一种基于优化VMD与特征热力图的短期风电功率预测方法

技术领域

本发明属于风电功率预测领域，具体涉及一种基于优化VMD与特征热力图的短期风电功率预测方法。

背景技术

风能被认为是最有潜力替代传统能源的可再生能源之一，影响风力发电量的核心因素是风速，风的过程具有随机性和波动性，除此之外其他气象要素如风向、温度、湿度等也共同影响了风机发电量。

现有的风力发电预测方法包括物理方法、统计方法和人工智能方法。物理方法先用物理模型拟合风电功率曲线，再通过功率曲线把预测的未来风速转换成风电功率，通常计算量大，只适用于数小时前的预测。统计方法基于历史数据的概率建模且不考虑风速变化过程，适用于分钟到小时区间内的预测，但精度会随时间推移而下降。人工智能方法是用机器学习或深度学习模型从海量数据中学习相关变量对风电功率的复杂映射关系，由其较高的预测精度成为了风电功率预测的主要方式。短期风电功率预测是对未来72小时内风力发电功率进行预测，现有的人工智能的方法中逐渐引进智能优化算法对预测模型的相关参数进行优化，对决定性能的关键参数使用优化算法得到的最优值组合对模型提高预测精度，缩短预测时长作用很大。但优化算法普遍存在难以跳出局部最优导致算法后期过早收敛的问题，大多数预测模型中没有充分利用历史相似信息，而这部分信息具有更高的参考性，也能让预测精度得到提高。

发明内容

本发明的目的在于：提出一种基于优化VMD与特征热力图的短期风功率预测方法，解决现有技术中预测模型中没有充分利用历史相似信息，预测精度不高的问题。

为实现上述目的，本发明提供如下技术方案：一种基于优化VMD与特征热力图的短期风功率预测方法，包括如下步骤：

S1、采集风电场气象数据和风电功率数据填补缺失值，并进行预处理，然后将其计划分为训练集和测试集；

S2、利用精英反向学习和自适应步长的莱维飞行得到改进的麻雀搜索算法ELSSA，将步骤S1中的训练集为输入至ELSSA中，优化变分模态分解的参数；

S3、利用优化变分模态分解的最优参数对风电功率数据进行分解，得到风电功率数据分量序列，然后对各个分量进行预测，获得各分量的样本熵值；

S4、对各分量的样本熵值进行分类，得到剧变集和平稳集；

S5、针对平稳集分量，直接输入历史风电功率数据和历史气象数据，利用GRU网络进行预测，得到平稳集分量的预测值

S6、针对剧变集分量，先进行特征热力图法处理，比较特征热力图相似度得到与上一时间窗相似的历史时段集合，再利用GRU模型获得剧变集分量的预测值

S7、叠加预测值

进一步地，前述的步骤S1包括如下子步骤：

S1.1、使用前后相邻时刻的风电功率数据均值对气象数据和风电功率数据的缺失值进行填充，如下式：

，

其中，

S1.2、对气象数据和风电功率数据归一化，如下式：

，

其中，

进一步地，前述的步骤S2包括如下子步骤：

S2.1、进行ELSSA算法初始化：设置算法待优化参数最大迭代次数

S2.2、将ELSSA算法中的麻雀个体，即要优化的参数组合，麻雀位置表示为

S2.3、使用步骤S1划分的训练集进行变分模态分解优化，将每个麻雀的参数逐个代入变分模态分解进行分解，根据分解结果计算种群的适应度值，更新最优个体的位置和适应度值；

S2.4、根据最优个体的位置和适应度值，获得精英个体在每个维度的适应度最大值、最小值确定精英反向学习的动态搜索边界，对每个个体求对应的反向解，得到反向种群；

S2.5、从当前种群和反向种群中选取前

S2.6、采用自适应步长的莱维飞行改进发现者的位置更新公式，更新种群中发现者、跟随着、侦察者位置；

S2.7、判断当前迭代次数是否达到最大迭代次数

进一步地，前述的步骤S2.2中，使用适应度函数计算适应度，所述适应度函数为峭度绝对值的倒数，如下式：

，

其中，

，

其中，

进一步地，前述的步骤S2.4中，包括如下子步骤：

S2.4.1、将每轮迭代中麻雀在

，

表示第

S2.4.2、将初始麻雀个体，即初始参数组合在

，

原解对应的反向解记作：

，

满足

S2.4.3、根据精英个体确定动态搜索边界：下界

，

其中，

，

得到反向种群后，下一代种群由当前种群和反向种群中适应度最优的前

进一步地，前述的步骤S2.6中，

更新麻雀种群中发现者的位置如下式：

，

其中，

，

r

更新麻雀种群中跟随者的位置如下式：

，

其中，

更新麻雀种群中侦察者的位置如下式：

，

其中，

进一步地，前述的步骤S4具体为：对分量计算样本熵，根据计算结果确定前后分量样本熵值差值最大处，差值最大处两个熵中的较大值记为s，熵值大于等于s的分量组成剧变集，熵值小于等于s的分量组成平稳集；

其中，对分量计算样本熵包括如下子步骤：

设

S4.1、对

，（

S4.2、计算

，

其中，表示分量

S4.3、计算与总分量数的比值：

，

S4.4、对所有分量的

，

S4.5、将维数

。

进一步地，前述的步骤S6中，所述特征热力图法处理具体为：通过滑动窗口截取交替排列的气象数据得到集合C，再对C进行卷积计算，获取每个截取的气象数据对应的特征矩阵，将每个特征矩阵转换的热力图称为特征热力图。

进一步地，前述的步骤S6中，比较特征热力图相似度得到与上一时间窗相似的历史时段集合具体为：

通过SSIM法计算每个历史时间窗气象特征热力图与当前时间窗气象特征热力图的相似度，取SSIM值大于阈值

相较于现有技术，本发明的有益效果如下：

1、由于风电功率数据具有波动性强和无周期变化的特点，采集原始数据时通常还存在噪声干扰，这些因素影响了预测结果精度和稳定性，本发明采用了VMD方法先分解再预测很好地减少了以上特性带来的影响；VMD分解克服了信号分解容易产生模态混叠的问题，对分解得到的平缓子序列预测比直接预测原风电功率序列的误差更小。

2、为了得到最佳VMD参数组合以达到最好的风电功率分解效果，提出了精英反向学习与自适应步长的莱维飞行改进的麻雀优化算法，在传统麻雀优化算法迭代中加入了精英反向解增加麻雀种群的多样性使算法搜索效率更高，引入自适应莱维飞行对麻雀中发现者在安全状态下的位置更新公式进行改进，克服了麻雀搜索算法容易陷入局部最优值提前早熟的问题，同时获取了最优的变分模态分解参数，减少了预测偏差。

3、本发明将卷积提取的多种气象数据隐藏特征转换为热力图，通过比较特征热力图的SSIM相似性得出历史相似数据集合。能同时提取多种气象数据之间的关联使评判结果参考性更可靠，并且SSIM相似性计算分别从亮度、对比度、结构三个方面度量图像相似性，能更准确地找到特征匹配度高的相似时段，利用隐藏特征挖掘更加相似。

附图说明

图1是本发明方法的流程图。

图2是本发明方法的特征热力图法模块图。

图3是本发明实施例中风电功率的VMD分解图；图中，(a)为原风电功率数据，(b)、（c）、（d）、（e）、(f)是分解后的风电功率分量。

图4是本发明实施例中的VMD分量样本熵值柱状图。

图5是本发明方法的风电功率预测结果图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

如图1所示，本发明的流程图，基于优化VMD与特征热力图的短期风功率预测方法，包括如下步骤：

S1、采集风电场中气象数据和风电功率数据填补缺失值，对气象数据进行归一化处理并划分训练集和测试集，气象数据包括风向、风速、温度、气压、湿度；

其中，对气象数据和风电功率数据进行缺失值填补处理方式为：定位数据中的缺失值，采用相邻数据平均值填充，对气象数据归一化的处理按照下式进行：

，

其中，

本发明的实验数据采用新疆某风电场2019年9月1日0时至2019年9月30日的记录数据，数据包含风机数据和历史气象数据包括风速、风向、温度、气压，其中风电功率数据和风速数据每15分钟采样一次，共2880组数据，前24天的数据作为训练数据，后6天的数据作为测试数据；

S2、利用精英反向学习和自适应步长的莱维飞行得到改进的麻雀搜索算法ELSSA（EOBL-Levy-SSA），将步骤S1中的训练集为输入至ELSSA中，优化变分模态分解的参数

步骤S2具体包括如下子步骤：

S2.1、进行ELSSA算法初始化：最大迭代次数

S2.2，将

使用适应度函数计算适应度，所述适应度函数为峭度绝对值的倒数，如下式：

，

其中，

，

其中，

ELSSA算法跳出迭代的条件为达到最大预设迭代次数，或为在最大预设迭代次数内，当前适应度值小于预设阈值；其中每一个分量都计算峭度，因此可以衡量分解效果，峭度的绝对值越大信号分解的效果越好，ELSSA每轮迭代都根据变分模态分解结果计算对应的适应度值，达到最大迭代次数后，最小适应度值对应的麻雀位置参数为变分模态分解的最佳参数组合；

S2.3、使用步骤S1划分的训练集进行变分模态分解VMD优化，将每个麻雀的参数逐个代入变分模态分解VMD进行分解，根据分解结果计算种群的适应度值，更新最优个体的位置和适应度值；

S2.4、根据当前种群计算反向解，比较原解和反向解的适应度值大小，原解小于反向解的个体为精英个体，否则为普通个体，精英个体中适应度最差的个体的值作为动态搜索边界的下界，适应度最好的个体的值作为动态搜索边界的上界，对普通个体的反向解判断是否超过动态边界，若超过需重置反向解。具体为：

S2.4.1、将每轮迭代中麻雀在

，

表示第

S2.4.2、将初始麻雀个体，即初始参数组合在

，

原解对应的反向解记作：

，

满足

S2.4.3、根据精英个体确定动态搜索边界：下界

，

其中，

，

得到反向种群后，下一代种群由当前种群和反向种群中适应度最优的前

S2.5、从当前种群和反向种群中选取前

S2.6、采用自适应步长的莱维飞行改进发现者的位置更新公式，更新种群中发现者、跟随着、侦察者位置。

麻雀搜索算法中存在发现者、跟随者、警戒者三种身份，发现者负责搜索食物丰富的区域为种群中其他个体提供食物的区域和方向，其搜索能力对算法的寻优能力起决定性作用；在安全状态下发现者的搜索范围较小，在算法迭代后期容易陷入局部最优使算法早熟，为此采用莱维飞行对发现者在安全状态下的位置更新公式进行改进。

莱维飞行是一种长短步交替的随机步长搜索方式，能使发现者在更大的范围进行搜索；其函数形式描述如下：

，

其中，

，

其中，

考虑到算法后期较小步长有利于提高寻优效果，因此用一个自适应步长参数结合莱维飞行进行改进，最终发现者在安全状态下的位置更新公式为：

其中，

和

更新麻雀种群中发现者的位置如下式：

，

其中，

更新麻雀种群中跟随者的位置如下式：

，

其中，

更新麻雀种群中侦察者的位置如下式：

，

其中，

S2.7、判断当前迭代次数是否达到最大迭代次数

S3、利用VMD使用最优参数

S4、对各分量的样本熵值进行分类，得到剧变集和平稳集；对分量计算样本熵，根据计算结果确定前后分量样本熵值差值最大处，差值最大处两个熵中的较大值记为s，熵值大于等于s的分量组成剧变集，熵值小于等于s的分量组成平稳集。各分量样本熵值计算结果如图4所示。对分量计算样本熵包括如下子步骤：

设

S4.1、对

，（

S4.2、计算

，

其中，表示分量

S4.3、计算与总分量数的比值：

，

S4.4、对所有分量的

，

S4.5、将维数

。

S5、针对平稳集分量，直接输入历史风电功率数据和历史气象数据，利用GRU网络进行预测，得到平稳集分量的预测值

S6、针对剧变集分量，先进行特征热力图法处理，比较特征热力图相似度得到与上一时间窗相似的历史时段集合，再利用GRU模型获得剧变集分量的预测值

如图2所示，所述特征热力图法处理具体为：通过滑动窗口截取交替排列的气象数据得到集合C，再对C进行卷积计算，获取每个截取的气象数据对应的特征矩阵，将每个特征矩阵转换的热力图称为特征热力图。

所述比较特征热力图相似度得到与上一时间窗相似的历史时段集合具体为：

通过SSIM法计算每个历史时间窗气象特征热力图与当前时间窗气象特征热力图的相似度，取SSIM值大于阈值

采用滑动窗口截取气象序列提取特征，所用的卷积神经网络规模与历史气象数据种类相同，例如本发明中提到的气象数据包括风向

，

上一时间窗特征热力图和历史特征热力图的相似度使用SSIM计算，对上一时间窗特征热力图和历史特征热力图将从亮度、对比度、结构三方面度量相似性水平，亮度相似性度量公式如下：

，

其中，

对比度相似性度量公式如下：

其中，

结构相似性度量公式如下：

其中，

由以上亮度、对比度、结构度量公式得到SSIM函数表示为：

记其他时段特征图为

S7、叠加预测值

预测效果如图5所示，使用下列指标进行评估；

其中，

表1

虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。