方法主要包括时间序列法、卡 尔曼滤波法、人工智能方法等。时间序列预测法如自回归移动平均法， 自回归差分移动平均法利用序列自身数据即可建立较高精度的预测 模型，但存在低阶模型预测精度偏低、高阶模型参数估计难度偏大等 缺点。人工智能的方法如人工神经网络，虽然可以处理复杂问题，但 是网络的结构很难确定。而支持向量机和极限学习机等虽然有良好的 自学习和自适应能力和较强的非线性映射能力和并行处理能力，但过 于依靠参数的整定。


技术实现要素：

4.为了解决风电场超短期功率预测中的问题，本发明提供了一种精 度更高，鲁棒性更强的风电场超短期功率预测方法。
5.本发明解决上述技术问题的技术方案是：
6.给原始信号添加白噪声；
7.用emd分解算法得到imf分量；
8.对得到的imf分量进行hilbert变换；
9.用样本熵对得到的imf分量进行度量筛选；
10.对鲸鱼算法进行改进；
11.采用鲸鱼算法对长短期记忆网络的参数进行无监督寻优；
12.利用寻优后的神经网络对筛选后的数据进行预测。
附图说明
13.图1是本发明的总体流程图
14.图2是本发明中给原始信号加入白噪声的过程
15.图3是本发明中改进前后鲸鱼算法的收敛因子对比
16.图4是本发明中改进鲸鱼算法优化长短期记忆网络的流程图
17.图5是本发明中长短期记忆网络的结构
具体实施方式
18.步骤一：添加白噪声，在原始信号x(t)的基础上，将白噪声加 入到待分解的信号中，得到信号s(t)，通过对原始信号的优化，弥 补了原有信号缺失时间尺度的缺点，使信号更加的平滑，克服模态 混叠的现象；
19.步骤二：分解，计算信号的s(t)的极值分布，通过三次样条插 值的方法构造极大值和极小值的包络线，设信号的极值包络函数为 f(t)，则有公式
[0020][0021]
在上述公式中，u(t)和v(t)分别为信号的上包络线和下包络线。 同时设极值的包络函数f(t)的均值为e1，计算信号s(t)与e1的差值， 并设该差值为c1[0022]
c1＝s(t)
‑
e1ꢀꢀꢀ
(2)
[0023]
通过与imf分量进行对比，若c1符合imf的条件，则将其标记 为第一个固有模态imf，标号为c1，如果不符合，则用f(t)替换原 来的c1，继续执行公式2，将第一个imf分量c1从信号x(t)中分离 出来得到r1为
[0024]
r1＝x(t)
‑
e1ꢀꢀꢀ
(3)
[0025]
步骤三：将分离得到的r1作为新的分解信号x(t)，继续执行步 骤二，以此类推不断循环，分离得到imf的各次分量，直至循环 第n个分量r
n
为单调函数时，执行完毕。由此得到重构后的信号为
[0026][0027]
上式4中，r
n
表示残余分量，c
i
表示信号从低到高不同的频率成 分。将上述从原始信号分离出imf的方法称为“筛分”。但实际过程 中，由于包络线均值m1很难为零，为此引入标准偏差系数作为评判 是否满足imf条件的标准。其中标准偏差系数sd表达式如下
[0028][0029]
式5中：通常&1的取值在0.2到0.3之间，i为分解层数，当标 准偏差系数满足式5时，此时认为分解得到的imf固有模态分量符 合要求；
[0030]
步骤四：对得到的满足要求的imf固有模态分量进行hilbert变 换
[0031][0032]
样本熵筛选的步骤如下：
[0033]
步骤一:选择嵌入维数m将变换后得到的信号x重构到相空间，得到状 态向量x
i
＝(x
i
,x
i+1
,...,x
i+m+1
)
[0034]
步骤二：计算上述所有不同状态向量的距离，
[0035][0036]
步骤三：设定相似性容限r，按式9统计与x
i
相似的状态向量数目占 比，其中h(
·
)为单位阶跃函数；
[0037][0038]
步骤四：求取所有的平均值：
[0039][0040]
步骤五：重置嵌入维数为m+1，根据式7～9得到b
m+1
。
[0041]
步骤六：得到分析信号x的样本熵sampen
[0042]
sampen(x,m,r)＝ln b
m
(r)
‑
ln b
m+1
(r)
ꢀꢀꢀ
(10)
[0043]
对鲸鱼算法的改进如下：
[0044]
原始鲸鱼算法的收敛因子如式7
[0045]
a＝2
‑
2t/t
max
ꢀꢀꢀ
(11)
[0046]
其中t
max
表示最大迭代次数。经过分析，可以发现此时的收敛因子a 是线性从2递减到0的。但在群智能算法中，全局搜索和局部搜索 这两种搜索类型是同时存在的，前者能力强可以保证种群的多样 性，而后者则与算法对局部搜索的精准度正相关。而原始的收敛因 子a线性递减策略不能完全体现出实际的优化搜索过程，故本专利 提出一种新的非线性收敛方式。
[0047][0048]
其中，e是自然对数的底数；t是当前迭代的次数；l
max
是最大迭代次 数；
[0049]
改进鲸鱼算法优化长短期记忆网络并对风电场超短期功率进行预 测的步骤如下：
[0050]
步骤一：将改进鲸鱼算法与长短期记忆网络结合以无监督方式获 取合适的模型参数；
[0051]
步骤二：将长短期记忆网络的迭代次数epoch和隐藏层神经元个数 n作为改进后的鲸鱼算法的决策变量；
[0052]
步骤三：分别计算种群内个体鲸鱼的适应度fitness。其中，鲸鱼优 化算法的适应度函数为：
[0053]
fitness (l)＝(y
′‑
y)
t
(y
′‑
y)
ꢀꢀꢀ
(13)
[0054]
y
′
为lstm模型的输出值，y为训练样本x对应的标签值，l为当 前迭代次数。
[0055]
步骤五：对每个鲸鱼的适应度值进行比较，取适应度最小的鲸鱼作 为当前最佳鲸鱼位置x(epoch,n)；
[0056]
步骤六：座头鲸捕猎方式判断，选择收缩包围机制或者螺旋螺旋泡 泡网攻击的方式更新位置。
[0057][0058]
其中，l和p分别为(
‑
1，1)和(0，1)之间的随机数，d
p
表示猎物与鲸鱼之 间的距离，b为对数螺旋系数，螺线的形状会随着b的取值发生改变。
[0059]
座头鲸捕猎时会以p的概率选择以上2种捕猎方式的其中的1种；
[0060]
步骤七：计算更新后的鲸鱼个体适应度值，如果新的鲸群个体适应 度优于前代鲸群个体适应度，则新鲸群个体位置替代原鲸群个体 位置；否则保留原鲸群个体位置。
[0061]
步骤八:令t＝t+1.判断算法是否达到终止条件，若是，输出最优个 体位置x
″
及其适应度值算法结束；否则重复上面的步骤；
[0062]
步骤九：利用改进鲸鱼算法获得的最优个体位置x
″
，即长短期记 忆网络的迭代次数epoch和隐藏层神经元个数n；
[0063]
步骤十：利用无监督学习得到的长短期记忆网络对通过经验模态 分解后的imf分量进行预测，最后将每个预测值组合得到最终的 结果。