基于PCA-WNN的短期风电预测_田恒源.pdf

基于 的短期风电预测田恒源，周俊龙，申兴东，王灿（华北水利水电大学电力学院，河南 郑州 ；中南林业科技大学，湖南 长沙 ；商丘学院，河南 商丘 ）摘要：为了提高风机输出功率的预测精度，提出了一种基于主成分分析（）、结合小波神经网络（）的短期风电预测方法，通过利用主成分分析（）对初始数据进行降维处理，然后结合小波神经网络进行训练，得到了 预测模型。该方法设计出的模型具有优秀的预测效果，且根据实际数据测试的结果表明，相比于传统 模型和 模型，模型的预测精度更高。关键词：主成分分析；小波神经网络；模型中图分类号：，（，；，；，）：，（）（）（），：；收稿日期：引言全球经济迅速发展，对能源的需求也日益增加。伴随着化石能源的不断开发与消耗，环境污染和能源短缺等问题开始出现。风能作为一种重要的清洁能源，有着廉价、无污染、可再生等优点，具有光明的发展前景。在面对全球变暖以及能源短缺等问题时，大力发展风电具有巨大意义。随着风电装机容量的不断提升，对风电预测能力提出了更高的要求。面对风力发电的间歇性和不稳定性，利用风机运行数据灵活搭配神经网络算法可以较为准确地预测风机输出功率的走向。按时间尺度来分类，负荷预测一般分为超短期预测（）、短期预测（）和中长期预测（未来几周或几个月），短期预测的时间尺度一般为未来天。传统 神经网络是目前应用最多的一种神经网络形式，它具有神经网络的普遍优点，如非线性映射能力强，拥有自适应和学习能力以及泛化和容错能力，但也存在很明显的缺点，如易陷入局部最小、收敛速度慢和网络 训 练 能 力 差 等。年 和 明确提出了小波网络的概念和算法，其思想是用小波元代替神经元，即用已定位的小波函数代替 函数作为激活函数，通过仿射变换建立起小波变换与网络系数之间的联接，并应用于函数逼近。小波神经网络的出现，既结合了神经网络的优点，又弥补了传统神经网络存在的易陷入局部极小、过拟合等缺点。研究证明，相比于 神经网络，小波神经网络在逼近能力、泛化能力和收敛速度上更优。文献 提出了一种基于主成分分析、结合小波神经网络的预测方法，比较具有参考意义。基于以上情况，为提高模型预测精度，本文采用主成分分析（）对模型的多因素输入进行优化，搭建基于主成分分析的小波神经网络模型（），通过网络训练对日前时间尺度的风电输出功率进行预测。方法与建模 主成分分析主成分分析是一种广泛使用的数据降维算法。在实电工技术人工智能与传感技术 际预测中，需要对多变量数据进行观测，一定程度上增加了工作量，另外多变量之间存在的相关性会导致问题的复杂性增加，同时也会导致预测精度下降。主成分分析的主要思想是将高维特征映射到低维度上，低维特征是全新的正交特征，也被称为主成分，是在原有高维特征的基础上重新构造出来的互不相干的低维特征。通过主成分分析对试验数据进行降维处理，可以有效地保留有用信息并去除数据噪声。下面对其原理进行介绍。假设有个样本，每个样本里有个变量，即构成了阶矩阵：（）当相对较大时，矩阵维度过高，处理工作量大，会导致问题更加复杂，所以需要对样本数据进行降维处理，即将高维度的数据部分最相关的特征保留下来，再去除不重要的特征以及不相关的噪声，从而通过较少的数据指标去表达原特征的信息。相关变量（，）为原特征变量，（，）为 新 特 征 变 量，其 中，新 旧 特 征 变 量满足：（）主成分分析的目的是找到一个正交矩阵，通过线性变换，使得的变量两两线性无关，即的协方差矩阵是一个对角矩阵。假设的协方差矩阵为，可以证明的协方差矩阵为，由于是对称矩阵，因此可以对角化为 ，其中是的特征向量组成的正交矩阵，是以的特征值为对角线的对角矩阵。当取时，的协方差矩阵为，说明当线性变换的正交矩阵取为时，可以使的协方差为对角矩阵。在矩阵中，将的特征值进行依次递减排列，假设，分别是的特征向量，且，那么：（）协方差矩阵 的特征向量，是数据的主成分，第一主成分是最大的特征值对应的特征向量，以此类推。令，为第主成分的贡献率，由于其是递减的，因此可以根据贡献率选取前面较高的几个主成分，从而达到数据降维的效果。小波神经网络小波神经网络（，）是由小波分析与 神经网络结合而来的，其思想是用小波元代替神经元，即用小波基函数代替 函数作为激活函数，构成小波神经网络，并且小波可以有效地用于平稳和非平稳时间序列分析，这也是小波广泛应用的原因之一。本文采用 小波基函数作为激活函数，其函数形式为：（）（）（）（）的基本结构如图所示。，为网络的输入向量，为输出向量，（，；，）为输入层到隐含层的连接权值，（，；，）为隐含层到输出层的连接权值，为输入层节点数，为隐含层节点数，为输出层节点数。图 基本结构示意图图中（）是隐含层所用的小波基函数，如式（）所示。对于网络输入，隐含层的计算公式和输出层的计算公式分别为：（）（），（）（）（），；，（）式中，为的伸缩因子；为的平移因子。输入、输出数据归一化处理利用 中的 函数实现。由图可知该网络结构由一个输入层和几个隐含层以及一个输出层组合而成，每两层之间的神经元节点相互连接，网络输入层，的来源是经过主成分分析降维处理后的若干主成分，主成分的数量就是输入层节点数的值。隐含层节点数的选择对于神经网络的性能至关重要，对神经网络的表现影响很大，设置得多或少都达不到预想的预测精度，所以针对个输入层节点数，隐含层节点数的选取一般使用 方法，公式为。由于上述方法是根据经验而来的，不具有代表性，因此需要再尝试取附近的几个值进行比较，最终选取误差最小的隐含层节点数。搭建 模型模型设计的步骤总结如下。（）收集风电站历史数据，并对数据进行预处理，消人工智能与传感技术电工技术除数据中的噪声，避免信息损失。（）使用主成分分析对数据进行降维处理，提取主成分，消除变量之间的相关性。（）利用深度学习网络结合优化算法，用 软件搭建预测模型。（）训练集为某年月某天连续的 组数据，验证集为第天一整天的 个数据。（）预测模型流程如图所示。图预测模型流程图算例分析 数据来源及预处理收集的某风电场 个数据包括温度、气压、湿度、风机轮毂高度处风向以及风速等数据，以 为间隔取样，每天 个数据点。风速在 间为正常数据，功率在 为正常数据，该范围以外的数据需剔除。缺失数据可以用插值法补充。通过主成分分析对数据进行降维处理，根据图贡献率筛选出温度、湿度、风向和风速四个影响因素，作为 模型的输入（训练集），输出（验证集）为当天 的风机出力数据。图主元贡献率 神经网络结构的确定根据图可以确定输入层节点数为，由 可得隐含层节点数为。进行网络训练时，要分别尝试隐含层节点数为、，然后进行误差比较，以选出最合适的隐含层节点数。通过迭代 次，各隐含层节点数的均方根误差见表。表不同隐含层节点数的均方根误差隐含层节点数 均方根误差 由表可知，隐含层节点数为时，均方根误差最小，所以 模型的输入层节点数为，隐含层节点数为，输出层节点数为。模型实例分析将收集到的风电场数据进行分类，选取温度、湿度、风向和风速四个变量作为训练集输入 模型进行训练，输入数据选取前天连续 个数据，验证集为第天的 个数据。为验证 模型预测的精度，利用 分别搭建 模型和 模型来进行比较。（）模型预测结果评价。直接利用 神经网络训练进行预测，结果如图所示。将预测结果与原始值进行比对，误差如图所示，可以看出使用 神经网络进行预测的误差较大。图 模型训练结果图 模型误差百分比（）模型预测结果评价。未经过主成分分析降维处理，直接将数据输入模型训练的结果如图所示，相比 模型预测的结果，误差较小，但通过图的误差结果可以看出数据中间和尾部出现波动，预测误差仍然较大。图 模型训练结果图 预测误差百分比（）模型预测结果评价。经过主成分分析降维处理后通过训练得出的结果如图所示。从图的误差结果来看，波动小且误差数值低，所以 模型的预测精度要优于 模型和未经主成分分析降维而直接通过模型训练的精度。图 模型训练结果图 预测误差百分比（下转第 页）电工技术人工智能与传感技术 息是 唯 一 的，避 免 出 现 映 射 混 乱 的 现 象。最 后 再 通 过 中描述的数据类型与数据结构建立数据链表，将逻辑节点的数据对、数据集、报告控制块建立连接，并将该表 地 址 传 递 至 通 信 协 议 站 主 程 序 进 行 操 作控制。（）协议栈线程的实现。建立 服务端线程，使用 操作系统提供的网络接口 ，打开 通信端口并进行 监听。当客户端发出连接请求时，服务端判断是否超过最大连接数，若未超过最大连接数则将该连接信息存入链接寄存器。同时，线程对该连接发起的报告控制块订阅请求进行监听，将订阅的报告以定时间间隔触发的方式送至客户端。在触发方式下，设备应主动对模型文件数据集中所有的映射进行扫描，在数据变化时触发报告控制块进行数据发送。当 服务端收到客户端取消订阅命令时，协议栈应将此链接从链接寄存器中移除。在 系统中实现 通信协议的服务器功能，其代码流程如图所示。结语 标准的 通信协议仍基于 通信形式，其实现机理并不存在十分特殊的地方。在 中实现 通信协议，关键在于模型文件的编制与协议栈的实现。模型文件是否符合标准、模型文件是否存在非法数据、数据对象是否具备唯一性，这些决定了协议栈能否正常解析模型文件并运行。而协议栈程序则需正确应用 中提供的网络接口，并根据协议帧格式进行网图 系统 协议栈实现流程络数据的解析与打包发送报告数据。依此便可实现基于 操作系统的 协议服务器。参考文献 罗彦 标准的研究与应用成都：西华大学，李孝成 大型实时操作系统实时性分析单片机与嵌入式系统应用，（）：翁超一种基于 的多任务间数据通信方法探究科学与信息化，（）：谭文恕变电站通信网络和系统协议 介绍电网技术，（）：邬航杰，盛戈皞，崔荣花，等基于 的变压器状态监测 的信息建模及 描述华东电力，（）：（上接第 页）结语本文提出的基于主成分分析、结合小波神经网络的短期风电预测方法，利用主成分分析对数据进行降维处理，并将降维后的主成分作为小波神经网络的输入，通过网络训练对未来一天的风机出力数据进行预测，结果表明基于主成分分析、结合小波神经网络的短期风电预测方法相比 神经网络预测和小波神经网络预测的精确度更高。参考文献 ，（）：冯在勇小波神经网络与 网络的比较研究及应用成都：成都理工大学，范丽伟，代杰，尹俊超基于改进型小波神经网络的油价预测统计与决策，（）：陈哲，冯天瑾小波神经网络研究进展及展望青岛海洋大学学报（自然科学版），（）：温泰基于蝙蝠萤火虫混合算法优化 神经网络南宁：广西大学，程宇也基于人工神经网络的短期电力负荷预测研究杭州：浙江大学，胡亚伟，王筱，晁勤，等采用横纵向误差平移插值修正的风电预测精度改善方法 电网技术，（）：电工技术电力自动化