基于EMD的短期风速预测混合模型

doi:10.3969/j.issn.1672-6952.2021.06.015

摘要/Abstract

摘要：

为了让风电电力系统在并网时能够平稳运行，降低因系统波动带来的经济损失，同时提高风电电力系统的竞争能力，找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中，基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强，但是在调整权值的过程中收敛速度慢，同时十分容易陷入局部最优值，为有效解决这两个可能出现的问题，将遗传算法(GA)用于优化神经网络。在此基础上，考虑到风速序列的间歇性、非平稳性以及差异性等特点，提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN，通过和其他几种模型的横向对比，验证了此模型在短期风速预测效果上的可靠性与优势。

关键词: 风速预测, 神经网络, 信号分解, 经验模态分解

Abstract:

In order to enable the wind power system run smoothly and reduce the economic loss caused by power system fluctuation, and at the same time improve the competitiveness of the wind power system, it is of great and practical significance to find a stable and accurate wind speed prediction method. Among the machine learning methods, a neural network based on the back propagation (BP) algorithm to adjust the weight is one of the most commonly used and most effective methods. Although the BP neural network has a strong ability to fit nonlinearity, it converges slowly in the process of adjusting weight and easily falls into local optimal values. In order to effectively solve these two problems that will occur in the prediction process of the BP neural network, genetic algorithm (GA) was used to optimize the neural network in this paper. On this basis, considering the intermittency, non?stationarity and difference of wind speed series, a short?term wind speed prediction model EMD?GA?BPNN based on empirical mode decomposition (EMD), genetic algorithm (GA) and BP neural network was proposed. The reliability and advantages of this model in short?term wind speed prediction were verified by transverse comparisons with other models.

Key words: Wind speed prediction, Neural network, Signal decomposition, Empirical mode decomposition

中图分类号:

TE968

周学均, 陈小强, 谢磊, 江成龙. 基于EMD的短期风速预测混合模型[J]. 辽宁石油化工大学学报, 2021, 41(6): 79-86.

Xuejun Zhou, Xiaoqiang Chen, Lei Xie, Chenglong Jiang. Hybrid Model of Short⁃Term Wind Speed Prediction Based on EMD[J]. Journal of Liaoning Petrochemical University, 2021, 41(6): 79-86.

图/表 16

参考文献 18

1	Zhang Y G， Pan G F， Chen B， et al. Short⁃term wind speed prediction model based on GA⁃ANN improved by VMD［J］. Renewable Energy， 2020， 156： 1373⁃1388.
2	李时光，吕宇玲. 旋风分离器性能预测模型研究进展［J］. 石油化工高等学校学报， 2017， 30（3）： 89⁃94.
3	Guo Z H， Wu J， Lu H Y， et al. A case study on a hybrid wind speed forecasting method using BP neural network［J］. Knowledge⁃Based Systems， 2011， 24（7）：1048⁃1056.
4	Ding S F， Su C Y， Yu J Z. An optimizing BP neural network algorithm based on genetic algorithm［J］. Artificial Intelligence Review，2011， 36（2）： 153⁃162.
5	Hassanin M F， Shoeb A M， Hassanien A E. Grey wolf optimizer⁃based back⁃propagation neural network algorithm［C］// Computer Engineering Conference，Cairo： IEEE， 2017： 213⁃218.
6	王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型［J］.浙江大学学报（工学版），2012，46（5）：837⁃841.
7	Chen Q M， Fei X Y， Xie L， et al. Causality analysis in process control based on denoising and periodicity⁃removing CCM［J］. Journal of Intelligent Manufacturing and Special Equipment， 2020，1（1）：25⁃41.
8	Guo Z H，Zhao W G，Lu H Y，et al.Multi⁃step forecasting for wind speed using a modified EMD⁃based artificial neural network model［J］. Renewable energy， 2012， 37（1）：241⁃249.
9	Chen Q M， Lang X， Xie L， et al. Detecting nonlinear oscillations in process control loop based on an improved VMD［J］. IEEE Access， 2019， 7： 91446⁃91462.
10	Huang N E， Long S R，Wu M L， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non⁃stationary time series analysis［J］. Proceedings Mathematical Physical & Engineering Sciences， 1998， 454（1971）：903⁃995.
11	Chen Q M， Chen J H， Lang X， et al. Detection and diagnosis of oscillations in process control by fast adaptive chirp mode decomposition［J］. Control Engineering Practice， 2020， 97： 104307.
12	Chen Q M， Xie L， Su H Y. Multivariate nonlinear chirp mode decomposition［J］. Signal Processing， 2020， 176： 107667.
13	Holland J H. Genetic algorithms［J］. Scientific American， 1992， 267（1）：66⁃72.
14	王铁方，刘晓洁，李涛，等.基于家族基因的网格信任模型［J］.四川大学学报（工程科学版），2006（6）：123⁃126.
15	马其凯. 基于多场景分析的光储微电网容量规划研究［D］.昆明：昆明理工大学， 2019.
16	Hao X， Zhang G， Ma S. Deep learning［J］. International Journal of Semantic Computing， 2016， 10（3）：417⁃439.
17	Bokde N， A Feijóo， Villanueva D， et al. A review on hybrid empirical mode decomposition models for wind speed and wind power prediction［J］. Energies， 2019， 12（2）： 1⁃42.
18	Chen Q M， Lang X， Xie L， et al. Multivariate intrinsic chirp mode decomposition［J］. Signal Processing， 2021， 183： 108009.

预测模型	模型参数
ARIMA
SVM	核函数选择高斯核函数
BPNN	三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1，迭代次数为200，学习率为0.01~0.25
GA⁃BPNN	遗传算法进化代数为200，初始种群区间在[0,1]，变异概率为0.2，交配概率为0.8，种群规模为20；三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1；迭代次数为200，学习率为0.01~0.25

预测模型	模型参数
ARIMA
SVM	核函数选择高斯核函数
BPNN	三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1，迭代次数为200，学习率为0.01~0.25
GA⁃BPNN	遗传算法进化代数为200，初始种群区间在[0,1]，变异概率为0.2，交配概率为0.8，种群规模为20；三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1；迭代次数为200，学习率为0.01~0.25

模型	MAE	RMSE	MAPE/%	R
ARIMA	1.262 4	1.414 0	19.28	0.740 7
SVM	0.998 1	1.272 7	16.91	0.799 4
BPNN	0.879 8	1.114 2	16.00	0.822 2
GA⁃BPNN	0.806 4	1.103 4	14.36	0.837 9

模型	MAE	RMSE	MAPE/%	R
ARIMA	1.262 4	1.414 0	19.28	0.740 7
SVM	0.998 1	1.272 7	16.91	0.799 4
BPNN	0.879 8	1.114 2	16.00	0.822 2
GA⁃BPNN	0.806 4	1.103 4	14.36	0.837 9

预测模型	模型参数
EMD⁃ARIMA
EMD⁃SVM	核函数选择高斯核函数
EMD⁃BPNN	三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1，迭代次数为200
EMD⁃GA⁃BPNN	遗传算法进化代数为200，初始种群区间在[0,1]，变异概率为0.2，交配概率为0.8，种群规模为20；三层结构，其中隐含层神经元数量为10，输入层神经元数量为4，输出层神经元数量为1；迭代次数为200