一种基于特征解构的海上风电场短期风速预测方法

技术领域

本发明涉及风速预测技术领域，特别涉及一种基于特征解构的海上风电场短期风速预测方法。

背景技术

风速是影响风机发电功率的主要因素之一，由于海上环境与陆上环境截然不同，海上不受地貌和植物、建筑等地貌特征的影响，湍流强度较小，风电机组尾流影响距离长、范围广；同时海上还存在基于海洋–海浪–大气模式耦合的区域数值模式。这些特点使得陆上风速预测的相关研究无法适用于海上风电。目前风速预测主要分为基于大气、环境地貌等的物理建模方法和基于数据的统计学习方法。前者利用流体力学、热力学等物理方法，综合考虑气象条件、海洋与大气热力过程等信息，具有实现难度大，计算复杂等缺点，一般用于中长期预测。

统计学习方法通常基于数值天气预报数据(如风速、风向和温度等)与历史风速数据对未来短时间内的风速做出预测。目前，已有部分案例对短期风速预测进行研究，但是其中大部分针对的是陆地环境中的风速，不适用于海上。少部分研究针对海上风速进行预测，但是，这些研究或使用的是国外风电场的数据集，预测精度不高，难以满足国内海上风电场的实际工程应用需求。因此，如何对海上风电场的风速进行准确的预测是本领域人员亟需解决的问题。

发明内容

本发明的目的在于，提供一种基于特征解构的海上风电场短期风速预测方法。本发明可以从原始的风速信号中提取更多的时序信息，从而提高对风速预测的准确率。

本发明的技术方案：一种基于特征解构的海上风电场短期风速预测方法，包括以下步骤：

S1：通过海上风电场测风塔获得实测风速信号，作为样本数据；

S2：通过变分模态分解算法将所述样本数据解构为IMF分量和残差序列；

S3：通过归一化和滑窗切片处理，将所有IMF分量和残差序列转换为目标数据格式，获取训练样本集和测试样本集；

S4：构建GRU-ARIMA模型，将训练样本集输入GRU-ARIMA模型中进行训练，直至GRU-ARIMA模型收敛，保存GRU-ARIMA模型的模型参数；

S5：通过训练完成的GRU-ARIMA模型对IMF分量和残差序列的值进行预测；

S6：对所有预测结果进行整合并获取风速预测值。

前述的基于特征解构的海上风电场短期风速预测方法中，所述S2包括以下步骤：

S2.1：将实测风速信号分解为固有模态IMF分量，提取信号频域特征，其中，约束变分表达式为：

所述固有模态IMF分量的表达式为：

其中，k为分解的固有模态IMF分量的个数，{u

S2.2：引入二次项惩罚因子α和Lagrange乘法算子，将约束变分问题转化为非约束变分问题，其中，Lagrange表达式为：

其中，f(t)表示原始信号，λ(t)表示拉格朗日乘子。

前述的基于特征解构的海上风电场短期风速预测方法中，在所述S3中，所述归一化为最大最小值归一化，归一化的表达式为：

其中，X

前述的基于特征解构的海上风电场短期风速预测方法中，在所述S3中，所述滑窗切片包括：滑动窗口将IMF分量的数据分成输入窗口数据和输出窗口数据，其中，滑动窗口的步数为需要预测不同时间点的数据的个数。

前述的基于特征解构的海上风电场短期风速预测方法中，在所述S4中，所述训练样本集包括IMF分量训练样本集和残差序列训练样本集；

所述S4包括以下步骤：

S4.1：构建GRU模型，并将IMF分量训练样本集输入所述GRU模型中进行训练，直至GRU模型收敛，保存GRU模型的参数；

S4.2：构建ARIMA模型，并将残差序列训练样本集输入所述ARIMA模型中进行训练，直至ARIMA模型收敛，保存ARIMA模型的参数。

前述的基于特征解构的海上风电场短期风速预测方法中，所述GRU模型的表达式为：

其中，z

前述的基于特征解构的海上风电场短期风速预测方法中，所述ARIMA模型的类型包括自回归模型、移动平均模型和自回归移动平均模型，其中，所述自回归模型的表达式为：

所述移动平均模型的表达式为：

所述自回归移动平均模型的表达式为：

其中，i表示预测数据之前第i个数据，j表示第j个残差量，t表示预测时刻，p和q均为模型训练参数，表示取预测数据点之前的p个实测数据和q个残差量，{ε

前述的基于特征解构的海上风电场短期风速预测方法中，所述S4.1包括：对每个IMF分量分别构建一个GRU模型，将经过滑窗切片的各个IMF分量训练样本集分别输入对应的GRU模型当中，模型收敛后，保存各个GRU模型的参数；

所述S4.2包括：对残差序列分量单独构建一个ARIMA模型，将经过滑窗切片的残差序列训练样本集输入ARIMA模型当中，模型收敛后，保存ARIMA模型的参数。

前述的基于特征解构的海上风电场短期风速预测方法中，所述S5包括以下步骤：

S5.1：将各个IMF分量的测试样本集数据输入对应训练好的GRU模型，各个GRU模型的输出结果即为各个IMF分量的预测值；

S5.2：将残差序列的测试样本集数据输入训练好的ARIMA模型，ARIMA模型的输出结果即为残差序列的预测值。

前述的基于特征解构的海上风电场短期风速预测方法中，所述S6的计算公式为：

V

其中，V

与现有技术相比，本发明具有以下有益效果：

1、本发明通过变分模态分解算法将所述样本数据解构为IMF分量和残差序列，有利于时序预测模型从中提取更多的时序信息，从而提高预测的准确率；并且，本发明基于GRU循环神经网络对具有较强时序性特征的各IMF分量做出精准预测，对于时序性不强但具有一定平稳性的残差序列，本发明通过构建ARIMA模型能够实现更好的预测效果，从而进一步提高对风速信息预测的精确程度。

2、本发明利用变分模态分解算法、GRU和ARIMA算法的不同有点，将上述算法结合使用，能够得到更好的短期风速预测效果，提高预测准确率，为电网调度提供准确可靠的依据。

附图说明

图1是本发明的预测方法流程图；

图2是本发明的VMD3层分解效果图；

图3是本发明的VMD4层分解效果图；

图4是本发明的数据滑窗切片示意图；

图5是本发明的GRU网络单元结构示意图；

图6是本发明中各分量的预测效果示意图；

图7是本发明中对残差序列预测的效果示意图；

图8是本发明中对切入、切出风速之间的低风速值数据预测结果示意图；

图9是本发明中对低风速值数据预测的结果示意图；

图10是本发明中对切入、切出风速之间的高风速值数据预测结果示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：一种基于特征解构的海上风电场短期风速预测方法，如附图1所示，包括以下步骤：

S1：通过海上风电场测风塔获得实测风速信号，作为样本数据；具体地，在本实施例中采集的风速信号为国内某海上风电场的实测风速数据。

S2：通过变分模态分解算法将所述样本数据解构为IMF分量和残差序列；变分模态分解是采取python中vmdpy库里的VMD方法对采集的数据进行模态分解。VMD是一种新的自适应、完全非递归的模态变分和信号处理方法，能够有效避免信号长度选取对分解结果的影响，其分解过程本质上是一个对约束的变分问题求最优解的过程。所述S2包括以下步骤：

S2.1：将实测风速信号分解为固有模态IMF分量，提取信号频域特征，其中，实测风速信号为一维信号，约束条件为各模态的估计带宽之和最小，所有模态之和与原始信号相等，约束变分表达式为：

所述固有模态IMF分量的表达式为：

其中，k为分解的固有模态IMF分量的个数，{u

S2.2：引入二次项惩罚因子α和Lagrange乘法算子，将约束变分问题转化为非约束变分问题，其中，Lagrange表达式为：

其中，f(t)表示原始信号，λ(t)表示拉格朗日乘子。进行变分模态分解操作时，需定义分解模态个数k和带宽限制a，k根据实际情况取值，a的经验取值为样本数据长度的1.5-2.0倍。将上述实测风速信号用变分模态分解算法进行分解，在不丢失原始信号的情况下，把一个原始信号分解成多个具有不同中心频率的信号。原始信号经VMD分解为3层、4层的效果分别如附图2和附图3所示。分解层数为3时，分量3的频率高、幅值小；当分解层数为4时，分量3与分量4均具有频率高、幅值小的特点。频率高、幅值小的分量对提升总体的预测精度效果微弱，且更多的分量意味着需要耗费更多的运算资源。因此，本实施例选择的VMD最佳分解模态个数为3个。

S3：通过归一化和滑窗切片处理，将所有IMF分量和残差序列转换为目标数据格式，获取训练样本集和测试样本集；在所述S3中，所述归一化为最大最小值归一化，归一化的表达式为：

其中，X

进一步地，关于数据滑窗切片的具体操作：经VMD分解所得的各个分量需要分别输入独立的时序预测模型中进行训练。如附图4所示，假设需要预测t时间点之后n个时间点的值(包括t)，输入模型的历史数据长度为k，采用滑动窗口将数据分为输入x和输出y，为避免预测值出现重叠，滑动步数设为n。

一般情况下，k值越大，预测效果越好，但是需要的计算量也越大。为了在保证预测精度的情况下，尽可能降低计算量，可以将k值作为x轴，预测结果均方差值作为为y轴，建立随k值变化的损失曲线(控制n相同)。当损失函数下降曲线的曲率达到拐点时，确定k值。最后对数据集进行划分，将70％的数据作为训练样本集，30％的数据作为测试样本集。训练样本集用来训练时序预测模型，而测试样本集用来评估所建立模型的预测精度。更进一步的，为提升模型的训练效果，需先将训练样本集重新洗牌、随机打乱。

S4：构建GRU-ARIMA模型，将训练样本集输入GRU-ARIMA模型中进行训练，直至GRU-ARIMA模型收敛，保存GRU-ARIMA模型的模型参数；在所述S4中，所述训练样本集包括IMF分量训练样本集和残差序列训练样本集；所述S4包括以下步骤：

S4.1：根据GRU循环神经网络原理，构建GRU模型，并将IMF分量训练样本集输入所述GRU模型中进行训练，直至GRU模型收敛，保存GRU模型的参数；GRU循环神经网络的具体单元结构如附图5所示，所述GRU模型的表达式为：

其中，z

S4.2：构建ARIMA模型，并将残差序列训练样本集输入所述ARIMA模型中进行训练，直至ARIMA模型收敛，保存ARIMA模型的参数。所述ARIMA模型的类型包括自回归模型、移动平均模型和自回归移动平均模型，其中，所述自回归模型的表达式为：

所述移动平均模型的表达式为：

所述自回归移动平均模型的表达式为：

其中，i表示预测数据之前第i个数据，j表示第j个残差量，t表示预测时刻，p和q均为模型训练参数，表示取预测数据点之前的p个实测数据和q个残差量，{ε

建立ARIMA模型之前需先确定三个参数(p,d,q)，确定参数(p,q)有两种方法：一是借助自相关系数(ACF)和偏自相关系数(PACF)图的截尾、拖尾阶数,以及赤池信息准则(Akaike Information Criterion，AIC)、贝叶斯信息准则(Bayesian InformationCriterion，BIC)；二是结合信息准则进行参数迭代，寻找最优值。用ADF(AugmentedDickey–Fuller test)平稳性检测方法确定差分阶数d，一般d≤3。

首先，用ADF平稳性检测法检验残差序列的平稳性，验证得知残差序列达到平稳时的差分阶数为0，即确定参数d＝0。然后使用网格搜索交叉验证的方法确定参数(p,q)，用信息准则BIC进行判定，根据经验设定参数调节范围。最终参数如表1所示。

表1 ARIMA的各个参数

所述S4.2包括：对残差序列分量单独构建一个ARIMA模型，将经过滑窗切片的残差序列训练样本集输入ARIMA模型当中，模型收敛后，保存ARIMA模型的参数。值得注意的是，在S4.2中，建立ARIMA模型所针对的残差序列分量为时序性差但是具有一定平稳性的残差序列分量。

S5：通过训练完成的GRU-ARIMA模型对IMF分量和残差序列的值进行预测；所述S5包括以下步骤：

S5.1：将各个IMF分量的测试样本集数据输入对应训练好的GRU模型，各个GRU模型的输出结果即为各个IMF分量的预测值；如附图6所示，为GRU模型对未来一小时每个IMF分量的预测结果。由于分量IMF3频率较高，为直观反映预测效果，图中只取100个预测点。

S5.2：将残差序列的测试样本集数据输入训练好的ARIMA模型，ARIMA模型的输出结果即为残差序列的预测值。如附图7所示，为未来一小时对残差序列的预测结果。从图中可以可以看出，相比于GRU模型，ARIMA模型对残差序列的预测精度有了显著提高。

进一步的，对GRU-ARIMA模型的评价指标参考2019年实施的中国能源行业标准NB/T10205—2019《风电功率预测技术规定》文件，文件中采用均方根误差E

其中，V

S6：对所有预测结果进行整合并获取风速预测值，所述S6的计算公式为：

V

其中，V

用上述性能评价指标对预测结果进行评价。本实施例中，该海上风电场的风机参数为：切入风速为3m/s,切出风速为25m/s。当风速低于切入风速时，风机处于待启动状态；当风速高于切出风速时，风机的桨叶角度变为90°，此时风机叶片与风向相互平行，风机无法捕获风能，处于停机状态；当实际风速值位于切入、切出风速之间时，风机才处于正常发电状态。并且当风速值较小时，由于实际值处于分母位置，易出现无穷值，从而导致评价指标异常。综合考虑上述情况，对实际风速值处于切入风速和切出风速之间的预测结果进行预测性能评价更符合实际情况。不同方法的评价结果如表2所示：

表2不同模型实验结果对比

由表2可以看出，相比于直接使用GRU模型对风速进行预测，经过VMD分解后再用GRU预测时，不同时长的效果有明显提升，而VMD-GRU-ARIMA模型的预测效果在VMD-GRU模型的基础上又有了明显提升。随着预测时长的增加，GRU模型的预测效果明显下降，而经过VMD分解后，模型的预测效果下降速度缓慢。预测时长为60分钟时，VMD-GRU-ARIMA模型预测结果的均方根误差E

如附图8-10所示，为不同模型预测未来一小时海上风速的结果对比，图中的数据并未剔除低于切入风速和高于切出风速的数据。图8、图9和图10为预测结果中随机取的三段数据，图8中以切入、切出风速之间的低风速值数据为主，图9中以低风速值数据为主，图10中以切入、切出风速之间的高风速值数据为主。从图中可以看出，对处于各个风速段的数据，VMD-GRU-ARIMA预测模型都能取得很好的预测效果，明显优于GRU模型和VMD-GRU模型。

经验证，本发明提出的基于变分模态分解和GRU-ARIMA的海上风电场短期风速预测方法是有实际应用价值的。用VMD分解算法对原始信号特征进行解构能有效提升风速的预测精度，用ARIMA算法预测残差能进一步提升模型的预测效果。对于一小时内的短期风速预测，VMD-GRU-ARIMA模型预测结果的准确率和合格率均能达到90％以上，满足中国能源行业标准NB/T 10205—2019《风电功率预测技术规定》文件中的要求。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的权利要求书的保护范围之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。