亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于集合經(jīng)驗(yàn)?zāi)B(tài)和深淺層學(xué)習(xí)組合的風(fēng)電場(chǎng)功率短期預(yù)測(cè)研究*

        2018-09-03 07:37:04曹天行劉三明王致杰劉劍孫元存
        電測(cè)與儀表 2018年13期
        關(guān)鍵詞:電功率分量模態(tài)

        曹天行,劉三明,王致杰,劉劍,孫元存

        (上海電機(jī)學(xué)院 電氣學(xué)院, 上海 200240)

        0 引 言

        風(fēng)能作為一種新能源具有清潔環(huán)保的特點(diǎn),因此世界各國(guó)的裝機(jī)容量逐年增加,使得風(fēng)電滲透率增加,但是隨著風(fēng)速的變化風(fēng)電出力并不穩(wěn)定,這使得電力系統(tǒng)的運(yùn)行面臨不小的挑戰(zhàn)[1-2]。因此風(fēng)功率的準(zhǔn)確預(yù)測(cè)是保證電力系統(tǒng)的可靠運(yùn)行以及增加風(fēng)電上網(wǎng)的競(jìng)爭(zhēng)性的必要前提。

        風(fēng)電功率短期預(yù)測(cè)方法主要包括基于數(shù)值天氣預(yù)報(bào)(NWP)的預(yù)測(cè)方法和時(shí)間序列分析法(ARMA)[3-4]?;贜WP的預(yù)測(cè)方法包括支持向量機(jī)(SVM)[5-6]、人工神經(jīng)網(wǎng)絡(luò)(ANN)[7]等;時(shí)間序列法包括卡爾曼濾波法(KF)[8]、持續(xù)預(yù)測(cè)法[9]等。然而這些常見(jiàn)方法都有各自的缺點(diǎn),例如持續(xù)法的預(yù)測(cè)結(jié)果不穩(wěn)定,且預(yù)測(cè)誤差大; 人工神經(jīng)網(wǎng)絡(luò)容易陷入局部極值,對(duì)高頻的序列學(xué)習(xí)效果不好; 支持向量機(jī)難以訓(xùn)練大規(guī)模的樣本。深度學(xué)習(xí)網(wǎng)絡(luò)是指多類機(jī)器學(xué)習(xí)結(jié)合各層次結(jié)構(gòu)的網(wǎng)絡(luò),使用多層非線性信息處理方法,進(jìn)行識(shí)別特征、分類數(shù)據(jù)和生成數(shù)據(jù)。文中采用集合經(jīng)驗(yàn)?zāi)B(tài)分解[10-11](EEMD)將風(fēng)電功率變成一組平穩(wěn)性序列,再結(jié)合稀疏自編碼器(SAE)及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)可提高預(yù)測(cè)精度。

        1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

        集合經(jīng)驗(yàn)?zāi)B(tài)分解是傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解方法的改進(jìn),文獻(xiàn)[12]介紹了經(jīng)驗(yàn)?zāi)B(tài)分解,經(jīng)驗(yàn)?zāi)B(tài)分解是一種依據(jù)數(shù)據(jù)固有的時(shí)間尺度特征來(lái)分解信號(hào)的方法,可逐級(jí)篩選出原信號(hào)中不同時(shí)間尺度的局部特征信號(hào),得到具有相同特征的固有模態(tài)分量(Intrinsic Mode Function, IMF)。IMF應(yīng)滿足以下兩個(gè)條件:(1)信號(hào)的局部極大值與極小值構(gòu)成的包絡(luò)線均值為零;(2)極點(diǎn)數(shù)和零點(diǎn)數(shù)相差不大于1。對(duì)于某序列{x(t)}經(jīng)驗(yàn)?zāi)B(tài)分解步驟如下:

        (1)求出序列{x(t)}中所有極值點(diǎn)(極大值和極小值),然后用三次樣條函數(shù)插值擬合上包絡(luò)線xmax(t)以及下包絡(luò)線xmin(t);

        (2)求出兩包絡(luò)線的均值m(t),進(jìn)而求出x(t)和m(t)的差值h(t),其中:

        h(t)=x(t)-m(t)

        (2)

        (3)判斷h(t)是否滿足IMF的條件,若滿足,則h(t)為第一個(gè)IMF,記c1(t)=h(t),并求出原信號(hào)與該IMF的差值r1(t);若不滿足,則令h(t)為原始序列,重復(fù)前兩步直到滿足條件;

        (4)將r(t)作為待分解信號(hào),重復(fù)步驟(1)~步驟(3),直到剩余信號(hào)rn(t)為單調(diào)函數(shù)時(shí),停止分解。則原序列可表示為:

        雖然傳統(tǒng)EMD減少了人為因素的影響,但是會(huì)出現(xiàn)模態(tài)混疊的現(xiàn)象。EEMD通過(guò)在原始序列中加入白噪聲序列這一方法有效地解決了此問(wèn)題。集合經(jīng)驗(yàn)?zāi)B(tài)分解步驟如下:

        (2)對(duì){X(t)}進(jìn)行EMD分解,得到若干IMF;

        (3)重復(fù)前兩步N次,每次加入不同的白噪聲序列;

        (4)將N次分解所得的各分量的均值作為{x(t)}的最終IMF。

        2 深度學(xué)習(xí)和淺層學(xué)習(xí)

        2.1 深度學(xué)習(xí)網(wǎng)絡(luò)

        稀疏自編碼器是深度學(xué)習(xí)網(wǎng)絡(luò)的一種常用方法,深度學(xué)習(xí)網(wǎng)絡(luò)是指一大類的機(jī)器學(xué)習(xí)和各種層次結(jié)構(gòu)結(jié)合的網(wǎng)絡(luò),其特性是使用多層非線性信息處理方法。

        此時(shí)代價(jià)函數(shù)為:

        式中β表示稀疏懲罰項(xiàng)的權(quán)重。

        圖1是自動(dòng)編碼器的結(jié)構(gòu),AE的訓(xùn)練過(guò)程是:首先自動(dòng)編碼器將x∈[0,1]d作為輸入向量,利用定性映射函數(shù)y=fθ(x)=s(Wx+b)將其映射到隱層y∈[0,1]d′,其中網(wǎng)絡(luò)參數(shù)θ={W,b},W是大小為d′×d的權(quán)值矩陣,b是維數(shù)為d′的偏置向量,s(x)=1/(1+e-x);其次將之前得到的y再次利用映射函數(shù)z=gθ′(y)=s(W′y+b′)將其映射重構(gòu)得到向量z∈[0,1]d,其中網(wǎng)絡(luò)參數(shù)為θ′={W′,b′},通過(guò)限定W′=WT,可以取得最優(yōu)的反向映射的權(quán)值矩陣W′;這樣,每個(gè)輸入x(i)映射得到對(duì)應(yīng)的y(i),再重構(gòu)得到對(duì)應(yīng)的z(i),通過(guò)最小化平均重構(gòu)誤差我們可以得到模型的最優(yōu)參數(shù),即:

        式中L為損失函數(shù)。

        傳統(tǒng)的平方差函數(shù)就是損失函數(shù)的一種形式,即:

        或者若把向量x和z的每個(gè)分量看作滿足伯努利分布,使用交叉熵來(lái)度量x和z之間的距離,即:

        (8)

        同時(shí),利用前向反饋神經(jīng)網(wǎng)絡(luò)(FFNN)算法實(shí)現(xiàn)網(wǎng)絡(luò)的微調(diào),從網(wǎng)絡(luò)最后一層的代價(jià)函數(shù)Jsparse(W,b),利用梯度下降法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。

        圖1 自動(dòng)編碼機(jī)結(jié)構(gòu)Fig.1 Structure of the auto-encoders

        2.2 淺層學(xué)習(xí)

        BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò),是淺層學(xué)習(xí)網(wǎng)絡(luò)的一種,用的是有監(jiān)督的訓(xùn)練方式。BP可以學(xué)習(xí)并自適應(yīng)未知信息,具有分布式信息存儲(chǔ)與處理結(jié)構(gòu),具有一定的容錯(cuò)性,因此構(gòu)造出來(lái)的系統(tǒng)具有較好的魯棒性,適合處理復(fù)雜問(wèn)題。使用BP神經(jīng)網(wǎng)絡(luò)的步驟如下:

        (1)初始化網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值;

        (2)前向計(jì)算:按照置好的樣本,計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入和輸出信號(hào);

        (3)根據(jù)實(shí)際輸出計(jì)算反向誤差,以修正權(quán)值;

        (4)判斷誤差,如果誤差值小于給定值或者迭代次數(shù)超過(guò)設(shè)定值則結(jié)束學(xué)習(xí)。否則返回步驟(3)。

        2.3 深淺層學(xué)習(xí)結(jié)合

        雖然BP神經(jīng)網(wǎng)絡(luò)在解決一些不太復(fù)雜的或者有限制的問(wèn)題中表現(xiàn)出了良好的效果,但是其表征和建模能力有限,容易陷入局部極值,在應(yīng)對(duì)較為復(fù)雜的實(shí)際的問(wèn)題的時(shí)候,如不具有明顯周期性變化的高頻分量時(shí),BP神經(jīng)網(wǎng)絡(luò)就達(dá)不到良好的效果。深度的學(xué)習(xí)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)有更優(yōu)秀的表達(dá)能力。跟BP網(wǎng)絡(luò)最大的不同是,深度學(xué)習(xí)網(wǎng)絡(luò)能用更為簡(jiǎn)單的方法來(lái)表示更大的函數(shù)集合,而多層的優(yōu)點(diǎn)是只要很少的參數(shù)就可以表示更加復(fù)雜的函數(shù)關(guān)系。因此對(duì)于高頻信號(hào)的學(xué)習(xí)能力,SAE明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

        所提出的EEMD-SAE-BP模型,就是將EEMD分解結(jié)果中的高頻分量用SAE進(jìn)行預(yù)測(cè),而具有明顯周期性的其他分量以及余量用BP進(jìn)行預(yù)測(cè),這樣既保證了預(yù)測(cè)精度,又能縮短預(yù)測(cè)時(shí)間。

        3 風(fēng)電功率短期預(yù)測(cè)模型

        首先使用EEMD分解風(fēng)電功率序列,以降低其非平穩(wěn)性,得到若干子序列;再用SAE對(duì)IMF中前j個(gè)高頻分量分別進(jìn)行建模預(yù)測(cè),其余分量以及rn(t)則用BP分別進(jìn)行建模預(yù)測(cè),最后將各個(gè)預(yù)測(cè)結(jié)果疊加并進(jìn)行誤差分析。EEMD-SAE-BP預(yù)測(cè)模型建模流程如圖2所示。

        圖2 基于EEMD-SAE-BP的風(fēng)功率預(yù)測(cè)模型流程圖Fig.2 Power forecasting flow chart based on EEMD-SAE-BP

        (1)用EEMD分解風(fēng)電功率序列,得到各IMF以及rn(t)。其中白噪聲參數(shù)p取0.2,ε取100;

        (2)分別對(duì)IMF中j個(gè)高頻分量建立SAE網(wǎng)絡(luò)預(yù)測(cè)模型;

        (3)分別對(duì)其余IMF分量以及rn(t)建立BP網(wǎng)絡(luò)預(yù)測(cè)模型;

        (4)將各分量預(yù)測(cè)值疊加求和,得到最終的預(yù)測(cè)結(jié)果;

        (5)對(duì)模型進(jìn)行評(píng)價(jià)。

        4 算例及結(jié)果分析

        4.1 樣本選擇與處理

        以上海某風(fēng)電場(chǎng)2013年2月份的一號(hào)風(fēng)機(jī)實(shí)測(cè)數(shù)據(jù)為例進(jìn)行建模分析,數(shù)據(jù)采樣時(shí)間間隔為15 min。

        由圖3可知2月份最高發(fā)電功率為2 058 MW,最低為0 MW,平均值為511.23 MW,功率波動(dòng)較大。一共2 688個(gè)數(shù)據(jù),取每96個(gè)數(shù)據(jù)為一組作為訓(xùn)練輸入,后16個(gè)點(diǎn)作為訓(xùn)練輸出,來(lái)訓(xùn)練網(wǎng)絡(luò),最后一組96個(gè)數(shù)據(jù)為測(cè)試數(shù)據(jù),預(yù)測(cè)未來(lái)4小時(shí)的風(fēng)功率變化情況。

        圖3 某風(fēng)電場(chǎng)2月的實(shí)測(cè)功率Fig.3 The actual power of a wind farm in February

        4.2 基于 EEMD 分解實(shí)際風(fēng)電功率

        EEMD的分解過(guò)程如圖4所示。分解結(jié)果顯示分解后的子序列頻率是逐步平緩的,并得到各個(gè)頻率下振幅的變化情況。其中IMF1~I(xiàn)MF3分量是不具有明顯周期性變化的高頻分量,因此用深度學(xué)習(xí)網(wǎng)絡(luò)(文中使用SAE)有更好的預(yù)測(cè)效果,即建立SAE預(yù)測(cè)模型;IMF4~I(xiàn)MF8分量周期特性較明顯,則使用BP建立預(yù)測(cè)模型;IMF9~I(xiàn)MF10和rest序列的趨勢(shì)變化十分明顯,使用BP網(wǎng)絡(luò)建立預(yù)測(cè)模型。

        圖4 EEMD分解結(jié)果Fig.4 Component diagram after EEMD decomposition

        4.3 風(fēng)電功率預(yù)測(cè)結(jié)果分析

        分別采用EEMD-BP、EEMD-SAE、EEMD-SAE-BP、SAE、BP五種模型進(jìn)行風(fēng)功率預(yù)測(cè),并對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差評(píng)價(jià)。

        圖5為5種模型對(duì)原始數(shù)據(jù)進(jìn)行學(xué)習(xí)后,對(duì)未來(lái)四小時(shí)風(fēng)功率進(jìn)行預(yù)測(cè)的結(jié)果,表1為不同預(yù)測(cè)模型對(duì)風(fēng)功率預(yù)測(cè)的評(píng)價(jià)結(jié)果。

        圖5 未來(lái)四小時(shí)的各模型預(yù)測(cè)結(jié)果Fig.5 Time span of 4 hours of the model forecast results

        從幾種預(yù)測(cè)模型的評(píng)價(jià)結(jié)果中可以看出:

        (1)使用EEMD先對(duì)原始功率序列分解后再進(jìn)行機(jī)器學(xué)習(xí),有效的提高了預(yù)測(cè)精度,如EEMD-SAE預(yù)測(cè)模型與SAE預(yù)測(cè)模型的對(duì)比;

        (2)由SAE以及BP的評(píng)價(jià)結(jié)果中可以看出,由于BP存在容易陷入局部極值的問(wèn)題,使用深度網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)原始序列效果更佳;

        (3)使用提出的EEMD-SAE-BP預(yù)測(cè)模型,在預(yù)測(cè)精度上明顯優(yōu)于其他預(yù)測(cè)模型,與前文的論證相符。

        表1 不同風(fēng)電功率預(yù)測(cè)方法的誤差對(duì)比Tab.1 Compared errors of wind power prediction under RMSE and MAPE

        5 結(jié)束語(yǔ)

        提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)和深淺層學(xué)習(xí)結(jié)合的風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法。經(jīng)反復(fù)實(shí)驗(yàn)和深入對(duì)比,所提EEMD-SAE-BP模型在短期風(fēng)功率預(yù)測(cè)中相較EEMD-BP、EEMD-SAE、SAE、BP四種模型預(yù)測(cè),擁有較小的誤差,能夠更好滿足系統(tǒng)對(duì)并網(wǎng)風(fēng)電預(yù)測(cè)精度的要求,進(jìn)一步增強(qiáng)風(fēng)電上網(wǎng)競(jìng)爭(zhēng)力。然而,純粹基于歷史數(shù)據(jù)的風(fēng)功率預(yù)測(cè)模型在預(yù)測(cè)步長(zhǎng)增加時(shí),預(yù)測(cè)效果將可能變差。下一步的研究工作是考慮更多影響風(fēng)功率的因素,并運(yùn)用所提方法進(jìn)行預(yù)測(cè),使得EEMD-SAE-BP的風(fēng)功率預(yù)測(cè)具有更好的實(shí)用價(jià)值。

        猜你喜歡
        電功率分量模態(tài)
        基于PCC-CNN-GRU的短期風(fēng)電功率預(yù)測(cè)
        帽子的分量
        輕松上手電功率
        你會(huì)計(jì)算電功率嗎
        一物千斤
        智族GQ(2019年9期)2019-10-28 08:16:21
        解讀電功率
        論《哈姆雷特》中良心的分量
        分量
        國(guó)內(nèi)多模態(tài)教學(xué)研究回顧與展望
        基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識(shí)別
        av毛片亚洲高清一区二区| 日韩毛片在线看| 国产一线视频在线观看高清| 日本一区二区三区一级片| 欧美顶级少妇作爱| 精品无码中文字幕在线| 国产精品18久久久久网站| 蜜臀精品一区二区三区| 伦伦影院午夜理论片| 丁香花在线影院观看在线播放| 亚洲AV无码一区二区三区性色学| 麻豆三级视频网站在线观看| 人妻少妇-嫩草影院| 国产全肉乱妇杂乱视频| 国产精品久久久亚洲第一牛牛| 中文字幕文字幕视频在线| 国产做无码视频在线观看| 日本一区午夜艳熟免费| 中文字幕精品亚洲无线码二区 | 无码精品色午夜| 国产大屁股白浆一区二区三区| 亚洲综合欧美色五月俺也去| 国模少妇一区二区三区| 色哟哟av网站在线观看| 午夜福利视频一区二区二区| 国产香蕉国产精品偷在线| 免费AV一区二区三区无码| 日本一区不卡在线观看| 护士的小嫩嫩好紧好爽| 欧美疯狂做受xxxxx高潮| 国产一区二区三区杨幂| 日产精品高潮一区二区三区5月| 欧美 丝袜 自拍 制服 另类| 国产成人8x视频网站入口| 亚洲中文字幕乱码在线观看| 久久久中日ab精品综合| 日韩毛片在线| 免费国产自拍视频在线观看| 国产av熟女一区二区三区| 日日干夜夜操高清视频| 亚洲二区三区四区太九|