0 引言
风能作为可再生能源,在现实生活中运用非常广泛. 在实际应用中,风速在风电功率转换中起着至
关重要的作用,所以对风速预测的精度要求很高. 在过去的几十年,大量的方法被人们用于风速的预测,
总体上来看这些方法大致可以分为 2 类:物理模型方法和统计分析方法
[1]
. 物理模型方法综合考虑环境中
众多物理因素来预测风速,其中数值天气预报(numerical weather prediction,NWP)
[2]
是最常见的一种.
物理模型方法需要大量的不同的数据来预测风速,并且在预测过程需要花费大量时间来计算. 而统计分析
方法则是通过分析风速的历史数据来预测未来数据,该种方法通常可以被分为 3 类:时间序列模型、机器
学习方法和组合模型
[3]
. 时间序列模型包括自回归(autoregressive,AR)模型、移动平均(moving
average,MA)模型、自回归移动平均(autoregressive moving average,ARMA)模型、自回归整合移动平
均(autoregressive integrated moving average,ARIMA)
[4]
模型等. 时间序列模型在线性的、平稳的时间序
列预测中具有较好的预测效果. 为了改善在非线性和非平稳的时间序列的预测效果,一些机器学习方法,
如 BP (back propagation)神经网络
[5]
,支持向量回归(support vector regression,SVR)
[6]
,被用于风速的
预测,并且在预测效果上有很大提升.
此外,研究者也提出了一些组合模型,以此来获得比单一方法更好的预测效果. 比如,Liu 等将
ARMA 和 ANN (artificial neural network)或卡尔曼滤波结合进行风电场的预测,实验仿真说明组合模型比
单一 ARMA 模型的预测效果更佳
[7]
. Ren 等将经验模态分解(empirical mode decomposition,EMD)与
SVR 结合起来用于风速的预测,使预测模型在特征选择上优于其他模型
[8]
. Kiplangat 等将小波分解用于简
单线性模型的风速预测中,在提前的风速预测中具有好的仿真效果
[9]
. Zhang 等将小波分解、布谷鸟算法
与小波神经网络相结合,在风电场的风速预测上取得了很好的结果
[10]
. Zhang 等使用 EMD 与 ANN 或
SVM(support vector machine) 组合用于短期风速预测,在将风速进行信号分解预测上取得突破
[11]
. 为了
解决 EMD 分解带来的问题,许多研究者提出了改进方法,如总体平均经验模态分解(ensemble empirical
mode decomposition,EEMD)
[12]
、完备总体经验模态分解(complete ensemble empirical mode
decomposition,CEEMD)
[13]
、CEEMD-WT-CNN(wavelet transform,WT;convolutional neural
networks,CNN)混合模型
[14]
、基于 VMD-SSA-ELM-LSTM(singular spectrum analysis,SSA;extreme
learning machine,ELM)的风速多步预测组合模型
[15]
. 最近几年,随着深度学习和神经网络兴起,钱勇生
等将 LSTM-attention 和 CNN 组合用于风速的预测
[16]
,充分验证了神经网络处理时序数据有效性.
综上所述,传统单一的 ARMA 模型在非线性、非平稳数据的预测上很难达到预期的效果,单一的
SVR 模型、LSTM 模型在一些风速数据预测上存在预测滞后等问题,ARMA-ANN 模型未考虑风速在频域
上的特征与不同频率之间相互影响,基于 EMD 分解和 VMD 分解的组合模型则未充分考虑风速不同频率
信号之间的相互影响. 为了解决上述问题,针对风速的单步预测,本文提出了一种新型的基于
Daubechies 小波分解与重构、VMD、LSTM 和注意力机制的短期风速组合预测模型 WD-VMD-DLSTM-
AT,对风速数据的频域和时域特征加以学习. 在此基础上,针对风速多步预测问题,提出了一种基于注意
力机制多输入多输出的编码解码模型 MMED-AT,进一步提升风速多步预测的稳定性. 风速预测按照不同
的范围可以分为 4 个时间段:超短期(几秒到几分钟),短期(15 min 到 48 h),中期(48 h 到 1 周)和长期(1
周到数年)
[17]
. 本文主要研究短期风速预测中的单步 1 h 和多步 5 h 的风速预测.
1 相关理论和方法 1.1 WD 小波分解与重构
评论0
最新资源