基于EEMD-CNN-LSTM的風(fēng)電機(jī)組短期功率預(yù)測(cè)的可行性分析

陳思羽 胡常鑫

摘要：隨著社會(huì)的發(fā)展，人們對(duì)電能的質(zhì)量和數(shù)量的要求也越來(lái)越高。風(fēng)能是當(dāng)今增長(zhǎng)需求最快的能源，在全球能源市場(chǎng)中風(fēng)電占有很大比率。隨著風(fēng)電機(jī)組大量并網(wǎng)，因?yàn)轱L(fēng)能屬于隨機(jī)波動(dòng)的不穩(wěn)定能源的特點(diǎn)，對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)以便安排調(diào)度就變得非常重要，本文將對(duì)EEMD-CNN-LSTM網(wǎng)絡(luò)對(duì)于風(fēng)電功率預(yù)測(cè)的可行性進(jìn)行分析和原理介紹。

關(guān)鍵詞：風(fēng)電機(jī)組;卷積神經(jīng)網(wǎng)絡(luò);LSTM;EEMD

引言

由于風(fēng)電機(jī)組在運(yùn)行過(guò)程中很容易受到外界環(huán)境因素的影響而改變當(dāng)前的工作狀態(tài)進(jìn)而造成發(fā)電功率波動(dòng)。但是由于外界環(huán)境變化呈現(xiàn)出顯著的非線性、非平穩(wěn)等復(fù)雜特性，這使得風(fēng)電功率預(yù)測(cè)成為一項(xiàng)極具挑戰(zhàn)的研究課題。此前有學(xué)者使用統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)等方法應(yīng)用于風(fēng)電的超短期、中長(zhǎng)期等功率預(yù)測(cè)并取得了良好的效果，然而與這些方法相比，深度學(xué)習(xí)采用無(wú)監(jiān)督學(xué)習(xí)的逐層特征提取，更具良好的非線性能力并可表示更加復(fù)雜的函數(shù)。而且深度學(xué)習(xí)不僅具有很高的數(shù)據(jù)預(yù)測(cè)精度還可以緩解過(guò)擬合的問(wèn)題，有很強(qiáng)的泛化能力。對(duì)于風(fēng)電功率存在一定的時(shí)間變化規(guī)律的特性，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法能夠非常好的將時(shí)間規(guī)律加以應(yīng)用。

1 卷積神經(jīng)網(wǎng)絡(luò)

（1）卷積神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一種分支，一直在時(shí)間序列數(shù)據(jù)預(yù)測(cè)、圖像處理等領(lǐng)域有著廣泛應(yīng)用。由于卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力和空間關(guān)聯(lián)能力，使得其在進(jìn)行預(yù)測(cè)和識(shí)別數(shù)據(jù)的時(shí)候相比BP神經(jīng)網(wǎng)絡(luò)具有更高的精度，并且卷積神經(jīng)網(wǎng)絡(luò)過(guò)濾器復(fù)用的特點(diǎn)使得參數(shù)數(shù)量相比BP神經(jīng)網(wǎng)絡(luò)也大大減小，既提高了訓(xùn)練速度也提高了訓(xùn)練精度。

（2）由于風(fēng)電功率數(shù)據(jù)具有較長(zhǎng)的時(shí)間關(guān)聯(lián)性，此前有人將CNN與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合以獲得相較單一卷積神經(jīng)網(wǎng)絡(luò)更長(zhǎng)的時(shí)間變化特征，在效果驗(yàn)證上相比較單一的CNN預(yù)測(cè)而言和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)也確實(shí)具有更高的預(yù)測(cè)精度。

2 時(shí)間序列分解（EEMD）

經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)于處理波動(dòng)信號(hào)非常具有優(yōu)勢(shì)。此前與經(jīng)驗(yàn)?zāi)B(tài)分解類(lèi)似的有傅立葉分解法和小波分解法。小波分解法和傅里葉分解發(fā)是建立在先驗(yàn)性的諧波基函數(shù)和小波基函數(shù)上的。與之相比經(jīng)驗(yàn)?zāi)B(tài)分解無(wú)須像傅里葉分解和小波分解法一樣設(shè)定基函數(shù)，其可自動(dòng)分解為多個(gè)IMF函數(shù)而無(wú)須人工干預(yù)。因此經(jīng)驗(yàn)?zāi)B(tài)分解相比較傳統(tǒng)方法而言具有更加廣泛的適用性，在處理非線性和非平穩(wěn)數(shù)據(jù)上具有顯著優(yōu)勢(shì)。經(jīng)驗(yàn)?zāi)B(tài)分解的輸入為待分解信號(hào)，輸出為本證模函數(shù)。并且分解出來(lái)的各IMF具有的局部特征信號(hào)具有不同的頻率。Wu和Huang基于上述方法的基礎(chǔ)上對(duì)EMD進(jìn)行改進(jìn)，使用噪聲數(shù)據(jù)對(duì)分解過(guò)程進(jìn)行輔助優(yōu)化，即EEMD，將時(shí)間序列數(shù)據(jù)分解為一系列不同波動(dòng)頻率且相互獨(dú)立的本征模函數(shù)，相比較EMD而言EEMD有效的解決了EMD的混頻現(xiàn)象。其分解原理是：首先對(duì)將要分解的風(fēng)電功率時(shí)間序列數(shù)據(jù)增加白噪聲，再分解處理后的數(shù)據(jù)，重復(fù)多次上述操作，最后對(duì)多次分解后的IMF分量求均值進(jìn)而求出最終的本證模函數(shù)。

3 游程編碼

為了得到EEMD分解后得到的本征模函數(shù)的波動(dòng)狀態(tài)，并對(duì)波動(dòng)程度進(jìn)行量化，這里使用游程編碼的方法對(duì)EMD進(jìn)行檢驗(yàn)對(duì)于任意的IMF分量，計(jì)算其均值為如果則觀測(cè)值記為0，反之則記為1。從0和1交替的程度即可判斷波動(dòng)程度。

4 CNN-LSTM優(yōu)化網(wǎng)絡(luò)

對(duì)于長(zhǎng)期以來(lái)問(wèn)題，在進(jìn)行反向傳播計(jì)算時(shí)會(huì)出現(xiàn)非常強(qiáng)烈的衰減，其衰減的結(jié)果會(huì)導(dǎo)致傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)丟失長(zhǎng)期依賴(lài)的特征和細(xì)節(jié)，為了彌補(bǔ)傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)丟失長(zhǎng)期特征的缺陷，更多的循環(huán)神經(jīng)網(wǎng)絡(luò)的變種網(wǎng)絡(luò)被提出，其中?Long Short-Term Memory 表現(xiàn)最為出色。使用 LSTM 模塊后，當(dāng)誤差從輸出層反向傳播回來(lái)時(shí)，可以使用模塊的記憶元記下來(lái)。所以 LSTM 可以記住比較長(zhǎng)時(shí)間內(nèi)的信息。

作為一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，長(zhǎng)期和短期記憶網(wǎng)絡(luò)可以解決循環(huán)神經(jīng)網(wǎng)絡(luò)無(wú)法解決長(zhǎng)距離依賴(lài)，梯度爆炸和梯度消失的問(wèn)題，在處理序列數(shù)據(jù)方面非常有效。

長(zhǎng)短期記憶網(wǎng)絡(luò)細(xì)胞架構(gòu)如圖3-1所示，其中h 是隱藏狀態(tài)，表示的是短期記憶;C是細(xì)胞狀態(tài)，表示的是長(zhǎng)期記憶;x表示輸入。

基于上述對(duì)CNN和GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的探，究可以發(fā)現(xiàn)，CNN可以通過(guò)卷積和池化過(guò)程有效捕捉風(fēng)電功率變化數(shù)據(jù)的局部關(guān)聯(lián)特性，學(xué)習(xí)、提取輸入時(shí)間序列數(shù)據(jù)中所隱含的重要信息。LSTM神經(jīng)網(wǎng)絡(luò)則可以實(shí)現(xiàn)對(duì)風(fēng)電功率運(yùn)行數(shù)據(jù)長(zhǎng)期、短期依賴(lài)特征的自動(dòng)識(shí)別與捕捉。將二者結(jié)合，構(gòu)建CNN-LSTM神經(jīng)網(wǎng)絡(luò)則可有效結(jié)合二者在數(shù)據(jù)處理方面的優(yōu)勢(shì)。因此，構(gòu)建基于CNN-LSTM 神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型更具有效性。

所以基于上述分析對(duì)于風(fēng)電功率預(yù)測(cè)模型的構(gòu)建應(yīng)采用EEMD與游程判定法將風(fēng)電運(yùn)行數(shù)據(jù)分解、重構(gòu)為低頻分量、高頻分量和趨勢(shì)項(xiàng)，然后采用諸如BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法以及諸如LSTM神經(jīng)網(wǎng)絡(luò)、CNN-LSTM神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法對(duì)不同頻率的分量分別預(yù)測(cè)，最后將各分量的預(yù)測(cè)結(jié)果進(jìn)行集成，以得到風(fēng)電短期乃至中期功率預(yù)測(cè)的最終預(yù)測(cè)值。

結(jié)語(yǔ)

風(fēng)電功率預(yù)測(cè)對(duì)于電網(wǎng)運(yùn)行調(diào)度來(lái)說(shuō)是非常有必要的，隨著深度學(xué)習(xí)的不斷發(fā)展各種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)層出不窮，風(fēng)電功率預(yù)測(cè)的手段也需要不斷發(fā)展和進(jìn)步，而EEMD的提出和CNN-LSTM混合網(wǎng)絡(luò)的運(yùn)用對(duì)于風(fēng)電功率預(yù)測(cè)也起到了推動(dòng)作用，將深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)和LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)聯(lián)合應(yīng)用于預(yù)測(cè)模型的構(gòu)建可以充分考慮到風(fēng)電功率變化的非線性、非平穩(wěn)特征的同時(shí)充分捕捉風(fēng)電功率變化的相關(guān)特征以及不同組風(fēng)電功率數(shù)據(jù)之間的時(shí)空關(guān)聯(lián)性，經(jīng)過(guò)本文對(duì)于LSTM，CNN和EEMD及游程編碼法的研究發(fā)現(xiàn)其特性十分適合風(fēng)電功率預(yù)測(cè)，在功率預(yù)測(cè)方面具有很大的研究意義，但是如何將風(fēng)電運(yùn)行數(shù)據(jù)與深度學(xué)習(xí)網(wǎng)絡(luò)深度融合而不是簡(jiǎn)單的使用神經(jīng)網(wǎng)絡(luò)的非線性擬合分類(lèi)能力仍然值得我們進(jìn)一步研究。

參考文獻(xiàn)：

[1]? 李佳睿，岳建海. 基于HHT及共振解調(diào)方法的動(dòng)車(chē)組走行部軸箱軸承故障診斷算法[J]. 北京交通大學(xué)學(xué)報(bào)，2017，41（004）：85-90.

[2]? 蔡江林，戚曉利，葉緒丹，等. 一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和流形學(xué)習(xí)的滾動(dòng)軸承故障診斷方法[J]. 井岡山大學(xué)自然版，2017（2）.

[3]? 張翀. 基于EMD去噪方法研究[J]. 電腦知識(shí)與技術(shù)，2010（35）：10113-10115.

[4]? 劉書(shū)朋，陳志強(qiáng)，陳娜，等. 一組基于Tensorflow的CNN-RNN的融合架構(gòu)實(shí)驗(yàn)[J]. 工業(yè)控制計(jì)算機(jī)，2019，32（008）：66-68.

作者簡(jiǎn)介：陳思羽（1993-5月-18日），漢，男，黑龍江省雞西市雞東縣，碩士研究生，研究方向：人工智能在風(fēng)電故障檢測(cè)上的應(yīng)用。

（作者單位：1.黑龍江科技大學(xué)? 電氣與控制工程學(xué)院;2.國(guó)網(wǎng)遼寧省電力有限公司葫蘆島供電公司）