《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測試測量 > 設(shè)計應(yīng)用 > 基于CEEMDAN-PE和QGA-BP的短期風(fēng)速預(yù)測
基于CEEMDAN-PE和QGA-BP的短期風(fēng)速預(yù)測
2018年電子技術(shù)應(yīng)用第12期
趙 輝1，2，周 杰1，王紅君1，岳有軍1
1.天津理工大學(xué) 天津市復(fù)雜系統(tǒng)控制理論與應(yīng)用重點實驗室，天津300384；2.天津農(nóng)學(xué)院，天津300384
摘要： 為了提高風(fēng)電場短期風(fēng)速預(yù)測的精度，提出了一種基于自適應(yīng)噪聲的完整集成經(jīng)驗?zāi)B(tài)分解(CEEMDAN)-排列熵(PE)和量子遺傳算法(QGA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型。首先采用CEEMDAN對原始風(fēng)速時間序列進行分解，降低不同特征尺度序列間的相互影響；其次，為了減少計算規(guī)模，對分解得到的各個分量序列分別計算排列熵，將熵值相近的分量進行疊加形成新的序列；最后，針對BP神經(jīng)網(wǎng)絡(luò)在初始化權(quán)值和閾值的選取上存在隨機性的問題，采用QGA對BP參數(shù)進行優(yōu)化，分別對每個新的序列進行預(yù)測并將預(yù)測結(jié)果進行疊加得到最終的預(yù)測值。實例仿真結(jié)果表明，該組合模型提高了預(yù)測的精度，減小了誤差，具有實際意義和工程應(yīng)用價值。
中圖分類號： TP206；TM614
文獻標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.181492
中文引用格式： 趙輝，周杰，王紅君，等. 基于CEEMDAN-PE和QGA-BP的短期風(fēng)速預(yù)測[J].電子技術(shù)應(yīng)用，2018，44(12)：60-64.
英文引用格式： Zhao Hui，Zhou Jie，Wang Hongjun，et al. Short-term wind speed prediction based on CEEMDAN-PE and QGA-BP[J]. Application of Electronic Technique，2018，44(12)：60-64.
Short-term wind speed prediction based on CEEMDAN-PE and QGA-BP
Zhao Hui1，2，Zhou Jie1，Wang Hongjun1，Yue Youjun1
1.Tianjin Key Laboratory for Control Theory and Applications in Complicated System，Tianjin University of Technology， Tianjin 300384，China； 2.Tianjin Agricultural University，Tianjin 300384，China
Abstract： In order to improve the accuracy of wind power short-term wind speed prediction, this paper proposes a complete integration based on adaptive noise empirical mode decomposition(CEEMDAN)-permutation entropy(PE) and quantum genetic algorithm(QGA)to optimize the BP neural network prediction model of short-term wind speed. Firstly, CEEMDAN is used to decompose the original wind speed time series and reduce the influence between different characteristic scale sequences. Secondly, in order to reduce the scale of computation, the each component sequence of decomposition is calculated for PE, and the components with similar entropy value are superimposed to form a new sequence. Finally, according to the weights of BP neural network in the initialization and random problems existing in the selection of threshold, BP parameters are optimized by quantum genetic algorithm(QGA), combined new sequences are predicted respectively and the results of each component are superimposed. The simulation results show that the proposed combination model improves the prediction accuracy, reduces the error and has high application value.
Key words : wind speed forecasting；complete integration of empirical mode decomposition；permutation entropy；quantum genetic algorithm；BP neural network

0 引言

    風(fēng)能是清潔、無污染的可再生能源，對風(fēng)能的開發(fā)和利用越來越受到重視[1]。風(fēng)存在隨機性、間歇性、不可控性的特點，使得風(fēng)電大規(guī)模并網(wǎng)后對電力系統(tǒng)的調(diào)度、穩(wěn)定性造成嚴重影響[2]，而對風(fēng)速的準確預(yù)測是解決風(fēng)電并網(wǎng)問題、保證電力系統(tǒng)穩(wěn)定性的基礎(chǔ)性工作[3-4]。

    近年來，尋找穩(wěn)定、精確的風(fēng)速預(yù)測模型一直是國內(nèi)外研究者關(guān)注的焦點。由于風(fēng)速時間序列具有明顯的隨機波動性[5]，僅僅采用單一的預(yù)測方法或尚未考慮風(fēng)速序列非平穩(wěn)性變化特征的組合預(yù)測方法往往存在預(yù)測精度不高、預(yù)測誤差較大的問題。文獻[6]建立了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，預(yù)測精度雖然比單純BP模型有所提高，但遺傳算法容易陷入局部極小值且收斂性差影響預(yù)測效果；文獻[7]建立了多種群遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)速預(yù)測模型，該模型提高了預(yù)測精度，減少了運算時間，但是未考慮原始時間序列尚未處理對預(yù)測精度的影響；文獻[8]和[9]用EMD和EEMD的組合模型對原始風(fēng)速時間序列進行分解，降低了風(fēng)速序列非平穩(wěn)性對預(yù)測精度的影響，得到了較好的預(yù)測效果，但忽略了其存在的模態(tài)混疊現(xiàn)象和由于減小重構(gòu)誤差而出現(xiàn)的計算規(guī)模大和效率低的問題。當(dāng)前，CEEMDAN[10]在處理非線性、非平穩(wěn)信號方面被廣泛地應(yīng)用，該方法同時克服了EMD模態(tài)混疊問題[11]以及EEMD[12]所出現(xiàn)的計算規(guī)模和效率低下的問題，在分解風(fēng)速序列上有更好效果，具有更大的優(yōu)越性。

    而量子遺傳算法[13](Quantum Genetic Algorithm，QGA)作為一種新型的概率進化算法，它是在傳統(tǒng)遺傳算法的基礎(chǔ)上引入量子計算理論。該算法將染色體的編碼用量子比特的幾率幅來表示，從而使得多個態(tài)的疊加可以由一條染色體來表達。同時采用量子旋轉(zhuǎn)門等操作對染色體的更新進行實現(xiàn)，達到了目標(biāo)的優(yōu)化求解。該算法在種群規(guī)模小的情況下不影響算法性能，表現(xiàn)出明顯的種群多樣性和更好的收斂特性。

    鑒于此，考慮到組合預(yù)測模型在短期風(fēng)速方面的優(yōu)勢，本文提出一種基于CEEMDAN-PE-QGA-BP的預(yù)測模型。由于該預(yù)測模型在風(fēng)速預(yù)測領(lǐng)域研究較少，現(xiàn)進行預(yù)測研究。最后，通過風(fēng)電場的實測數(shù)據(jù)進行仿真分析驗證了本文方法的有效性。

1 預(yù)測原理分析

1.1 相關(guān)分析法

    本文利用自相關(guān)系數(shù)[14]來描述風(fēng)速時間序列不同時刻數(shù)據(jù)點的相關(guān)程度，通過比較自相關(guān)系數(shù)ρ的大小來判斷相關(guān)程度的強弱。定義延時為k的自相關(guān)系數(shù)為：

    ck4-gs1.gif

式中，E為期望，xt為時間序列，ux為序列平均值，Cov為協(xié)方差，σ為方差。可以通過設(shè)置不同的延時k研究時間序列的自相關(guān)性，為時間序列構(gòu)建預(yù)測模型做準備。當(dāng)相關(guān)系數(shù)ρk≥0.90時，表明相鄰時刻的相關(guān)性最高。

1.2 CEEMDAN算法

    與EEMD算法相比，CEEMDAN在原始信號X[n]中添加滿足標(biāo)準正態(tài)分布的高斯白噪聲ω[n]，則第i次的信號可以表示為Xi[n]=X[n]+ωi[n](i=1，…，I)，其中I為實驗次數(shù)，CEEMDAN的分解過程如下：

ck4-1.2-x1.gif

1.3 排列熵

    排列熵(Permutation Entropy，PE)反映了一維時間序列復(fù)雜度，其計算簡單，能夠較好地放大時間序列數(shù)據(jù)的微小變化[15]，對時間序列的變化具有很高的敏感性。PE的具體計算過程如下：

    對時間序列{x(i)，i=1，2，…，N}進行相空間重構(gòu)后得到重構(gòu)向量：

ck4-gs2-4.gif

    顯然，Hp的取值范圍為0≤Hp≤1，Hp值的大小反映了時間序列的隨機性程度。Hp越大，說明時間序列的隨機性越強；Hp越小，說明時間序列越規(guī)則。      

1.4 BP神經(jīng)網(wǎng)絡(luò)

    BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，其主要特點是信號前向傳遞、誤差反向傳播。BP神經(jīng)網(wǎng)絡(luò)的具體過程詳見文獻[16]。

2 QGA優(yōu)化BP算法設(shè)計 

    本文采用QGA算法對權(quán)值和閾值參數(shù)進行優(yōu)化。量子遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖1所示。

ck4-t1.gif

3 基于CEEMDAN-PE-QGA-BP短期風(fēng)速預(yù)測模型

    綜合CEEMDAN和PE的優(yōu)點，結(jié)合量子遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，該模型框架如圖2所示。

ck4-t2.gif

4 仿真分析

    為了檢驗本文所建模型的合理性，采用江蘇某風(fēng)電場在2013年12月1～4日中實測的300個風(fēng)速數(shù)據(jù)值為樣本進行試驗仿真。圖3為原始風(fēng)速序列。

ck4-t3.gif

    利用相關(guān)分析法計算時間序列的自相關(guān)系數(shù)ρ，以確定模型的輸入變量。自相關(guān)系數(shù)如表1所示,前5個時刻的風(fēng)速值相關(guān)系數(shù)在0.9以上，風(fēng)速的相關(guān)性最高，即輸入變量個數(shù)選取為5。認為前5個時刻的風(fēng)速值對預(yù)測時刻的風(fēng)速值影響很大。根據(jù)此將每6個數(shù)據(jù)分為一組，前5個風(fēng)速值作為輸入，第6個作為輸出進行依次循環(huán)預(yù)測。因此，采集的300個風(fēng)速數(shù)據(jù)樣本轉(zhuǎn)換后共295組，其中將235組作為訓(xùn)練數(shù)據(jù)，60組作為測試數(shù)據(jù)，在MATLAB平臺上進行仿真預(yù)測。

ck4-b1.gif

4.1 數(shù)據(jù)處理

    采用CEEMDAN分解方法對原始風(fēng)速序列進行分解。風(fēng)速序列被分解為7個波動較小的IMF分量和一個剩余分量r8。分解結(jié)果如圖4所示。

ck4-t4.gif

    對每一IMF分量分別計算PE值。由于嵌入維數(shù)m對時間序列的計算影響較大，一般建議嵌入維數(shù)m取3～7。因此，在實際考慮本文的分解結(jié)果，選取m=3，而時延τ對時間序列的計算影響較小，通常取1即可。當(dāng)m=3、τ=1時，PE的計算結(jié)果如圖5所示。

ck4-t5.gif

    從圖5可以看出，各IMF分量的PE值隨著IMF頻率的降低而逐漸遞減，這說明分量從IMF1到r8序列越來越規(guī)則。根據(jù)計算出熵值的相似性及接近程度這一原則對各個分量進行重組。在圖5中顯示出，IMF1分量的PE值最大、隨機性最強，熵值明顯高于其他分量；IMF2和IMF3呈現(xiàn)出一定的隨機性，PE值一定程度上較為接近，可以合并；IMF4～IMF7表現(xiàn)出明顯的相似性且PE值差異非常接近，也可將其進行合并；而趨勢項分量r8為平穩(wěn)分量，其PE值為0，可以將其單獨為一個新的序列。具體的重組情況如表2所示。

ck4-b2.gif

    根據(jù)表2中重組的結(jié)果，得到疊加后新的序列如圖6所示。

ck4-t6.gif

4.2 QGA-BP預(yù)測

    在對數(shù)據(jù)進行處理后，根據(jù)前面所建的預(yù)測模型在MATLAB平臺上進行仿真預(yù)測。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為輸入層、隱含層、輸出層。神經(jīng)元個數(shù)分別為5、11、1。設(shè)定網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)為1 000，學(xué)習(xí)率為0.005，誤差為10-20。QGA的種群規(guī)模為20，最大進化代數(shù)取25。將實際輸出與期望輸出之間誤差和的倒數(shù)作為適應(yīng)度函數(shù)，誤差越小，適應(yīng)度越大。QGA適應(yīng)度圖如圖7所示。

ck4-t7.gif

    根據(jù)建立好的預(yù)測模型，利用測試數(shù)據(jù)對其進行預(yù)測，實際風(fēng)速與本文預(yù)測模型預(yù)測的風(fēng)速對比如圖8所示。

ck4-t8.gif

    為了驗證本文提出預(yù)測模型具有更好的預(yù)測效果，在相同的網(wǎng)絡(luò)結(jié)構(gòu)和測試樣本環(huán)境下，與遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型(GA-BP)和LSSVM預(yù)測模型的預(yù)測結(jié)果進行對比。GA-BP預(yù)測結(jié)果和LSSVM的預(yù)測結(jié)果分別如圖9和圖10所示。

ck4-t9.gif

ck4-t10.gif

4.3 預(yù)測結(jié)果分析

    從圖8～圖10中可以直觀地看出，圖8的預(yù)測值和真實值最接近，效果最優(yōu)；GA-BP模型次之，LSSVM模型最差。表明本文提出的預(yù)測模型相對于另外2種預(yù)測模型更適于進行短期風(fēng)速預(yù)測。

    為了進一步更好地比較3種預(yù)測模型的性能，采用均方誤差MSE和決定系數(shù)R2作為預(yù)測模型性能的檢驗指標(biāo)。均方誤差越小、決定系數(shù)越大，則模型的預(yù)測效果越好。具體計算公式如下：

ck4-gs5-6.gif

    表3列出了經(jīng)過檢驗指標(biāo)計算后3種模型預(yù)測性能對比結(jié)果?？梢钥闯?，與GA-BP和LSSVM模型相比，本文提出的方法誤差最小。傳統(tǒng)的GA-BP模型雖然避免單一BP模型出現(xiàn)易陷入局部極值的情況，但是本身過于繁雜，誤差較大。而本文的組合模型同樣也避免了陷入局部最優(yōu)的缺陷，并且在預(yù)測精度和誤差減小方面有很大提高。對比的結(jié)果表明，在短期風(fēng)速預(yù)測方面，用GA-BP預(yù)測模型雖然有一定的效果，而采用本文預(yù)測模型的預(yù)測效果更好、更準確，表現(xiàn)出了明顯的優(yōu)勢。

ck4-b3.gif

5 結(jié)束語

    本文通過建立CEEMDAN-PE-QGA-BP模型對江蘇某風(fēng)電場風(fēng)速進行預(yù)測，并將預(yù)測結(jié)果與GA-BP 模型、LSSVM模型的預(yù)測結(jié)果進行對比。仿真結(jié)果表明，采用CEEMDAN-PE對原始風(fēng)速序列進行處理，有效地降低了原始序列的非平穩(wěn)性，減小了分別對分量進行預(yù)測的計算規(guī)模；采用QGA算法對BP算法進行優(yōu)化，克服了BP模型在初始權(quán)值、閾值選取上存在的不足，并且相比于傳統(tǒng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，其能夠收斂到全局最優(yōu)解，提高了收斂特性?？傮w上，本文所提的組合模型提高了預(yù)測的精度，減小了預(yù)測的誤差，得到較好的預(yù)測效果，在今后風(fēng)速預(yù)測方面具有重要的意義。

參考文獻

[1] 張妍，韓璞，王東風(fēng)，等.基于變分模態(tài)分解和LSSVM的風(fēng)電場短期風(fēng)速預(yù)測[J].太陽能學(xué)報，2018，39(1)：194-202.

[2] 葉瑞麗，郭志忠，劉瑞葉，等.基于小波包分解和改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速和風(fēng)電功率預(yù)測[J].電工技術(shù)學(xué)報，2017，32(21)：103-111.

[3] 張妍，韓璞.基于CEEMD-LSSVM的風(fēng)電場短期風(fēng)速預(yù)測[J].計算機仿真，2017，34(8)：408-411，444.

[4] 谷興凱，范高峰，王曉蓉.風(fēng)電功率預(yù)測技術(shù)綜述[J].現(xiàn)代電力，2017，31(2):335-338.

[5] 袁東鋒，杜恒.基于小波分析和相空重構(gòu)相融合的風(fēng)速預(yù)測[J].計算機仿真，2013，30(3)：331-334，388.

[6] 王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報(工學(xué)版)，2012，46(5)：837-841,904.

[7] 陳忠.基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法風(fēng)電場超短期風(fēng)速預(yù)測優(yōu)化研究[J].可再生能源，2012,30(2)：32-36.

[8] 朱亞，孫冬梅，何響，等. 基于EMD-GRNN和概率統(tǒng)計結(jié)合的短期風(fēng)速預(yù)測[J].計算機科學(xué)，2014，41(S1):72-75.

[9] 何群，趙文爽，江國乾，等.基于EEMD與AR建模的風(fēng)電場風(fēng)速預(yù)測[J].計量學(xué)報，2015(2)：181-186. 

[10] TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al.A.complete ensemble empirical mode decomposition with adaptive noise[C].2011 IEEE International Conference On Acoustics,Speech and Signal Processing.Piscataway, NJ，SA：IEEE，2011:4144-4147.

[11] 向丹,葛爽.基于EMD樣本熵-LLTSA的故障特征提取方法[J].航空動力學(xué)報，2014，29(7)：1535-1542.

[12] ZHAOHUA W，NORDEN E H.Ensemble empirical mode decomposition:a noise-assisted data analysis method[J].Advances in Adaptive Data Analysi，2011,1(1):1-41.

[13] TOTH G，LENTC S，TOUGAW P D,et al.Quantum cellular neural networks[J].Superlattices and Microstructures，1996，20(4):473-478.

[14] 孫紅果，鄧華.樣本自相關(guān)系數(shù)與偏自相關(guān)系數(shù)的研究[J].蚌埠學(xué)院學(xué)報，2016，5(1)：35-39.

[15] CAO Y，TUNG W W，GAO J B，et al.Detecting dynamical changes in time series using the permutation entropy[J].Phy.Rev.E.Stat.Nonlin.Soft.Matter.Phys.,2004,70(4)：174-195. 

[16] 馮冬青，李衛(wèi)帥.基于GA-BP神經(jīng)網(wǎng)絡(luò)的電池剩余電量的預(yù)測[J].計算機仿真，2011(12)：323-326，324.



作者信息:

趙  輝1，2，周  杰1，王紅君1，岳有軍1

（1.天津理工大學(xué) 天津市復(fù)雜系統(tǒng)控制理論與應(yīng)用重點實驗室，天津300384；2.天津農(nóng)學(xué)院，天津300384）

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。