CEEMDAN-PE ve QGA-BP'ye dayalı kısa vadeli rüzgar hızı tahmini
Rüzgar enerjisi temiz, kirlilik içermeyen yenilenebilir bir enerji kaynağıdır ve rüzgar enerjisinin geliştirilmesine ve kullanımına her geçen gün daha fazla önem verilmektedir. Rüzgar, rüzgâr gücünün büyük ölçekli şebeke bağlantısından sonra güç sisteminin sevkini ve istikrarını ciddi şekilde etkileyecek olan rastgelelik, aralıklılık ve kontrol edilemezlik özelliklerine sahiptir.Rüzgâr hızının doğru tahmini, rüzgar enerjisi şebeke bağlantısı problemini çözmek ve güç sisteminin istikrarını sağlamaktır. Temel seks işi.
Son yıllarda, istikrarlı ve doğru modeller bulmak her zaman yerli ve yabancı araştırmacıların odak noktası olmuştur. Rüzgar hızı zaman serileri bariz rastgele dalgalanmaya sahip olduğundan, yalnızca tek bir tahmin yöntemi veya rüzgar hızı serisinin durağan olmayan değişim özelliklerini dikkate almayan bir kombinasyon tahmin yöntemi genellikle düşük tahmin doğruluğu ve büyük tahmin hataları gibi problemlere sahiptir. Literatür, genetik algoritma ile optimize edilmiş bir tahmin modeli oluşturmuştur.Tahmin doğruluğu saf BP modelinden daha yüksek olmasına rağmen, genetik algoritmanın yerel bir minimuma düşmesi kolaydır ve zayıf yakınsama, tahmin etkisini etkiler; Literatür, BP sinir ağını optimize etmek için çok gruplu bir genetik algoritma oluşturmuştur. Tahmin doğruluğunu artıran ve hesaplama süresini azaltan, ancak orijinal zaman serilerinin işlenmemiş tahmin doğruluğu üzerindeki etkisini dikkate almayan kısa vadeli rüzgar hızı tahmin modeli; literatür ve EMD ve EEMD'nin birleşik modeli, orijinal rüzgar hızı zaman serilerini azaltmak için ayrıştırır Rüzgar hızı serilerinin durağan olmamasının tahmin doğruluğu üzerindeki etkisi iyi tahmin sonuçları elde etmiştir, ancak mevcut modal örtüşme fenomeni ve yeniden yapılandırma hatalarının azaltılmasına bağlı olarak büyük hesaplama ölçeği ve düşük verimlilik sorunları göz ardı edilmektedir. Şu anda, CEEMDAN doğrusal olmayan ve durağan olmayan sinyallerin işlenmesinde yaygın olarak kullanılmaktadır.Bu yöntem, aynı anda EMD modal örtüşme problemini ve EEMD'nin hesaplama ölçeği ve düşük verimlilik problemlerinin üstesinden gelir ve rüzgar hızı serilerinin ayrıştırılmasında daha iyi bir etkiye sahiptir. , Daha büyük üstünlüğe sahiptir.
Kuantum Genetik Algoritması (QGA), geleneksel genetik algoritma temelinde kuantum hesaplama teorisini tanıtan yeni bir olasılıksal evrimsel algoritma türüdür. Bu algoritma, kromozom kodlamasını kübitlerin olasılık aralığı ile ifade eder, böylece birden fazla durumun üst üste binmesi bir kromozom tarafından ifade edilebilir. Aynı zamanda, kuantum döner kapı gibi işlemler, hedefin optimum çözümüne ulaşan kromozomların güncellemesini gerçekleştirmek için kullanılır. Algoritma, popülasyon boyutu küçük olduğunda algoritmanın performansını etkilemez, belirgin popülasyon çeşitliliği ve daha iyi yakınsama özellikleri gösterir.
Bunun ışığında, kısa vadeli rüzgar hızı açısından birleşik tahmin modelinin avantajları göz önüne alındığında, bu makale CEEMDAN-PE-QGA-BP'ye dayalı bir tahmin modeli önermektedir. Bu tahmin modelinin rüzgar hızı tahmini alanında çok az araştırması olduğundan, tahmin araştırması şu anda yapılmaktadır. Son olarak, rüzgar çiftliğinin ölçülen verilerine dayanan bir simülasyon analizi, bu yöntemin etkinliğini doğrular.
1 Tahmin ilkesinin analizi
1.1 Korelasyon analizi
Bu makale, rüzgar hızı zaman serisindeki farklı zamanlarda veri noktalarının korelasyon derecesini tanımlamak için otokorelasyon katsayısını kullanır ve otokorelasyon katsayısı 'yı karşılaştırarak korelasyon derecesinin gücünü değerlendirir. Otokorelasyon katsayısı k'yi şu şekilde tanımlayın:
Formülde E beklentidir, xt zaman serisidir, ux serinin ortalamasıdır, Cov kovaryans ve varyanstır. Bir tahmin modeli oluşturmak için zaman serilerini hazırlamak için farklı gecikme k ayarlayarak zaman serilerinin otokorelasyonunu incelemek mümkündür. Korelasyon katsayısı k0.90 olduğunda, bitişik momentler arasındaki korelasyonun en yüksek olduğunu gösterir.
1.2 CEEMDAN algoritması
EEMD algoritması ile karşılaştırıldığında, CEEMDAN, X orijinal sinyalindeki standart normal dağılımı sağlayan Gauss beyaz gürültüsü ekler ve i'inci sinyal Xi = X + i (i = 1, ..., I) olarak ifade edilebilir, burada I Deney sayısı için CEEMDAN'ın ayrıştırma süreci şu şekildedir:
1.3 Permütasyon entropisi
Permütasyon Entropisi (Permütasyon Entropisi, PE), tek boyutlu zaman serilerinin karmaşıklığını yansıtır, hesaplaması basittir, zaman serisi verilerindeki küçük değişiklikleri büyütebilir ve zaman serilerindeki değişikliklere karşı yüksek hassasiyete sahiptir. PE'nin özel hesaplama süreci aşağıdaki gibidir:
Yeniden yapılandırılmış vektörü elde etmek için {x (i), i = 1, 2, ..., N} zaman serisinin faz uzayını yeniden oluşturun:
Açıktır ki, Hp'nin değer aralığı 0Hp1'dir ve Hp'nin değeri, zaman serilerinin rastgelelik derecesini yansıtır. Hp ne kadar büyükse, zaman serisinin rastgeleliği o kadar güçlüdür; Hp ne kadar küçükse, zaman serisi o kadar düzenli olur.
1.4 BP sinir ağı
BP sinir ağı şu anda en yaygın kullanılan sinir ağıdır. Ana özellikleri ileri sinyal iletimi ve hata geri yayılımıdır. BP sinir ağının spesifik süreci literatürde detaylandırılmıştır.
2 QGA optimize edilmiş BP algoritması tasarımı
Bu makale, ağırlık ve eşik parametrelerini optimize etmek için QGA algoritmasını kullanır. BP sinir ağını optimize eden kuantum genetik algoritmasının akış şeması Şekil 1'de gösterilmektedir.
3 CEEMDAN-PE-QGA-BP kısa vadeli rüzgar hızı tahmin modeline göre
Bir tahmin modeli oluşturmak için CEEMDAN ve PE'nin avantajlarını kuantum genetik optimizasyon BP sinir ağı ile birleştiren model çerçevesi Şekil 2'de gösterilmektedir.
4 Simülasyon analizi
Bu makalede oluşturulan modelin rasyonalitesini test etmek için, deneysel simülasyon örnekleri olarak Jiangsu'daki bir rüzgar çiftliği tarafından 1 - 4 Aralık 2013 tarihleri arasında ölçülen 300 rüzgar hızı veri değeri kullanılmıştır. Şekil 3, orijinal rüzgar hızı dizisini göstermektedir.
Korelasyon analizi yöntemi, modelin girdi değişkenlerini belirlemek için zaman serilerinin otokorelasyon katsayısını hesaplamak için kullanılır. Otokorelasyon katsayısı Tablo 1'de gösterilmektedir. Rüzgar hızı değerinin ilk 5 andaki korelasyon katsayısı 0,9'un üzerinde olup, rüzgar hızı korelasyonu en yüksek, yani giriş değişkenlerinin sayısı 5 olarak seçilmiştir. İlk 5 dakikadaki rüzgar hızı değerinin tahmin edilen andaki rüzgar hızı değeri üzerinde büyük etkisi olduğu düşünülmektedir. Buna göre her 6 veri bir gruba bölünür, ilk 5 rüzgar hızı değeri girdi olarak, 6. rüzgar hızı değeri ise ardışık döngü tahmini için çıktı olarak kullanılır. Bu nedenle, MATLAB platformunda simüle edilen ve tahmin edilen, dönüşüm sonrası 300 rüzgar hızı veri örneğinden oluşan toplam 295 grup toplanmış, bunlardan 235 grup eğitim verisi ve 60 grup test verisi olarak kullanılmaktadır.
4.1 Veri işleme
Orijinal rüzgar hızı dizisini ayrıştırmak için CEEMDAN ayrıştırma yöntemi kullanılır. Rüzgar hızı dizisi, küçük dalgalanmalarla 7 IMF bileşenine ve bir artık bileşen r8'e ayrıştırılır. Ayrışma sonucu Şekil 4'te gösterilmektedir.
PE değeri her bir IMF bileşeni için ayrı ayrı hesaplanır. Gömme boyutu m, zaman serilerinin hesaplanmasında büyük bir etkiye sahip olduğundan, genellikle gömme boyutu m'nin 3 ~ 7 olması tavsiye edilir. Bu nedenle, bu makalenin ayrıştırma sonuçlarının fiili olarak değerlendirilmesinde, m = 3 seçilir ve zaman gecikmesi , zaman serilerinin hesaplanmasında çok az etkiye sahiptir ve genellikle 1 yeterlidir. M = 3 ve = 1 olduğunda, PE'nin hesaplama sonucu Şekil 5'te gösterilmektedir.
Şekil 5'ten her bir IMF bileşeninin PE değerinin IMF frekansı azaldıkça kademeli olarak azaldığı görülebilir, bu da IMF1'den r8'e bileşenlerin sırasının giderek daha düzenli hale geldiğini gösterir. Bileşenler, entropi değerinin benzerliğini ve yakınlığını hesaplama ilkesine göre yeniden düzenlenir. Şekil 5, IMF1 bileşeninin PE değerinin en büyük ve en rasgele olduğunu ve entropi değerinin diğer bileşenlerden önemli ölçüde daha yüksek olduğunu göstermektedir; IMF2 ve IMF3 belirli bir rasgelelik derecesi gösterir ve PE değerleri görece bir dereceye kadar yakındır ve birleştirilebilir; IMF4 IMF7 bariz benzerlik gösterir ve PE değerlerindeki farklılıklar çok yakındır ve bunlar birleştirilebilir; trend bileşeni r8 ise PE değeri 0 olan ve yeni bir seriye ayrılabilen sabit bir bileşendir. Spesifik yeniden yapılanma durumu Tablo 2'de gösterilmektedir.
Tablo 2'deki rekombinasyon sonuçlarına göre üst üste binme sonrası elde edilen yeni dizi Şekil 6'da gösterilmektedir.
4.2 QGA-BP tahmini
Verileri işledikten sonra, yukarıda oluşturulan tahmin modeline göre MATLAB platformunda simüle edin ve tahmin edin. BP sinir ağının yapısı girdi katmanı, gizli katman ve çıktı katmanıdır. Nöron sayısı sırasıyla 5, 11 ve 1'dir. Ağ eğitiminin maksimum yineleme sayısı 1.000, öğrenme oranı 0.005 ve hata 10-20'dir. QGA'nın popülasyon boyutu 20'dir ve maksimum evrimsel nesil 25'tir. Gerçek çıktı ile beklenen çıktı arasındaki hata toplamının tersi uygunluk fonksiyonu olarak alınır Hata ne kadar küçükse, uygunluk o kadar büyük olur. QGA uygunluk grafiği Şekil 7'de gösterilmektedir.
Oluşturulan tahmin modeline göre, test verileri bunu tahmin etmek için kullanılır.Bu makalede gerçek rüzgar hızı ile tahmin modeli tarafından tahmin edilen rüzgar hızı arasındaki karşılaştırma Şekil 8'de gösterilmektedir.
Bu yazıda önerilen tahmin modelinin daha iyi bir tahmin etkisine sahip olduğunu doğrulamak için, aynı ağ yapısı ve test örnek ortamı altında, genetik algoritma optimize edilmiş BP sinir ağı modeli (GA-BP) ve LSSVM tahmin modelinin tahmin sonuçları karşılaştırılmıştır. GA-BP ve LSSVM'nin tahmin sonuçları sırasıyla Şekil 9 ve Şekil 10'da gösterilmektedir.
4.3 Tahmin sonuçlarının analizi
Şekil 8'den Şekil 10'a kadar sezgisel olarak Şekil 8'deki tahmin edilen değerin gerçek değere en yakın olduğu ve etkinin en iyisi olduğu; GA-BP modeli ikinci ve LSSVM modelinin en kötü olduğu görülebilir. Bu yazıda önerilen tahmin modelinin, diğer iki tahmin modeline göre kısa vadeli rüzgar hızı tahmini için daha uygun olduğunu göstermektedir.
Üç tahmin modelinin performansını daha iyi karşılaştırmak için, tahmin modeli performansının test göstergeleri olarak ortalama kare hatası MSE ve R2 belirleme katsayısı kullanılmıştır. Ortalama kare hatası ne kadar küçük ve belirleme katsayısı ne kadar büyükse, modelin tahmin etkisi o kadar iyidir. Özel hesaplama formülü aşağıdaki gibidir:
Tablo 3, test göstergelerinin hesaplanmasından sonra üç modelin tahmin performansının karşılaştırma sonuçlarını listelemektedir. GA-BP ve LSSVM modelleriyle karşılaştırıldığında, bu yazıda önerilen yöntemin en küçük hataya sahip olduğu görülebilir. Geleneksel GA-BP modeli, yerel aşırılıklara düşmesi kolay tek bir BP modelinden kaçınsa da, çok karmaşıktır ve büyük hataları vardır. Bu makalenin birleşik modeli aynı zamanda yerel optimum düzeye düşme kusurunu da önler ve tahmin doğruluğunu ve hata azaltmayı büyük ölçüde geliştirmiştir. Karşılaştırma sonuçları, kısa vadeli rüzgar hızı tahmini açısından, GA-BP tahmin modelinin belirli bir etkiye sahip olmasına rağmen, bu makalede benimsenen tahmin modelinin tahmin etkisinin daha iyi ve daha doğru olduğunu ve bariz avantajlar gösterdiğini göstermektedir.
5. Sonuç
Bu makale, Jiangsu'daki bir rüzgar çiftliğinin rüzgar hızını tahmin etmek için CEEMDAN-PE-QGA-BP modelini kurar ve tahmin sonuçlarını GA-BP modeli ve LSSVM modeli ile karşılaştırır. Simülasyon sonuçları, orijinal rüzgar hızı dizisini işlemek için CEEMDAN-PE kullanımının, orijinal dizinin durağanlığını etkili bir şekilde azalttığını ve bileşenleri ayrı ayrı tahmin etmek için hesaplama ölçeğini azalttığını göstermektedir; QGA algoritması, BP algoritmasını optimize etmek için kullanılır, bu da BP'yi aşar. Model, başlangıç ağırlıklarının ve eşiklerin seçiminde eksikliklere sahiptir.Geleneksel genetik algoritma optimize edilmiş BP sinir ağı modeli ile karşılaştırıldığında, global optimal çözüme yakınlaşabilir ve yakınsama özelliklerini iyileştirebilir. Genel olarak, bu makalede önerilen birleşik model tahmin doğruluğunu geliştirir, tahmin hatasını azaltır ve daha iyi bir tahmin etkisi elde eder, bu da gelecekteki rüzgar hızı tahmininde büyük önem taşır.
Referanslar
Zhang Yan, Han Pu, Wang Dongfeng ve diğerleri.Varyasyonel modal ayrıştırma ve LSSVM'ye dayalı rüzgar çiftliklerinin kısa vadeli rüzgar hızı tahmini. Acta Energia Sinica, 2018, 39 (1): 194-202.
Ye Ruili, Guo Zhizhong, Liu Ruiye, vb Dalgacık paket ayrışmasına ve geliştirilmiş Elman sinir ağına dayalı rüzgar çiftliği rüzgar hızı ve rüzgar gücü tahmini Journal of Electrotechnical Technology, 2017, 32 (21): 103-111.
Zhang Yan, Han Pu. Rüzgar çiftlikleri için CEEMD-LSSVM'ye dayalı kısa vadeli rüzgar hızı tahmini. Bilgisayar simülasyonu, 2017, 34 (8): 408-411, 444.
Gu Xingkai, Fan Gaofeng, Wang Xiaorong. Rüzgar enerjisi tahmin teknolojisine genel bakış Modern Elektrik Gücü, 2017, 31 (2): 335-338.
Yuan Dongfeng, Du Heng. Dalgacık analizi ve faz-uzay yeniden yapılandırmasının birleşimine dayalı rüzgar hızı tahmini Bilgisayar simülasyonu, 2013, 30 (3): 331-334, 388.
Wang Deming, Wang Li, Zhang Guangming. Genetik BP sinir ağına dayalı kısa vadeli rüzgar hızı tahmin modeli. Journal of Zhejiang University (Engineering Science Edition), 2012, 46 (5): 837-841,904.
Chen Zhong, BP sinir ağı ve genetik algoritmaya dayalı rüzgar çiftliğinin ultra kısa vadeli rüzgar hızı tahmin optimizasyonu üzerine araştırma Yenilenebilir Enerji, 2012, 30 (2): 32-36.
Zhu Ya, Sun Dongmei, He Xiang ve diğerleri.EMD-GRNN ile olasılık ve istatistik kombinasyonuna dayalı kısa vadeli rüzgar hızı tahmini Bilgisayar Bilimi, 2014, 41 (S1): 72-75.
He Qun, Zhao Wenshuang, Jiang Guogan ve diğerleri EEMD ve AR modellemesine dayalı rüzgar çiftliklerinin rüzgar hızı tahmini Açta Metrology, 2015 (2): 181-186.
TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, ve diğerleri A. uyarlanabilir gürültü ile tam topluluk ampirik mod ayrışımı.2011 IEEE Uluslararası Akustik, Konuşma ve Sinyal İşleme Konferansı. Piscataway, NJ, SA: IEEE, 2011: 4144-4147.
Xiang Dan, Ge Shuang. EMD örnek entropisi-LLTSA'ya dayalı hata özelliği çıkarma yöntemi. Journal of Aerodynamics, 2014, 29 (7): 1535-1542.
ZHAOHUA W, NORDEN E H. Topluluk ampirik mod ayrışımı: gürültü destekli veri analizi yöntemi Adaptive Data Analysi'deki Gelişmeler, 2011, 1 (1): 1-41.
TOTH G, LENTC S, TOUGAW P D ve diğerleri. Kuantum hücresel sinir ağları. Superlattices and Microstructures, 1996, 20 (4): 473-478.
Sun Hongguo, Deng Hua. Örnek otokorelasyon katsayısı ve kısmi otokorelasyon katsayısı üzerine araştırma. Journal of Bengbu University, 2016, 5 (1): 35-39.
CAO Y, TUNG WW, GAO JB, et al. Permütasyon entropisini kullanarak zaman serilerindeki dinamik değişiklikleri tespit etme.Phy.Rev.E.Stat.Nonlin.Soft.Matter.Phys., 2004,70 (4): 174-195 .
Feng Dongqing, Li Weishuai. Kalan pil gücünün GA-BP sinir ağına göre tahmini Bilgisayar simülasyonu, 2011 (12): 323-326, 324.
yazar bilgileri:
Zhao Hui1, 2, Zhou Jie1, Wang Hongjun1, Yue Youjun1
(1. Tianjin Teknoloji Üniversitesi, Karmaşık Sistem Kontrol Teorisi ve Uygulaması Tianjin Anahtar Laboratuvarı, Tianjin 300384; 2. Tianjin Ziraat Koleji, Tianjin 300384)
