|
|
|||
|
|
|||
|
基于EMD-KPCA-LSTM的风电场短期功率预测
|
|
辽宁工程技术大学电气与控制工程学院、华润电力销售有限公司 王鹤炅 刘祉妤 陈泠伶 杨明远
|
|
发布时间:2025-03-06
|
|
摘要：为精准预测风电功率，提出一种EMD-KPCA-LSTM模型对短期风电功率进行预测。充分考虑制约风电功率的环境因素，为有效降低风电功率的不稳定性与间歇性，采用EMD对环境因素进行分解提取IMF；通过KPCA对数据维度降维；通过LSTM对多变量时间序列和风电功率之间的动态时间建模，实现对风电功率的预测。 关键词：风电功率预测，经验模态分解，核主成分分析法，长短期递归神经网络 0 引言 作为一种新能源发电方式，风力发电受气象因素影响严重具有不稳定性，其中，风速、风向、温度、气压和湿度对风力发电功率影响较为严重。风力发电的不稳定性和间歇性会影响电能质量和系统运行的安全[1]。因此，提高风力发电的预测精度，对于国家电力系统运行的平稳安全具有重大意义。对于传统方法来说主要分为物理模型法和统计模型法[2]。现如今，为提高风电功率预测的精度，对风电功率预测的方法有很多种。汪欣、蔡旭[3]等人采用传统的LSTM算法结合交叉局部异常因子进行预测，提高风功率预测精度，但效率有待提高。曹渝昆和朱萌[4]通过主成分析和轻量梯度提升术进行预测。张雲钦[5]等人通过采用EMD-PCA-LSTM对光伏功率的预测为本文提供思路。综上所述，本文基于EMD-KPCA-LSTM对风电功率进行预测的精度更加准确。 1 环境因素多维时间序列相关性分析 本文的实验数据样本为2017年1月1日—7月1日宁夏某风电站的风电实测功率的时间序列数据。同时，采用风电站记录的5种环境序列数据分别为风速、风向、温度、气压以及湿度。首先根据皮尔逊相关系数分析各种环境因素对实际功率之间的相关性。由表1可知风电发电功率与风速、风向、温度、气温及湿度成正相关，与气压成负相关。其中，功率与风速，风向相关性较高；与气温、湿度和气温相关性较低，但对功率有一定影响。 2 EMD-KPCA-LSTM风电功率预测模型 2.1 主体框架 基于EMD-KPCA-LSTM模型对风电功率的预测主要分为三个阶段，分别为对环境因素进行分解提取内涵模态分量、对数据维度降维、长短期记忆递归神经网络预测。然后根据降重数据与历史数据划分训练集和测试集经过训练得到预测结果。基于EMD-KP-CA-LSTM风电功率预测模型主体框架如图1所示。 2.2 经验模态分解（Empirical Mode Decomposition） 经验模态分解是依据数据自身的时间尺度特征来进行信号分解，是一种时频域信号处理方式。内涵模态分量（Intrinsic Mode Functions，IMF）是EMD将原始信号分解之后得到的各层信号分量，EMD是将输入信号分解成为几个本征模函数和一个残差组成。 式中：I（n）为输入信号；IMFm（n）为本征模函数；ResM（n）为残差。同时，EMD停止筛选准则，当标准偏差（Standard Deviation，SD）小于给定的阀值时，停止筛选过程 2.3 核主成分分析法 （Kernel Principal Component Analysis）核主成分分析法是一种基于核函数的主成分分析方法，考虑到环境序列多维时间序列数据的多维性和冗余性，采用核主成分分析法，将原始数据映射到一个高维特征空间，使得该空间中的数据线性可分性更强烈，然后再对数据进行降维处理。KPCA的实现主要分为以下步骤：计算核矩阵K（xi，xj）=exp 2.4 长短期记忆递归神经网络（Long Short Term Memory） 考虑到环境因素时间序列的影响，选用LSTM网络进行分类，处理和预测。LSTM单元由单元、输入门、输出门和忘记门组成。该单元记住任意时间间隔内的值，并且三个门控制进出单元的信息流。LSTM采用反向传播算法，首先，通过输入门生成的值来判断所指信息的重要性；然后通过遗忘门记录前一时刻所遗忘掉的信息；根据输入门和遗忘门输出值的更新迭代，达到目标准确率，LSTM保留更新长期信息；最终通过输出门来控制信息的输出。 3 预测实验结果分析 为更加清晰地展示该模型的预测效果，本文将LSTM、EMD-LSTM与EMD-KPCA-LSTM模型的预测结果及误差进行对比如图2、图3所示，图中曲线1、曲线2、曲线3分别代表LSTM、EMD-LSTM与EMD-KPCA-LSTM。图2横纵坐标均为光伏出力情况，横坐标为样本数据，纵坐标为预测结果，单位为GW。图3为随光伏出力的增加对预测误差的影响。由图2可以清晰的看出，EMD-KPCA-LSTM预测模型的预测曲线更加贴近于目标曲线，明显可以看出该模型要优于其他两种模型；由图3可以看出，EMD-KP-CA-LSTM预测模型相对于其他两种模型的预测误差更加稳定，该误差曲线在0上下波动。 4 结语 本文基于EMD-KPCA-LSTM预测模型对风电功率进行预测，通过EMD对环境时间序列进行分解提取IMF分量；再通过KPCA筛选出影响风电功率的关键影响因子对数据降维处理；最后通过LSTM神经网络对风电功率进行建模完成对风电功率的预测。本文证实了EMD-KPCA-LSTM预测模型在对风电功率预测方面的实用价值，在现实生活中具有良好的应用价值和发展前景。 参考文献 [1]廖雪超，伍杰平，陈才圣.结合注意力机制与LSTM的短期风电功率预测模型[J].计算机工程，2022，48（9）：286-297. [2]符杨，任子旭，魏书荣，等.基于改进LSTM-TCN模型的海上风电超短期功率预测[J].中国电机工程学报，2022，42（12）：4292-4303. [3]汪欣，蔡旭，李征.结合交叉局部异常因子和注意力机制的超短期风电功率预测方法[J].电力系统保护与控制，2020，48（23）：92-99. [4]曹渝昆，朱萌.基于主成分分析和LightGBM的风电场发电功率超短期预测[J].上海电力学院学报，2019，35（6）：562-566. [5]张雲钦，程起泽，蒋文杰，等.基于EMD-PCA-LSTM的光伏功率预测模型[J].太阳能学报，2021，42（9）：62-69. [6]王海军，居蓉蓉，董颖华.基于时空关联特征与B-LSTM模型的分布式光伏功率区间预测[J].中国电力，2024，57（7）：74-80. 第一作者简介：王鹤炅（2003—），男，内蒙古库伦旗人，辽宁工程技术大学本科在读，研究方向为电气工程及其自动化。 |
|
《现代工业经济和信息化》2024年第11期
|
| 相 关 文 章 | ||
|