💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
创新点:CEEMDAN-CNN-BiLSTM多变量输入单步预测模型
⛳️赠与读者
👨💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎
💥1 概述
在“基于CEEMDAN-CNN-BiLSTM的风电功率预测研究”中,若探讨一个尚未发表的创新点,可以聚焦于将CEEMDAN(自适应噪声完备集合经验模态分解)与CNN(卷积神经网络)和BiLSTM(双向长短期记忆网络)相结合,以处理多变量输入并实现单步预测。以下是对这一创新点的详细阐述:
创新点:CEEMDAN-CNN-BiLSTM多变量输入单步预测模型
1. CEEMDAN在风电功率预测中的创新应用
-
分解优势:CEEMDAN通过添加自适应噪声解决了传统EMD(经验模态分解)方法中的模态混叠问题,能够更准确地分解风电功率时间序列中的不同频率成分。这种分解有助于揭示风电功率在不同时间尺度上的波动特性,为后续的预测模型提供更丰富的信息。
-
多变量适应性:虽然CEEMDAN通常用于单一时间序列的分解,但本研究创新性地将其应用于多变量输入场景。通过对风速、风向、温度、湿度等气象因素进行CEEMDAN分解,可以分别提取这些变量在不同频率尺度上的特征,进而分析它们与风电功率之间的复杂关系。
2. CNN与BiLSTM的深度融合
-
CNN的特征提取:CNN在图像处理领域表现出色,但在时间序列分析中同样具有强大的特征提取能力。本研究利用CNN从经过CEEMDAN分解后的多变量数据中提取高层次的特征表示,这些特征能够反映不同变量及其分解分量之间的内在联系。
-
BiLSTM的时序建模:BiLSTM作为RNN(循环神经网络)的一种变体,能够捕捉时间序列数据中的长期依赖关系。在本研究中,BiLSTM被用于对CNN提取的特征进行时序建模,以预测未来某一时刻的风电功率。BiLSTM的双向结构使其能够同时考虑过去和未来的信息,从而提高预测的准确性和稳定性。
3. 多变量输入与单步预测的结合
-
多变量输入的重要性:风电功率的波动受多种气象因素的影响,因此多变量输入是提高预测精度的关键。本研究通过引入风速、风向、温度、湿度等气象因素作为输入变量,充分利用它们与风电功率之间的相关性和互补性,提高模型的预测能力。
-
单步预测的优势:相比于多步预测,单步预测具有更低的复杂度和更高的实时性。本研究采用单步预测策略,即根据当前和历史的输入变量预测未来某一时刻的风电功率。这种策略有助于减少误差累积,提高预测的准确性和可靠性。
4. 模型优化与评估
-
模型优化:为了进一步提高模型的预测性能,本研究将采用多种优化策略,如超参数调优、正则化技术、早停法等。这些策略有助于改善模型的泛化能力,防止过拟合现象的发生。
-
性能评估:使用均方误差(MSE)、平均绝对误差(MAE)等性能指标对模型进行评估。同时,通过交叉验证等方法验证模型的稳定性和可靠性。
综上所述,本研究提出的基于CEEMDAN-CNN-BiLSTM的多变量输入单步预测风电功率预测模型,在理论上具有创新性,能够充分利用多变量输入和时序数据的特性,提高风电功率预测的精度和稳定性。这一创新点在实际应用中具有潜在的价值和广阔的前景。
📚2 运行结果
部分代码:
% 此函数可以实现多变量多步输入,和多变量单步输入
% 多变量多步输入时,将n_out设置成大于1的多步预测
% 多变量单步输入时,将n_out设置为1,表示预测未来一步。
% # 关于此函数怎么用,下面详细举例介绍:
% # 构造数据,这个函数可以实现单输入单输出,单输入多输出,多输入单输出,和多输入多输出。
% # 举个例子:
% # 假如原始数据为,其中务必使得数据前n-1列都为特征,最后一列为输出
% # [0.74 0.8 0.23 750.75
% # 0.74 0.87 0.15 716.94
% # 0.74 0.87 0.15 712.77
% # 0.74 0.8 0.15 684.86
% # 0.74 0.8 0.15 728.79
% # 0.72 0.87 0.08 742.81
% # 0.71 0.99 0.16 751.3]
%
% #(多输入多输出为例),假如n_in = 2,n_out=2,scroll_window=1
% # 输入前2行数据的特征,预测未来2个时刻的数据,滑动步长为1。
% # 使用此函数后,数据会变成:
% # 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77 684.86
% # 0.74 0.87 0.15 716.94 0.74 0.87 0.15 712.77 684.86 728.79
% # 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】
%
% # 假如n_in = 2,n_out=1,scroll_window=2
% # 输入前2行数据的特征,预测未来1个时刻的数据,滑动步长为2。
% # 使用此函数后,数据会变成:
% # 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77
% # 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79
% # 0.74 0.8 0.15 728.79 0.72 0.87 0.08 742.81 751.3】
function res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
for i = 1:num_samples
h1 = values(1+scroll_window*(i-1): scroll_window*(i-1)+n_in,1:or_dim);
res{i,1}= h1;
h2 = values(scroll_window*(i-1)+n_in+1 : scroll_window*(i-1)+n_in+n_out,end);
res{i,2} = h2;
end
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]张新生,贺凯璐.基于SSA-CNN的长距离矿浆管道临界流速预测[J].安全与环境学报, 2022.
[2]王华君,惠晶.基于CNN和LSSVM的人脸图像年龄估计方法[J].信息与电脑, 2017(7):3.DOI:10.3969/j.issn.1003-9767.2017.07.034.
[3]范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测[J].中国电机工程学报, 2008, 28(34):6.DOI:CNKI:SUN:ZGDC.0.2008-34-020.
[4]徐曼,乔颖,鲁宗相.短期风电功率预测误差综合评价方法[J].电力系统自动化, 2011.DOI:CNKI:SUN:DLXT.0.2011-12-005.
🌈4 Matlab代码、数据
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取