基于经验模态分解与多分支神经网络的超短期风功率预测

JournalofComputerApplications计算机应用2021,41(1)237242

ISSN10019081CODENJYIIDU

http/

20210110www.100190820201023706基于经验模态分解与多分支神经网络的超短期风功率预测

I10.11772/j..10019081.2020060930孟鑫禹1123刚45*1. 400074 2. （ 重庆交通大学信息科学与工程学院重庆 ； 中国大唐集团新能源科学技术研究院有限公司1. 400074 2. 3.250104；4.830002；5.海南大学计算机与网络空间安全学院，海口570228）（∗通信作者zxiawang@163.com）优化调度对预测精度有较高的要求。由于风电场环境复杂风速不确定性因素较多风功率时序信号往往具有非平稳性和随机性。适用于时间序列任务但无周期非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰提高风功率预测精度提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解以重构数据张量层分别提取局部特征和趋势特征最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明与差分整合移动平均自回归模型相比所提方法在预测精度方面有将近30%的提升验。经验模态分解神经网络卷积门控循环单元特征融合中图分类号文献标志码Ultrashorttermwindpowerpredictionbasedonempiricalmodedecompositionandmultibranchneuralnetwork1 Gu1，Gn1，Gg2，Ge3，Ug4，Ga1 （.SchoolofInformationScienceandEngineering，ChongqingJiaotongUniversity，Chongqing ，China；ChinaDatangCorporationRenewableEnergyScienceandTechnologyResearchInstituteCompanyLimited，Beijing100043，China；IntegratedElectronicSystemsLaboratoryCompanyLimited，JinanShandong250104，China；StateGridXinjiangElectricPowerCompany，UrumqiXinjiang830002，China；SchoolofComputerScienceandCyberspaceSecurity，HainanUniversity，HaikouHainan570228，Abstract:Windpowerpredictionisanimportantbasisforthemonitoringandinformationmanagementofwindfarms.Ultrashorttermwindpowerpredictionisoftenusedtobalanceloadandoptimizeschedulingandrequireshighpredictionaccuracy.Duetothecomplexenvironmentofwindfarmandmanyuncertaintiesofwindspeedwindpowertimeseriessignalsareoftennonstationaryandrandom.RecurrentNeuralNetwork（RNN）issuitablefortimeseriestasks，butthenonperiodicandnonstationarytimeseriessignalswillincreasethedifficultyofnetworklearning.Toovercometheinterferenceofnonstationarysignalinthepredictiontaskandimprovethepredictionaccuracyofwindpowerultrashorttermwindpowerpredictionmethodcombiningempiricalmodeldecompositionandmultibranchneuralnetworkwasproposed.Firstly，theoriginalwindpowertimeseriessignalwasdecomposedbyEmpiricalModeDecompositionreconstructthedatatensor.convolutionlayerandGatedRecurrentwereusedtoextractthelocalfeaturesandtrendfeaturesrespectively. Finally，thepredictionresultswereobtainedthroughfeaturefusionandfullconnectionlayer.ExperimentalresultsonthedatasetofawindfarminInnerMongoliashowthatcomparedwithAutoRegressiveIntegratedMovingAverage（ARIMA）model，theproposedmethodimprovesthepredictionaccuracybynearly30%，whichverifiestheeffectivenessoftheproposedmethod.Keywords: ultrashorttermpredictionofwindpower; EmpiricalModeDecomposition(EMD); neuralconvolution;GatedRecurrentUnit(GRU);featurefusion202005312020090320200911。82002。199219941977—198819771977F23841卷23841卷计算机应用2391期2391期孟鑫禹等基于经验模态分解与多分支神经网络的超短期风功率预测0 引言当今世界面临能源危机，风能是最具开发前景的一种可率随着风速的变化而变化调度产生负面影响，从而降低电网的可靠性。风电场需要完。电场设计可行性研究的长期预测；应用于指导风电场维护规划和运行管理的中期预测；应用于电网调度，以保证供电质。，ARMA）模型，常用于风功率的预测；文献风功率预测方法可分为物理方法和统计方法两大类。物理方法通常使用数值天气预报风机的输出功率。该类方法能较好地运用大气运动的本质，不需要积累大量的历史风电机组运行数据。但由于风电场特殊的地理环境和一些物理现象（如尾流效应等8，ARMA）模型，常用于风功率的预测；文献

1n局域波分解以及经验模态分解Ensemble Empirical 号后使用ARMAEnsemble Empirical DecompositionNeuralWNN集人工神Convolutional神经网络作为一种利用时间关系的统计模型，在风功率预测GRU型——经验模态分解的卷积循环神经网络ConvolutionalRecurrent Neural Network based on Empirical ModeDecomposition，EMD_CRNN）：首先，原始风功率信号经过EMD算法分解后再重构，获得风功率的相对平稳信号；然后，将重构后的张量输入一个融合了 GRU层与卷积层的多分支神经网络分别学习风功率时序信号的趋势特征和局部特征最后经过特征融合得到风功率预测结果。该模型具有如下优点：EMD原始信号分解成多个信号分量后重构成多维张量输入网络，并非每一分量单独预测，考虑了分量之间的内在相关性，采用信息互补的策略增强网络模型的鲁棒性；1征并行提取并融合。不仅保留了不同策略提取特征的独立性，同时也在特征融合阶段对目标函数做了整体约束。1风功率经验模态分解Moving

Average

方法，如自回归移动平均（AutoRegressive

1.1

经验模态分解提出了使用Burg和Shanks算法的ARMA过程预测风功

经验模态分解（EMD）是将非平稳信号按不同尺度的波动考虑了风速的自相关和波动特性，基于F准则建

或趋势逐级分解成若干个内在模式函数（IntrinsicMode立了ARMA模型用于风功率预测。随着人工智能技术的飞速发展，一些基于机器学习算法的风功率预测工作涌现。如：文

的平稳化处理。IMF函数在S提出一种基于支持向量机Supportre，

）

平均值为零。绍了一种基于深度神经网络Neural的

设x(t)为任意时序信号，经验模态分解具体步骤如下。lk131介提出了脊波神经网络Neural与埃尔Neural结合的两阶段预测

xt令上包络线和下包络线的均值为m(t)h(t)=x(t)-m(t)h(t)是否满足Fh(t)，与卷积神经网络献［14，与卷积神经网络RecurrentUnit GRU ConvolutionalNeural

看作新的x(t)k

h(t)=h (t)-m (t) 避免对物理机制把握不足的差异，更适合于风功率的短期和

k直到hk

(t)满k-F条k-这样就得到了第一个 F即c(t)： 1

(t)ARMA超短期预测任务。ARMA算法适合处理平稳时序信号，对于风速、风功率这

和信号的剩余分量rr1(t)=x(t)-c1(t)

（2）

对r1t和一个剩余分量：

2.1

局部特征提取nr(t)=rn

n-1

(t)-cnn

(t)

卷积神经网络（CNN）的核心是对数据张量的卷积。CNN原始信号可表示为若干IMF和剩余分量之和，即：

学到的模式具有平移不变性，这使得它可以高效地利用数据，x(t)=ni=1

)-ri nin

(t)

少量的样本也可以学到具有泛化能力的数据表示。此外CNN还可以学到模式的空间层次结构，这使得它可以有效地学习风功率经验模态分解数据重构剩余分量r风功率经验模态分解数据重构2

t反映原始信号的中心趋势。

抽象的空间层次概念。卷积层具有指定大小的滤波器，用以提取数据的局部特征，这一过程可以表示为：提取数据的局部特征，这一过程可以表示为：受不确定性环境因素影响，风速是非平稳的时序信号，风

C(x)=ReLU(Wc

⊗x+b)cc

（6）速与风功率存在一定的映射关系，因此风功率是随风速波动

Linear的非平稳信号。将风功率原始时序信号利用 EMD算法进行

cc

和b是网络学习过程中需要修正的权重c分解，得到的信号分量与原始信号结合进行数据重构，重构的

和偏置。重构后的风功率信号作为卷积层的输入，

网络可以张量作为神经网络模型的输入。设原始风功率信号长度为 t，经验模态分解之后得到n个IMF1

学习到不同频段信号之间的相互依赖，卷积层提取到的是不同频段信号的局部特征。始信号后数据重构成t×(n+2)的2D张量。重构过程表示为：

2.2

趋势特征提取循环神经网络（RNN）处理时间序列任务有独特的优势，()x(t)()

但随着层数的增加，其面临梯度消失的问题。门控循环单元c tc1

（GRU）神经网络作为RNN的一种变体，它特殊的门结构可以x=( ⋮=x=(

有效地解决长短时间序列上的变化问题。 GRU层的过程以表示为：ri(t)

z=σ(W⋅[h x]) ，， n 是重构后的2Dt)是原始时序信号，

t是

t z t-1 tt r t-1 t)Fr()

i h=tanh(Wtt

⋅[r⊙h ])hh

（9）t是剩余分量。重构后的信号既保留了原始风功率n

=(1-z

r=σ(W⋅[h r=σ(W⋅[h ]) 的信息也融合了多个频段的平稳信号信息，对后面的神经网

ht t t t-t

⊙h 络学习过程有促进作用。

zrhh是隐t t t t2 EMD_CRNN超短期风功率预测这部分将详细介绍本文模型（EMD_CRNN）的结构，依次介绍了卷积层和GRU层在特征提取方面各自的优势，以及特

⊙σ表示dWzWrWh表示网络学习的权重。重构后的风功率信号作为GRU层的GRU层提取时序信号的长期趋势特征。征融合的方法。EMD_CRNN的整体架构如图1所示。

3 多分支神经网络预测模型多分支神经网络模型由GRU层和卷积层分别提取特征，经过特征融合后再通过全连接层， 最后得到网络的输出。GRU层学习到的特征侧重于时序信号的长期趋势，而卷积层学习到的特征侧重于不同频段信号的局部关联，全连接层可以拟合复杂的非线性映射［19］。这样组合的混合神经网络优势在于：兼顾了CNN和GRU两种神经网络的独立性和相关性，在网络中两个分支是并行的，以保证针对数据的不同特性学习到不同的参数分布，并通过特征融合来约束统一的目标。特征融合采用特征向量连接的方式实现，经过卷积层提取到的特征是3DGRU层提取到的特征是1D张量。两部分特征向量无法直接连接， 文章使用Keras中的Fig.1

图 整体架构1 Overallframeworkof1

n层将多维特征一维化，即把3D“压平行连接。连接方式采用向量合并的策略，合并之后的总特征Kerasconcatenate函数实现特征融合。EMD算法分解成若干子信号，通过1.2节提到的方法将信号GRU层分别提取趋势特征和局部特征；最后将两个分支得到的特来表示：PAGE24041PAGE24041卷计算机应用PAGE2411PAGE2411期孟鑫禹等基于经验模态分解与多分支神经网络的超短期风功率预测p=Φ(W⋅C(x(h)+b)

EMD重构分别与DNNCNN、txRht

计算得

GRU网络结合的结果（EMD+DNNEMD+CNN、。为了观察算法时间跨度预测性能，实验也列举tCxh)和tb是需要训练的权重和偏置，Φ代表整个网络学习的函数。

了模型在不同时间跨度下的表现。由于计算出的评价指标精33.1

实验与结果分析数据集及预处理本文实验使用内蒙古某风场的实际运行数据，

风机信息

1E-1和1E-2的运算。图2可视化了一段时间内的原始风功率信号和分解后各频段的信号，图的右边是EMD算法对图左边原始信号的分解。可以看出原始信号的无周期性和非平稳性，信号分解后，如下机型号http.anengyuan.

满足IMF条件的分量是平稳信号，而且表现出了弱规律性，这product/21293.htmE1500/771500kW

给神经网络的学习降低了难度。70m77m。原始数据的采样周期是10s，单位采样次数下的数据波动很小，因此对原始数据的缺失信

Fig.2

图 风功率信号 可视化2 2 样本数据的波动会影响预测精度，导致解的不确定性。数据的标准化可以减小样本波动的影响，提高预测性能。标准化方程为：

表1记录了所有对比模型的MAE和MSE结果，随着预测步长的增加，预测的准确度会降低。历史风功率信号经过EMD重构之后再输入神经网络的优势很明显， 与ARIMA、d= d-dmin

NUANU在i dmax-dmini其中是标准化后的值是待标准化的数据是待标化数据的最大值是待标准化数据的最小值。i2 模型参数神经网络的目标函数表示为：

1E-3更是提升了将近5E-3。GRU_CNN并没有表现出很好的性能，因为对于风功EMD_CRNN的卷积是针对EMD分解过后的多维信MAEnJ(b)=1n

p p-i -

ARIMA方法下降了30%左右。EMD+CNN和EMD+GRU相对i=1

其他模型也有较小的 E和EN发挥了卷积Wbi是指某一样本点，p是预测功率值。网络优化器选择考虑了动i iMeanAbsoluteError MAE 量的Adam方法。卷积层GRU层和全连接层中相应的神经元参数通过大量的实验调整到相对最优值，卷积层的过滤器个数为32尺寸为5×5U中隐含层的特征数为128。使平均绝对误MeanAbsoluteError MAE Square的优势体现-在对异常数据的鲁棒性［20］。-

层和GRU层的优势，达到了更好的效果。EMD+CNN和EMD+GRU在预测性能上差别不大，因为对预测结果起决定性作用的样本序列较短，CNN中的卷积核也能挖掘到重要的时序特征。EMD_CRNN2EMD重构后的几个神经网络模型在不同采样周期下的评价指标结果，采1min3min和5minEMD_CRNN在各个采样周期上都比其他方法有优势。采样间隔时间越长，RMAE

=1nn

p pi i

所有方法预测结果准确度都会降低，因为风速的不稳定性导R n p p=1i=1(R n p p

致长间隔内的不确定性因素的增加，故预测难度增加。3.3

MSE

n i ii=1

图31中MAE和MSE结果分析此课题使用了数据集中2880个样本作为训练集，1440

横坐标分别是评价指标MAE和MSE的值。4展示了GRUEMD+GRUEMD_CRNN三种模型在个样本作为测试集对比了在风功率预测中较常用的一些传统算法同时也对比了引言部分提及的几个重要算法差分合自回归移动平均（Boosting

训练过程中随着迭代次数增加的损失折线图。可以看出，经过EMD数据重构的神经网络更能训练得到较小的损失。GRU神经网络在迭代过程中损失一直比较平稳，EMD_CRNN在迭代到5次时模型效果达到最佳，后面则开始出现过拟合Decision

SV

的现象，所以训练模型时，选择一个合适的迭代参数尤为关DNNDNN（ ） 门控循环单元神经网络（ 文［提出的GRU_CNNEMD_ARMA

键。图5给出了EMD_CRNN1n1的走势和突变值，在应用上有一定的参考价值。1表 不同模型评价指标对比Tab.1 Evaluationindexcomparisonofdifferentmodels评价 步长13预测方法13指标ARIMA MAE 0.02473 0.02954 0.03179MSE 0.00145 0.00196 0.00221GBDT

0.02677

0.03257

0.03516MSE 0.00155 0.00214 0.00236SVM MAE 0.03222 0.05127 0.05526MSE 0.00175 0.00373 0.00431DNN MAE 0.02310 0.02952 0.03161MSE 0.00144 0.00196 0.00216

图4 不同模型在验证集上的loss折线图GRU MAE 0.02345 0.02867 0.03078

Fig.4 LossgraphofdifferentmodelsonvalidationsetMSE 0.00135 0.00186 0.00209EMD+DNN

0.02221

0.02755

0.03302MSE 0.00129 0.00178 0.00267EMD+GRU

0.01850

0.02455

0.02702MSE 0.00072 0.00128 0.00167EMD+CNN

0.01921

0.02615

0.02819MSE 0.00081

0.001

0.00197EMD_ARMA

0.02114

0.02465

0.02633MSE 0.00093

0.001

0.00125GRU_CNN

0.02348 0.02918

0.03162MSE

0.00142 0.002

0.00219EMD_CRNN

MSE

0.01685

0.01922 0.02549MSE

0.00052 0.00084 0.001182表 不同采样周期的评价指标对比2Tab.2 Evaluationindexcomparisonofdifferentsamplingperoids

图 预测结果与实测值可视化54 Fig.5 Visualizationofpredictionresultsandrealvalues5评价预测方法指标

1 采样期/min 5 结语EMD+DNN MAE 0.02221 0.08305 0.11819

本文模型EMD_CRNN是一种基于EMD算法与数据重MSE 0.00129 0.01339

0.024

构，以及多分支神经网络的超短期风功率预测模型。多分支EMD+GRU

0.01850

0.07683

0.10583

体现在利用卷积层和GRU层并行提取局部特征和趋势特征。MSE 0.00072 0.01239 0.02322

实验结果验证了该模型在实际风场数据集上预测风功率的优EMD+CNN

0.01921

0.07651 0.10029

势，主要包括以下3个方面：MSE 0.00081

0.01172 0.025

把非平稳风功率信号重构为在各频段相对平稳的数据EMD_ARMA

MAE 0.02114

0.06665 0.10491MSE 0.00093

0.01317 0.023

张量，循环神经网络在平稳信号的数据驱动下能学习到更强GRU_CNN

MAEMSE

0.023480.00142

0.082250.01550

0.117240.02801

习带来的困难；EMD_CRNN

0.01685

0.06407

0.09974

GRU层提取时MSE

0.00052 0.01039 0.022

序信号的长期趋势特征，兼顾了不同特征之间的独立性与相关性，使得模型对风功率数据有更强的挖掘能力；数据重构与多分支神经网络在数据层面与特征层面都体现出了信息互补的策略，该策略能提高风功率预测模型的鲁棒性。参考文献（References）ZHANGJ，CUIM，HODGEBM，etal. Rampforecastingperformancefromimprovedshorttermwindpowerforecastingovermultiple528

ldls.

Energy，2017，122：SHENJ.Windpowerforecastingusingmultiobjective evolutionary algorithms forwavelet neural networkFig.3

图 、 柱状图3 MAE3 MAE

optimizedpredictionAppliedNo.185.LIL，ZHAOX，TSENGML，etal. Shorttermwindpowerforecasting based

support vector machine with improved

decompositionandtimeseriesanalysis［J］.JournalofNorthChinadragonfly

JournalofCleanerProduction，2020，242：

cry201234348.）No.118447.

[16]

管胜利.基于局域波分解及时间序列的风电场风速预测研究

YUANX，CHENC，YUANY，etal.

Shorttermwindpower

.华北电力技术，2001013NS.dpredictionbasedonLSSVMGSA

EnergyConversionand

forecastinginwindfarmbasedonlocalwavedecompositionandt2015101393401.

e.hacr2001013.）

KIMD，HURJ.Shorttermprobabilisticforecastingofwindenergy

[17]

栗然，王粤，肖进永.基于经验模式分解的风电场短期风速预resourcesusingtheenhancedensemblemethod［J］.Energy，2018，

.中国电力，200947781IRGY，

157211226.LIUR，PENGM，XIAOX.Ultrashorttermwindpowerprediction

XIAOJY.ShorttermwindspeedforecastingforwindfarmsbasedonempiricalmodedecompositionmodelElectricPower，basedonmultivariatephasespacereconstructionandmultivariate

200947781.）r.s201811.2763.

.基于集合经验模态分解和小波神经网[7]

PIOTROWSKIP，BACZYŃSKID，KOPYTM，etal.Analysisof

络的短期风功率组合预测［J］.电工技术学报，2013，28（9）：forecasted meteorological datafor efficient spatial

137144.（WANGH，HUZJ，CHENZ，etal.AhybridmodelforforecastingofwindpowerElectricPowerSystems

windpowerforecasting basedonensemble empirical mode105891.

decompositionandwaveletneuralnetworks［J］.Transactionsof[8]

AGDOAIOVt.gd

alSociety20132137144.）ofrealworldwindturbinepowercurves：assessing

deviationsBARRONAR.UniversalapproximationboundsforsuperpositionsnominalcurvebyneuralRenewable

Energy，2019，

ofasigmoidalfunction［J］.IEEETransactionsonInformation140477492.

y19933930945.[9] PANDITRK，INFIELDD. ComparativeanalysisofGaussian

[20]

LAIG，CHANGW，YANGY，etal.Modeling

long

shortprocesspowercurvemodelsbasedondifferentstationarycovariance

term temporal patterns with deep neural

［C］//functions forthepurposeofimproving modelaccuracy

Proceedingsofthe41stInternationalACM

SIGIRConferenceoney2019140190202.

ResearchandDevelopmentinInformation

Retrieval.NewYork：[10]

RAJAGOPALANS，SANTOSOS.Windpowerforecastingand

M201895104.erroranalysisusingtheautoregressivemovingaveragemodeling

[21] HODGEBM，ZEILER

A，BROOKSD，et

al.Improved

wind［C］//Proceedingsofthe2009IEEEPowerandEnergySociety

powerforecastingwithARIMAmodels［J］.

Computer

Aidedl.yE200916.

ChemicalEngineering，2011，29：17891793.BILLINTONR.Asequentialsimulation

[22]

CAIL，GUJ，MAJ，etal.Probabilisticwindpowerforecastingtechniqueforadequacyevaluationofgeneratingsystemsincluding

approachviainstancebasedtransferlearningembeddedgradientwindIEEETransactionsonEnergyConversion1728734.

boostingdecision.s20191.159.LIJ，MAOJ.Ultrashorttermwindpowerpredictionusing