一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法

1.本发明涉及领域，具体是一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法。


背景技术：

2.近年来，随着经济快速发展，导致全球变暖和能源危机等问题随之出现。由于可再生能源的充足性和清洁性，越来越多的国家在开始转向可再生能源的使用。在所有可再生能源当中，风能凭借易于获取和储量大并且成本低等优点，成为最重要的可再生能源之一。目前随着风力发电技术的进步，截至2021年，我国风力发电技术日益成熟，装机容量已达32847万千瓦时，已连续12年稳居全球第一。然而，由于风力的不稳定性和随机性，如直接并入系统会给电力系统的安全性和稳定性造成影响。风电功率预测技术对于优化电力系统经济调度和控制，保证其稳定运行有着重要的意义。
3.现有的风电功率预测方法有很多种，根据预测方法的类型可以分为物理模型模拟、统计模型预测和机器学习算法推算。物理模型模拟是指利用地理因素和气象变量来建模预测风电功率，需要对整个风力发电过程有数值化建模，不适用于短期风电功率预测；统计模型预测根据风电功率的历史数据之间的映射关系建模进行预测，但是对于风电功率数据当中的非线性部分较难建模；而机器学习算法推算例如人工神经网络模型对历史数据进行学习，这需要大量的训练时间，并对风电功率当中的随机性难以处理。


技术实现要素：

4.本发明的目的是提供一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法，包括以下步骤：
5.1)获得风电场的历史风电功率数据；
6.2)对历史风电功率数据进行处理，得到优化样本集；
7.对历史风电功率数据进行处理的步骤包括：
8.2.1)利用变分模态分解方法将历史风电功率数据分解为多个分量子序列；
9.2.2)提取每个分量子序列一部分数据，并写入第一优化数据集，将每个分量子序列另一部分数据写入第二优化数据集。
10.3)构建深度链式回声状态网络的预测模型；
11.所述深度链式回声状态网络的预测模型包括n个堆叠的回声状态网络，分别记为esn1，esn2，
…
，esnn；
12.每个回声状态网络均包括输入单元、储备池单元和输出单元；其中，输入单元、储备池单元和输出单元的规模分别为k、n、1。
13.每个回声状态网络的超参数相同；所述超参数包括储备池的内部连接权重的谱半径、储备池的神经元个数和储备池的稀疏程度。
14.第一个回声状态网络esn1的储备池状态更新方程如下：
15.s1(t)＝(1-α)s1(t-1) α[tanh(w
1in
e(t) w
1res
s1(t-1))]
ꢀꢀꢀ
(1)
[0016]
式中，e(t)＝[e1(t),e2(t),...,ek(t)]是t时刻输入单元的数据；ek(t)是t时刻第k个输入单元的数据；s1(t)是t时刻储备池单元的输出；s1(t-1)是t-1时刻储备池单元的输出；w
1in
、w
1res
分别为第一个回声状态网络esn1的输入连接权值矩阵、内部连接权值矩阵；其中，输入连接权值矩阵w
1in
的维度为n
×
k，内部连接权值矩阵的维度为n
×
n。α为权重系数。
[0017]
第一个回声状态网络esn1的输出为：
[0018][0019]
式中，w
1out
为第一个回声状态网络esn1的输出连接权值矩阵，其维度为1
×
n。
[0020]
第i个回声状态网络esni的储备池状态更新方程如下：
[0021][0022]
式中，w
iin
、w
ires
分别代表第i个回声状态网络esni的输入连接权值矩阵、内部连接权值矩阵；输入连接权值矩阵w
iin
的维度为n
×
(k 1)，内部连接权值矩阵的维度为n
×
n；表示第i个回声状态网络esni的输入；si(t)是t时刻第i个回声状态网络esni的储备池单元输出；i＝2，3，
…
，n。si(t-1)是t-1时刻第i个回声状态网络esni的储备池单元输出；α为权重系数。
[0023]
第i个回声状态网络esni的输出如下所示：
[0024][0025]
式中，w
iout
为第i个回声状态网络esni的输出连接权值矩阵，其维度为1
×
n。
[0026]
4)利用优化样本集对深度链式回声状态网络的预测模型进行优化；
[0027]
利用优化样本集对深度链式回声状态网络的预测模型进行优化的步骤包括：
[0028]
4.1)利用第一优化数据集对所述深度链式回声状态网络的预测模型进行训练；
[0029]
4.2)利用第二优化数据集对训练后的深度链式回声状态网络的预测模型进行测试，得到测试结果；
[0030]
4.3)对测试结果和第二优化数据集的实际数据进行定量评估，计算得到评估指标；判断评估指标是否满足小于预设阈值，若是，则深度链式回声状态网络的预测模型优化完成，否则，返回步骤2)，重新获取优化样本集，并利用新的优化样本集对深度链式回声状态网络的预测模型进行优化。
[0031]
所述评估指标包括平均绝对误差mae和标准方根误差nrmse；
[0032]
其中，第j个回声状态网络esnj的预测结果的平均绝对误差maej和标准方根误差nrmsej分别如下所示：
[0033]
[0034][0035]
式中。t表示第二优化数据集的长度，表示第j个回声状态网络esnj预测的未来第j个时刻的风电功率值；d(t j)表示未来第j个时刻的实际风电功率值；j＝1，2，3，
…
，n。
[0036]
5)获取风电场的实时风电功率数据，并输入到优化后的深度链式回声状态网络的预测模型中，得到未来n个时刻的风电功率值。
[0037]
本发明的技术效果是毋庸置疑的，本发明使用vmd方法来对风电功率时间序列数据进行分解得到各个比较平稳的子序列，能够更好的对风电功率数据的随机性处理。
[0038]
本发明提供了一种深度链式回声状态网络对子序列多步预测，这种网络训练速度快、能够减少多步预测误差累计的特性。
附图说明
[0039]
图1为基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法的整体流程图；
[0040]
图2为所提出的深度链式回声状态网络的结构；
[0041]
图3为对比实验结果图；
[0042]
图4为对比实验结果图。
具体实施方式
[0043]
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0044]
实施例1：
[0045]
参见图1至图4，一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法，包括以下步骤：
[0046]
1)获得风电场的历史风电功率数据；
[0047]
2)对历史风电功率数据进行处理，得到优化样本集；
[0048]
对历史风电功率数据进行处理的步骤包括：
[0049]
2.1)利用变分模态分解方法将历史风电功率数据分解为多个分量子序列；
[0050]
2.2)提取每个分量子序列一部分数据，并写入第一优化数据集，将每个分量子序列另一部分数据写入第二优化数据集。
[0051]
3)构建深度链式回声状态网络的预测模型；
[0052]
所述深度链式回声状态网络的预测模型包括n个堆叠的回声状态网络，分别记为esn1，esn2，
…
，esnn；
[0053]
每个回声状态网络均包括输入单元、储备池单元和输出单元；其中，输入单元、储
备池单元和输出单元的规模分别为k、n、1。
[0054]
每个回声状态网络的超参数相同；所述超参数包括储备池的内部连接权重的谱半径、储备池的神经元个数和储备池的稀疏程度。
[0055]
第一个回声状态网络esn1的储备池状态更新方程如下：
[0056]
s1(t)＝(1-α)s1(t-1) α[tanh(w
1in
e(t) w
1res
s1(t-1))]
ꢀꢀꢀ
(1)
[0057]
式中，e(t)＝[e1(t),e2(t),...,ek(t)]是t时刻输入单元的数据；ek(t)是t时刻第k个输入单元的数据；s1(t)是t时刻储备池单元的输出；s1(t-1)是t-1时刻储备池单元的输出；w
1in
、w
1res
分别为第一个回声状态网络esn1的输入连接权值矩阵、内部连接权值矩阵；其中，输入连接权值矩阵w
1in
的维度为n
×
k，内部连接权值矩阵的维度为n
×
n。α为权重系数。
[0058]
第一个回声状态网络esn1的输出为：
[0059][0060]
式中，w
1out
为第一个回声状态网络esn1的输出连接权值矩阵，其维度为1
×
n。
[0061]
第i个回声状态网络esni的储备池状态更新方程如下：
[0062][0063]
式中，w
iin
、w
ires
分别代表第i个回声状态网络esni的输入连接权值矩阵、内部连接权值矩阵；输入连接权值矩阵w
iin
的维度为n
×
(k 1)，内部连接权值矩阵的维度为n
×
n；表示第i个回声状态网络esni的输入；si(t)是t时刻第i个回声状态网络esni的储备池单元输出；i＝2，3，
…
，n。si(t-1)是t-1时刻第i个回声状态网络esni的储备池单元输出；α为权重系数。
[0064]
第i个回声状态网络esni的输出如下所示：
[0065][0066]
式中，w
iout
为第i个回声状态网络esni的输出连接权值矩阵，其维度为1
×
n。
[0067]
4)利用优化样本集对深度链式回声状态网络的预测模型进行优化；
[0068]
利用优化样本集对深度链式回声状态网络的预测模型进行优化的步骤包括：
[0069]
4.1)利用第一优化数据集对所述深度链式回声状态网络的预测模型进行训练；
[0070]
4.2)利用第二优化数据集对训练后的深度链式回声状态网络的预测模型进行测试，得到测试结果；
[0071]
4.3)对测试结果和第二优化数据集的实际数据进行定量评估，计算得到评估指标；判断评估指标是否满足小于预设阈值，若是，则深度链式回声状态网络的预测模型优化完成，否则，返回步骤2)，重新获取优化样本集，并利用新的优化样本集对深度链式回声状态网络的预测模型进行优化。
[0072]
所述评估指标包括平均绝对误差mae和标准方根误差nrmse；
[0073]
其中，第j个回声状态网络esnj的预测结果的平均绝对误差maej和标准方根误差nrmsej分别如下所示：
[0074]
[0075][0076]
式中。t表示第二优化数据集的长度，表示第j个回声状态网络esnj预测的未来第j个时刻的风电功率值；d(t j)表示未来第j个时刻的实际风电功率值；j＝1，2，3，
…
，n。
[0077]
5)获取风电场的实时风电功率数据，并输入到优化后的深度链式回声状态网络的预测模型中，得到未来n个时刻的风电功率值。
[0078]
6)使用该预测模型与现有的回声状态网络、支持向量回归、人工神经网络、长短期记忆网络进行十步预测的对比实验，实验结果如图3和图4所示。
[0079]
实施例2：
[0080]
一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法，包括以下步骤：
[0081]
s1：获得风电场的历史风电功率数据；
[0082]
s2：利用变分模态分解方法将风电场的历史风电功率时间序列数据分解为多个分量子序列，截取各个子序列一定长度作为训练样本，剩下长度的各个子序列作为测试样本；
[0083]
s3：构建深度链式回声状态网络的预测模型；
[0084]
s4：对构建的深度链式回声状态网络的各个参数进行初始化；
[0085]
s5：利用步骤2当中的得到的多个子序列训练样本作为网络的输入，原始历史风电功率数据作为训练的标签对初始化后的网络进行训练；
[0086]
s6：利用步骤2得到的测试样本来对网络进行测试；
[0087]
s7：对于测试阶段得到的结果和实际风电功率数据进行定量评估；
[0088]
其中深度链式回声状态网络的结构由多个esn构成，esn的数量与预测的步数相同，如果想要预测当前时刻后十个时刻的风电功率值，则该网络中包含有十个回声状态网络，每一个esn的对应超参数比如储备池的内部连接权重的谱半径、储备池的神经元个数和储备池的稀疏程度都相同。对于深度链式回声状态网络中的第一个esn的输入单元e(t)、储备池单元s1(t)、输出单元的规模分别为k、n、1，其中k也是s2当中利用vmd方法分解风电历史功率数据得到的子序列数量，每一个esn预测一步的输出，因此输出单元规模为1。w
1in
、w
1res
、w
1out
分别代表第一个esn中n
×
k的输入连接权值矩阵、n
×
n的内部连接权值矩阵、1
×
n的输出连接权值矩阵。
[0089]
第一个esn中的储备池状态更新方程为：
[0090]
s1(t)＝(1-α)s1(t-1) α[tanh(w
1in
e(t) w
1res
s1(t-1))]
[0091]
其中e(t)是各个子序列t时刻的值所构成的向量，e(t)＝[e1(t),e2(t),...,ek(t)]。进一步，可得第一步的风电功率预测输出为：
[0092][0093]
对于后面第n个esn的储备池的更新方程为：
[0094][0095]
其中w
nin
、w
nres
分别代表第n个esn中规模为n
×
(k 1)的输入连接权值矩阵、n
×
n的内部连接权值矩阵，表示将第一个esn输入和当前esn之前esn的输出的第n-1步预测值拼接在一起作为第n个esn的输入，这种方式能够有效提高多步预测的准确度。进一步，第n个esn输出的第n步风电功率预测值采用以下函数计算：
[0096][0097]
其中(s1(t)；s2(t)；...；sn(t))表示将前n个esn的状态空间拼接在一起共同为第n步的预测做输出，将之前的esn内的信息应用了起来。
[0098]
在s7当中对于测试结果进行定量评估主要从平均绝对误差(mae)和标准方根误差(nrmse)这两个指标来评估预测结果的误差大小，其公式如下：
[0099][0100][0101]
其中n表示预测的第n步的预测结果，t表示测试集的长度，表示预测的第n步的风电功率值，d(t n)表示实际的第n步的风电功率值。