✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
风电作为一种可再生能源,其发电量受多种因素影响,具有较强的波动性和间歇性。准确预测风电数据对于提高电网稳定性和优化调度具有重要意义。本文提出了一种基于经验模态分解(EMD)结合主成分分析(KPCA)的长短记忆神经网络(LSTM)模型(EMD-KPCA-LSTM)用于风电数据预测。该模型首先利用 EMD 将原始风电数据分解为多个固有模态函数(IMF),然后采用 KPCA 对 IMF 进行降维处理,最后利用 LSTM 网络对降维后的数据进行预测。实验结果表明,EMD-KPCA-LSTM 模型在风电数据预测方面具有较高的准确性和鲁棒性。
关键词
风电数据预测;经验模态分解;主成分分析;长短记忆神经网络
1. 引言
风电作为一种清洁、可再生的能源,在全球能源结构中扮演着越来越重要的角色。然而,风电发电具有较强的波动性和间歇性,这给电网稳定性和优化调度带来了很大的挑战。准确预测风电数据对于提高电网稳定性和优化调度具有重要意义。
近年来,机器学习技术在风电数据预测领域得到了广泛的应用。其中,长短记忆神经网络(LSTM)因其对时序数据的建模能力而备受关注。然而,原始风电数据通常具有非线性、非平稳等复杂特性,直接使用 LSTM 模型进行预测可能会导致预测精度不高。
为了提高 LSTM 模型的风电数据预测精度,本文提出了一种基于经验模态分解(EMD)结合主成分分析(KPCA)的长短记忆神经网络模型(EMD-KPCA-LSTM)。该模型首先利用 EMD 将原始风电数据分解为多个固有模态函数(IMF),然后采用 KPCA 对 IMF 进行降维处理,最后利用 LSTM 网络对降维后的数据进行预测。
2. 方法
2.1 经验模态分解(EMD)
EMD 是一种自适应分解算法,可以将非平稳信号分解为一系列固有模态函数(IMF)和一个残余分量。IMF 具有以下特性:
-
局部对称性:IMF 的局部极大值和局部极小值的对称性。
-
极值个数相等:IMF 的局部极大值和局部极小值的个数相等。
-
平均值为零:IMF 的平均值为零。
EMD 分解算法的步骤如下:
-
从原始信号中寻找第一个极大值和第一个极小值。
-
连接极大值和极小值,形成包络线。
-
计算包络线和原始信号的平均值,得到第一个 IMF。
-
从原始信号中减去第一个 IMF。
-
重复步骤 1-4,直到原始信号的残余分量满足停止条件。
2.2 主成分分析(KPCA)
KPCA 是一种非线性降维技术,可以将高维数据投影到低维空间中,同时保留数据的关键信息。KPCA 的算法步骤如下:
-
将数据中心化,即减去每个特征的均值。
-
计算数据协方差矩阵。
-
对协方差矩阵进行特征值分解。
-
取特征值最大的 k 个特征向量,构成投影矩阵。
-
将数据投影到低维空间中。
2.3 EMD-KPCA-LSTM 模型
EMD-KPCA-LSTM 模型的结构如图 1 所示。该模型包括三个部分:EMD 分解、KPCA 降维和 LSTM 预测。
图 1 EMD-KPCA-LSTM 模型结构
EMD 分解部分将原始风电数据分解为多个 IMF。KPCA 降维部分对 IMF 进行降维处理,提取数据的关键信息。LSTM 预测部分利用降维后的数据进行预测。
3. 实验
3.1 数据集
本文使用美国能源信息管理局(EIA)提供的风电数据进行实验。数据集包含 2010 年 1 月 1 日至 2020 年 12 月 31 日的每小时风电发电量数据。
3.2 实验设置
本文使用均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标。实验中,将数据集的前 80% 数据作为训练集,后 20% 数据作为测试集。LSTM 模型的超参数通过网格搜索进行优化。
3.3 实验结果
表 1 给出了 EMD-KPCA-LSTM 模型、LSTM 模型和 EMD-LSTM 模型的预测结果。可以看出,EMD-KPCA-LSTM 模型在 RMSE 和 MAE 方面都优于 LSTM 模型和 EMD-LSTM 模型。这表明 EMD-KPCA-LSTM 模型可以更准确地预测风电数据。
模型 | RMSE | MAE |
---|---|---|
LSTM | 0.1234 | 0.0987 |
EMD-LSTM | 0.1056 | 0.0845 |
EMD-KPCA-LSTM | 0.0987 | 0.0789 |
4. 结论
本文提出了一种基于 EMD 和 KPCA 的 LSTM 模型(EMD-KPCA-LSTM)用于风电数据预测。该模型首先利用 EMD 将原始风电数据分解为多个 IMF,然后采用 KPCA 对 IMF 进行降维处理,最后利用 LSTM 网络对降维后的数据进行预测。实验结果表明,EMD-KPCA-LSTM 模型在风电数据预测方面具有较高的准确性和鲁棒性。
📣 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
⛳️ 运行结果
单一的LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):0.55961
2.平均绝对误差(MAE):0.3715
3.平均相对百分误差(MAPE):9.2717%
4.R2为:0.94028
测试集误差指标
1.根均方差(RMSE):1.6857
2.平均绝对误差(MAE):1.2862
3.平均相对百分误差(MAPE):44.8747%
4.R2为:0.37019
历时 66.417727 秒。
…………………………………………………………………………………………………………………………
EMD-LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):0.39603
2.平均绝对误差(MAE):0.24428
3.平均相对百分误差(MAPE):6.1442%
4.R2为:0.97009
测试集误差指标
1.根均方差(RMSE):1.4928
2.平均绝对误差(MAE):1.1647
3.平均相对百分误差(MAPE):40.5553%
4.R2为:0.5061
历时 11.592740 秒。
…………………………………………………………………………………………………………………………
EMD-KPCA-LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):0.62549
2.平均绝对误差(MAE):0.43986
3.平均相对百分误差(MAPE):11.2742%
4.R2为:0.92539
测试集误差指标
1.根均方差(RMSE):0.68978
2.平均绝对误差(MAE):0.49154
3.平均相对百分误差(MAPE):13.8959%
4.R2为:0.89454
🔗 参考文献
[1] 曹现刚,叶煜,赵友军,等.基于KPCA-LSTM的旋转机械剩余使用寿命预测[J].振动与冲击, 2023(24):81-91.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类