基于神经网络的风速预测模型研究.pdf

圆园23,38穴10雪基于神经网络的风速预测模型研究DOI院10.19557/ki.1001-9944.2023.10.020祁卓平渊临洮县气象局袁定西 730500冤摘要院风速在时间和空间上具有波动性袁对风力发电的稳定性具有较大影响遥 为实现对风速的准确预测袁该文提出了一种基于混合神经网络的预测模型袁该模型结合了克隆选择算法训练的小波神经网络袁粒子群算法训练的小波神经网络袁以及基于多层感知机和极限学习机的神经网络方法袁以实现短期和长期风速预测遥 通过仿真实验验证了该模型在执行效率尧均方根误差尧平均绝对误差等方面的性能遥关键词院风速预测曰神经网络曰小波变换中图分类号院TP183文献标识码院A文章编号院员园园员鄄怨怨源源渊圆园23冤10鄄园园9员鄄园4Research on Wind Speed Prediction Model Based on Neural NetworkQI Zhuoping渊Lintao County Meteorological Bureau袁Dingxi 730500袁China冤Abstract院Wind speed fluctuates in time and space袁which has a great impact on the stability of wind power genera鄄tion.In order to achieve accurate prediction of wind speed袁this paper proposes a prediction model based on hybridneural network袁which combines the wavelet neural network trained by clonal selection algorithm袁the wavelet neuralnetwork trained by particle swarm optimization algorithm袁and the neural network method based on multi鄄layer percep鄄tron and extreme learning machine to achieve short鄄term and long鄄term wind speed prediction.The performance ofthe model in execution efficiency袁root mean square error袁average absolute error and other aspects is verified by sim鄄ulation experiments.Key words院wind speed forecast曰neural networks曰wavelet transform收稿日期院2023-01-10曰修订日期院2023-07-12作者简介院祁卓平渊1965要冤袁男袁本科袁工程师袁研究方向为综合气象业务遥风力发电由于其技术发展迅速尧成本低廉尧易于操作和维护袁在现代混合能源中扮演着愈发重要的角色1遥 风力发电项目的部署还有利于减少对化石燃料的依赖袁从而减少了排放到大气中的温室气体遥 据统计袁2021 年全球累计风电装机容量达到743 GW袁新增 9300 GW袁至少可以减少全球超过 11亿吨二氧化碳的排放2遥风速是一个在时间和空间上都具有高度波动性的气象要素3袁这种波动性往往会导致持续供电的不稳定性遥 为了提高风力发电系统的经济尧安全尧可靠运行袁迫切需要准确的风速预测方法遥根据预测周期的不同袁可以将风速预测分为 5 类院极短期预测渊几秒耀30 min冤曰短期预测渊30 min耀6 h冤曰中期预测渊6 h耀24 h冤曰长期预测渊24 h耀一周冤曰极长期预测渊一周或更长时间冤4遥实现风速预测主要包括 4种方法院物理方法或基于天气的方法5曰基于统计或时间序列的方法6曰基于人工智能的方法7曰混合方法8-9遥 其中袁混合风速预测是一种数据驱动的方法袁通过对 2 种或 2 种以上的预测方法进行融合袁或采用滤波增强的技术来提高预测的准确性10遥 滤波器系统建模、仿真与分析91粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪增强技术通常是指在基本方法的基础上增加一个特殊的滤波器来提高预测性能袁例如卡尔曼滤波和小波变换等11遥目前混合风速预测方法已经受到了诸多专家学者的广泛研究袁但其在实际中的应用还处于起步阶段12遥 同时袁在大多数风速预报工作中袁没有考虑和比较单一和多种气象因素遥 针对上述问题本文提出了多种混合神经网络方法院改进的克隆选择算法训练的小波神经网络曰粒子群算法训练的小波神经网络曰基于极限学习机与多层感知机的神经网络袁并通过实验验证了算法的有效性遥1基于神经网络风速预测模型以极限学习机尧多层感知机神经网络袁以及小波神经网络为基础袁利用改进的克隆选择算法和粒子群算法袁实现混合风速预测袁简要介绍了混合风速预测的基本理论与方法遥在风速预测中袁通常采用小波变换将风速时间序列分解为一组子序列袁并使用统计或基于机器学习的方法对这些子序列的未来值进行预测曰然后用小波逆变换构造原始风速时间序列遥 本文将 Morlet小波函数作为神经网络隐藏神经元的激活函数13遥利用小波形成小波神经网络遥 多维 Morlet 小波函数可以表示为Fi渊x1袁x2袁噎袁xm冤=mj越员仪准xj-biai蓸蔀渊1冤准渊x冤越e-0.5x2cos渊5x冤渊2冤式中院xi为输入数据曰ai和 bi分别为尺度和平移量参数曰准渊x冤为 Morlet 小波函数曰m 为小波神经网络的隐藏神经元个数遥最终得到小波神经网络预测器的输出如下院y=灶蚤越员移wiFi渊x1袁x2袁噎袁xm冤+mj越员移vjxj渊3冤式中院wi表示第 i 个神经元与输出之间的权值曰第 j个输入与输出分别由 vj连接遥 小波神经网络的参数由改进克隆选择算法作为训练方法来指定袁即院S=咱v1袁噎袁vm袁w1袁噎袁wn袁a1袁噎袁an袁b1袁噎袁bn暂渊4冤极限学习机是一种用于单个隐层前馈神经网络渊FFNN冤的训练策略遥 在极限学习机中袁输入权重和偏差是随机选择的袁只有输出权重是用一个简单的矩阵从数学上确定的遥 对于不同的样本渊xi袁ti冤袁其中 xi越 xi1袁xi2袁噎袁xin蓘蓡T沂Rn尧ti越 ti1袁ti2袁噎袁tin蓘蓡T沂Rm袁具有 L 个隐藏神经元和激活函数 q 的极限学习机可以无误差地估计 n 个样本袁公式为yj=L蚤越员移茁igi渊xj冤袁j=1袁噎袁N渊5冤式中院茁i为隐藏神经元与输出节点之间的权值遥如果激活函数为 S 型函数袁且隐藏层节点是可加的袁则激活函数可表示为G渊ai袁bi袁xj冤=g渊aixj+bi冤渊6冤式中院ai和 bi是隐含层节点的学习参数遥 在这种情况下袁式渊5冤可表示为yj=L蚤越员移茁ig渊ajxj+bj冤渊7冤多层感知机神经网络也是一种 FFNN 模型袁是监督神经网络的一种特殊形式遥 它能够在输入数据集和相关输出数据之间创建一个映射函数遥 多层感知机结构由多个堆叠的节点层组成袁即神经网络中的神经元遥 每一层通过神经元以单向的方式连接到下一层遥多层感知机神经网络由 3 层组成院淤输入层袁向网络提供输入变量曰于输出层袁产生最终输出曰盂隐藏层袁即输入层和输出层之间堆叠的神经元层遥 网络的一般过程是通过神经元来完成的袁神经元是网络的激活函数遥 在多层感知机结构中可以使用各种激活函数袁如线性尧对数 s 型函数尧双曲正切 s 型函数遥 通过训练过程确定的多层感知机参数包括院连接输入层和隐藏层的权值曰将一个隐藏层的输出连接到下一个隐藏层或输出层的权值遥 每一层在数学上可以表示为Oi渊l冤=椎 ui渊l冤蓸蔀=椎nlj越员移Oj渊l-1冤wj袁i渊l冤+w0袁i渊l冤蓸蔀袁1臆l臆L渊8冤式中院l 表示网络非输入层中考虑的 L 层曰nl表示第l 层神经元的数量曰Oi渊l冤表示第 l 层神经元 i 的输出曰wj袁i渊l冤表示第 l 层神经元 i 与第 l-1 层神经元连接的权值曰w0袁i渊l冤表示 l 层神经元 i 的偏差曰第一层 l=0 是网络的输入层袁其输出长度是 n0曰最后一层 l=L 是网络的输出层袁其长度为 nL曰椎渊 窑 冤为激活函数遥系统建模、仿真与分析92圆园23,38穴10雪2基于混合方法的风速预测风速预测分为 4 个阶段袁即数据预处理尧模型选择尧训练方法尧以及测试和结果分析遥 对每个阶段的详细解释如下院数据预处理用于处理/准备风速数据作为训练和测试数据集袁它包括以下 3 个步骤院渊1冤将风速数据输入预报系统曰渊2冤将气象数据分为训练数据集和测试数据集遥在本文中袁用 1440 个样本渊约占全数据的 98.4%冤进行训练袁用 24 个样本渊约占全数据的 1.6%冤进行测试遥渊3冤该步骤使用自相关函数选择最相关的输入集进行训练遥大量的输入对预测器的预测过程输入/输出映射函数的提取造成了影响袁从而降低了预测性能遥在模型选择阶段袁从第一节介绍的模型中选择一个模型用于风速预测遥 对于不同的模型袁必须使用合适的算法对预测系统进行训练遥 由于本文涉及到不同的模型袁 因此需要不同的算法对其进行训练遥 其中小波神经网络和多层感知机神经网络模型的设计算法相似袁其主要分为以下几个步骤院渊1冤初始化小波神经网络和多层感知机神经网络模型的参数曰渊2冤选择每个模型的训练方法遥 采用改进克隆选择算法和粒子群算法 2 种方法对小波神经网络模型进行训练袁即将改进克隆选择算法作为它们的默认训练方法曰渊3冤根据预测系统进行训练的结果袁对模型参数进行更新曰渊4冤如果不满足所设定的条件袁算法将按照步骤渊2冤袁重新训练系统袁并再次更新参数袁直到满足终止所要求的条件袁如果满足所需条件袁算法将继续执行下一步曰渊5冤在达到终止准则后袁将得到的参数作为模型参数的最终结果袁用于形成预测模型遥在基于极限学习机神经网络的模型中袁该模型使用单层 FFNN袁利用极限学习机训练技术对神经网络进行训练并确定其参数袁其主要步骤如下院渊1冤采用极限学习机方法对神经网络进行训练曰渊2冤将步骤渊1冤中得到的参数作为极限学习机模型的最终参数袁形成预测模型遥在测试和结果段是对预测系统进行测试袁并选择最佳的风速预报方法袁主要包括以下 4 个步骤院渊1冤将测试集输入预测系统中曰渊2冤根据输入数据预测风速遥 为此袁将测试集中的每一个风速样本作为一个目标袁利用其之前最相关的数据来预测风速遥 这里使用自相关函数来为所考虑的目标选择最相关的样本曰渊3冤将实际风速渊目标样本冤与采用该方法的预报值进行比较袁计算出整个过程的预报误差和计算时间曰渊4冤根据计算出的预测误差和计算时间袁并结合实际应用情况选择最佳的模型/方法遥3仿真实验分析对所提出的方法进行验证与分析袁采用 2 个误差评价指标对所提出的风速预报方法进行性能评价袁使用提出的方法预测每小时风速遥本文考虑 1.8 MW 风力发电机组的额定功率袁切入风速为 15 km/h袁额定风速为 50 km/h袁切出风速为 75 km/h遥 以预测日前 60 天的风速作为训练数据集袁有 1440 h 的训练数据渊60 天 24 h冤遥 选择2022年 3 月 2 日尧2021 年 12 月 1 日尧2021 年 9 月 1 日和 2021 年 6 月 1 日为测试日遥 此外袁利用自相关函数确定最有效的候选输入预测器遥 此外袁本文采用400 h 滞后的风速值作为候选输入数据袁通过自相关函数处理袁以识别最具信息量特征的最小子集袁并将其纳入所提出的模型遥每一种方法都应该根据所考虑的方法的性质来评估其性能和有效性遥对于性能评估袁主要包含数据的大小以及其统计标准 2 个因素袁 所需的数据大小取决于所采用的方法遥 由于风速预报方法是数值方法袁其性能评估大多是基于数值误差的评估方法袁本文主要采用归一化均方根误差渊nRMSE冤和归一化平均绝对误差渊nMAE冤袁其对应的公式分别如下院nRMSE=员M酝n越员移WSact渊n冤-WSfor渊n冤WSmax蓸蔀2姨渊9冤nMAE越员M酝n越员移WSact渊n冤+WSfor渊n冤WSmax渊10冤式中院WSact渊n冤和 WSfor渊n冤表示测量和预测 t 时刻的风速曰WSmax表示每个测试日的最大风速遥 其相应的结果如表 1 所示遥系统建模、仿真与分析93粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪从表 1 可以看出袁基于改进克隆选择算法训练的小波神经网络在预测误差上优于多层感知机尧极限学习机和粒子群算法训练的小波神经网络遥 相比之下袁前者使 nRMSE 均值分别提高了 52.58%尧19.19%尧65.21%袁nMAE 均值提高了 51.36%尧18.65%尧63.83%遥 另一方面袁极限学习机是一种具有高速时间序列预测能力的预测方法遥 因此袁其预测风速的时间为 4.85 s袁而改进克隆选择算法和粒子群算法训练的小波神经网络的操作时间分别为 3142 s尧5897 s遥 这主要是因为它们是基于迭代的优化方法袁至少在 100 次迭代后才能获得最优解袁属于及时的训练策略遥 相反袁极限学习机训练方法则是基于简单的矩阵计算遥 此外袁由于改进克隆选择算法训练的小波神经网络具有更好的预测精度袁可以用于规划目的袁而基于极限学习机的预测方法可以用于运行阶段遥图 1 和图 2 为 4 种方法对 2021 年 6 月 1 日测试的风速和风力发电功率的预测结果遥 结果表明袁4种方法均能较好地跟踪实际测得的风速和功率的变化趋势遥 从图 2 可以看出袁在高于切出风速的情况下袁风电机组不产生功率遥从以上实验结果可以看出袁4 种风速预测方法都能较为精确地预测出实际的风速袁并且适用短期和长期风速时间序列的预测遥4结语风力的间歇性特性是风力发电的主要挑战之一遥本文提出了 4 种风速预测方法院淤改进克隆选择算法训练的小波神经网络曰 于粒子群算法训练的小波神经网络曰盂基于极限学习机的神经网络曰榆基于多层感知机的神经网络遥结果表明袁第一种方法在精度和时间方面优于其他方法曰基于极限学习机的神经网络方法是 4 种方法中速度最快的方法袁只需较少的预测时间袁且具有较好的预测精度遥本文研究有助于提高风力发电厂运行的经济性尧安全性和可靠性遥参考文献院1秦永军.新能源风力发电技术及其发展趋势分析J.科技创新与应用袁2022袁12渊19冤院162-165.2徐凌袁于静慧袁陈郁.风电场运行碳排放和能耗核算分析J.大连工业大学学报袁2020袁39渊4冤院281-288.3陈城袁任国玉.全球及中国风速变化及对风能影响的新认知J.气候变化研究快报袁2016袁5渊1冤院41-47.4关永锋袁喻敏袁胡佳.基于自适应组合模型的超短期风速预测J.电力系统保护与控制袁2022袁50渊4冤院120-128.5伍见军袁王咏薇袁丁源袁等.风电场超短期风速预测方法对比J.科学技术与工程袁2013袁13渊11冤院2965-2969.6李蓉蓉袁戴永.基于 LSTM 和时间序列分析法的短期风速预测J.计算机仿真袁2020袁37渊3冤院393-398.7董治强.基于 DTW鄄FCBF鄄LSTM 模型的超短期风速预测J.电测与仪表袁2020袁57渊4冤院93-98.8张金良袁刘子毅.基于混合模型的超短期风速区间预测J.电力系统保护与控制袁2022袁50渊22冤院49-58.9王家君袁曹薇袁张贵龙袁等.基于多预测模型与非线性组合的神经网络风速预测J.物联网学报袁2021袁5渊4冤院81-89.表 1不同方法的统计结果Tab.1Statistical results of different methods方法评估指标统计结果时间/s小波神经网络-改进克隆选择算法nRMSE6.31483142nMAE5.1982小波神经网络-粒子群算法nRMSE18.14935897nMAE14.3726极限学习机nRMSE7.81454.85nMAE6.3896多层感知机nRMSE13.316939.79nMAE10.6864图 1不同方法的风速预测与真实量测对比Fig.1Comparison between wind speed predictionand real measurement by different methods1058565452505101520时间/h量测极限学习机小波神经网络改进克隆算法小波神经网络粒子群算法多层感知机图 2不同方法的风力发电功率预测与真实量测对比Fig.2Comparison between different methods of windpower prediction and real measurements2.01.51.00.5005101520时间/h量测极限学习机小波神经网络改进克隆算法小波神经网络粒子群算法多层感知机系统建模、仿真与分析渊下转第 99 页冤94圆园23,38穴10雪假设实际系统中存在一个液位传感器袁在储水罐中液面过高或者过低时袁会发出警报信号遥 设高点警报水位高度为 hAH=0.9 m袁低点警报水位高度为hAL=0.1 m袁此两条警戒水位线应与储水罐内水位变化同时表示遥 根据以上数据袁得到 Simulink 仿真结果如图 5 所示遥 由图可见袁储水罐初始液面高度为0.5 m袁 在打开阀门 20 s 后液面达到警戒水位以下袁控制系统开始工作袁储液罐中液面开始缓慢增加遥 控制结果证明了本文设计的离心泵输水系统的控制系统的有效性遥3结语离心泵系统的数学模型不仅从底层反应了实际系统的物理规则和运行模式袁还为进一步研究离心泵系统如仿真和控制系统的建立提供了支撑遥 目前国内对离心泵系统的研究大多只限于运用有限元分析等软件工具对实际系统进行模拟袁针对底层数学原理的研究较少袁本文通过对离心泵系统的动态建模袁分析并建立了典型离心泵系统的动态模型袁对后续离心泵控制系统的设计和优化等工作具有相当重要的意义遥 此外袁本文所设计的离心泵控制系统简单可靠尧可适用性强袁可广泛推广于其他领域的运用遥参考文献院1杨涛袁李丹袁赵彦女袁等.离心泵的应用和节能技术改造J.化工管理袁2022渊12冤院114-116.2吴仁荣.船舶系统用离心泵的应用场合和结构特点J.舰船辅助机电设备袁1976渊3冤院30-37.3汪洋.计算机仿真技术的发展及其应用研究J.信息记录材料袁2021袁22渊12冤院75-77.4许胜涛袁叶凡袁阚望袁等.离心泵建模及其流场模拟分析研究J.机械研究与应用袁2014袁27渊3冤院39-40+55.5张平豪袁吴新跃.离心泵的有限元建模研究J.水泵技术袁2005渊2冤院31-33+41.6丁福光袁刘宏春.离心泵动态建模在泵启动过程中的应用J.佳木斯大学学报渊自然科学版冤袁2004渊3冤院307-311.7李君袁王瑞莲袁曹永梅.基于外特性的离心泵启动过程动态建模J.水利电力机械袁2007渊11冤院27-28.8李君袁曹永梅袁王瑞莲.基于内特性的离心泵启动过程动态建模J.水利电力机械袁2007渊8冤院28-29+41.9周义勇袁方建平袁步衍瀚袁等.基于 SIMULINK 磁通门传感器仿真建模研究J.自动化与仪器仪表袁2022渊12冤院240-245.10 刘志斌袁蒋爽袁范伟.Simulink 仿真软件在野建筑设备自动化冶课程教学中的应用J.中国多媒体与网络教学学报渊上旬刊冤袁2020渊7冤院6-8.11 苏杨袁余萱袁卢翔等.基于 BP 神经网络 PID 机房温度控制研究J.工业仪表与自动化装置袁2022渊2冤院102-106.12 许哲袁郑源袁阚阚等.基于熵产理论的超低扬程双向卧式轴流泵装置飞逸特性J.农业工程学报袁2021袁37渊17冤院49-57.13 贺鹏程袁宋鹏云.机械密封用锥形叶片式泵效环泵送能力研究J.润滑与密封袁2014袁39渊3冤院67-70.14 周福宝袁刘春袁夏同强等.煤矿瓦斯智能抽采理论与调控策略J.煤炭学报袁2019袁44渊8冤院2377-2387.15 魏高鹏.气动调节阀气路控制原理分析J.中国设备工程袁2021渊1冤院160-163.姻图 4离心泵控制信号图Fig.4Control signal diagram of centrifugal pump108642005101520253035404550t/s伊10-3图 5储液罐内液位变化示意图Fig.5Schematic diagram of liquid level changesin the storage tank1.00.90.80.70.60.50.40.30.20.1005101520253035404550t/s10 付桐林袁杨明霞.基于集合经验模态分解和改进布谷鸟算法优化BPNN 的混合风速预测J.曲阜师范大学学报渊自然科学版冤袁2021袁47渊2冤院27-34.11 修春波袁任晓袁李艳晴袁等.基于卡尔曼滤波的风速序列短期预测方法J.电工技术学报袁2014袁29渊2冤院253-259.12 吴文倩.不同气象预测数据源对山地风电场风速预测准确率的影响分析J.气象研究与应用袁2022袁43渊1冤院31-35.13 迟恩楠袁李春祥.基于优化组合核和 Morlet 小波核的 LSSVM 脉动风速预测方法J.振动与冲击袁2016袁35渊18冤院52-57.姻渊上接第 94 页冤系统建模、仿真与分析99