基于小波變換的神經(jīng)網(wǎng)絡(luò)混合風(fēng)速預(yù)測(cè)模型的應(yīng)用研究

李生鵬*，孫志鋼，任艷男

(1.國(guó)網(wǎng)甘肅電力科學(xué)研究院，甘肅蘭州，730070；2.蘭州隴能電力科技有限責(zé)任公司，甘肅蘭州，730070）

基于小波變換的神經(jīng)網(wǎng)絡(luò)混合風(fēng)速預(yù)測(cè)模型的應(yīng)用研究

李生鵬1*，孫志鋼2，任艷男1

(1.國(guó)網(wǎng)甘肅電力科學(xué)研究院，甘肅蘭州，730070；2.蘭州隴能電力科技有限責(zé)任公司，甘肅蘭州，730070）

風(fēng)速的隨機(jī)性和不平穩(wěn)性，使得準(zhǔn)確預(yù)測(cè)風(fēng)速十分困難。本文提出了一種新的混合模型WTT-DES-RBFNN來對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)，該模型將小波變換技術(shù)（WTT）和混合模型DES-RBFNN結(jié)合起來。首先利用WTT對(duì)風(fēng)速序列進(jìn)行去噪處理，再用二次指數(shù)平滑（DES）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）的混合模型對(duì)去噪后的數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到原始數(shù)據(jù)的預(yù)測(cè)值。本文以河北某電廠平均每天的實(shí)測(cè)風(fēng)速作為原始數(shù)據(jù)，與其他模型的對(duì)比結(jié)果表明，混合模型WTT-DES-RBF對(duì)改善預(yù)測(cè)精度是有效的。

風(fēng)速預(yù)測(cè)；小波變換；二次指數(shù)平滑；RBF神經(jīng)網(wǎng)絡(luò)

引言

近年來，由于全球污染嚴(yán)重，新能源的產(chǎn)生引起了學(xué)者們廣泛的關(guān)注，風(fēng)能作為一種無污染和可再生的新能源，有著巨大的發(fā)展?jié)摿?。風(fēng)能就是空氣的動(dòng)能，風(fēng)能的大小主要決定于風(fēng)速。所以，準(zhǔn)確的風(fēng)速預(yù)測(cè)對(duì)于改善風(fēng)能系統(tǒng)的可靠性是十分重要的。在過去二十年中，提出了許多預(yù)測(cè)風(fēng)速的方法，大體上，可以將這些方法分為兩類：一類是統(tǒng)計(jì)模型，比如差分自回歸移動(dòng)平均（ARIMA）模型，但是這些統(tǒng)計(jì)模型在預(yù)測(cè)精度方面沒有很好的效果，因?yàn)轱L(fēng)速序列具有隨機(jī)性和非平穩(wěn)性，而這些模型只顧及到了序列的線性部分，忽略了非線性部分；另一類是人工智能（AI）模型，是為了克服統(tǒng)計(jì)模型的局限性而提出的，包括人工神經(jīng)網(wǎng)絡(luò)等模型，而AI對(duì)于提高風(fēng)速預(yù)測(cè)精度是比較有效果的。

由于風(fēng)速受地形和氣候等因素的綜合影響，所以風(fēng)速序列是不穩(wěn)定并且含有噪聲的，而直接預(yù)測(cè)這樣含有噪聲的序列會(huì)產(chǎn)生較大的誤差。小波變換在處理非穩(wěn)定信號(hào)中應(yīng)用十分廣泛，比如濾波、去噪、壓縮、傳遞等，所以，本文提出了一種基于WTT-DES-RBF混合模型的風(fēng)速預(yù)測(cè)，單個(gè)模型分別對(duì)數(shù)據(jù)中不同部分進(jìn)行處理，從而達(dá)到改善精度的目的。

1 模型介紹

1.1 小波變換和去噪

小波變換技術(shù)是數(shù)據(jù)預(yù)處理的一個(gè)基本工具，廣泛的應(yīng)用于去噪和提取非平穩(wěn)時(shí)間序列的基本特征，它的基本思想和傳統(tǒng)的傅里葉變換是一致的，主要分為連續(xù)小波變換和離散小波變換。

連續(xù)小波變換（CWT）的表達(dá)式為：

其中，f(x)是平方可積，a是尺度參數(shù)，b是平移參數(shù)，是的復(fù)共軛。

在實(shí)際應(yīng)用中，為了方便計(jì)算機(jī)進(jìn)行分析、 處理，信號(hào)f(x)都要離散化成離散序列，a 和 b 也必須離散化，成為離散小波變換（DWT），選取，則可得到離散小波變換：

我們知道，一個(gè)含噪聲的一維信號(hào)的模型可表示為：

其中，f(x)為真實(shí)信號(hào)，e(x)為噪聲信號(hào)，s(x)為含噪信號(hào)。真實(shí)信號(hào)f(x)通常表現(xiàn)為低頻信號(hào)或較平穩(wěn)的信號(hào) ，e(x)通常表現(xiàn)為高頻信號(hào)，所以消噪過程可按以下方法進(jìn)行處理。

首先對(duì)實(shí)際信號(hào)進(jìn)行小波分解，選擇小波并確定分解層次為N，則噪聲部分通常包含在高頻中；然后對(duì)小波分解的高頻系數(shù)進(jìn)行門限閾值量化處理；最后根據(jù)小波分解的第 N 層低頻系數(shù)和經(jīng)過量化后的1 ～ N 層高頻系數(shù)進(jìn)行小波重構(gòu)，達(dá)到消除噪聲的目的，對(duì)信號(hào)降噪實(shí)質(zhì)上是抑制信號(hào)的噪聲，在實(shí)際信號(hào)中恢復(fù)真實(shí)信號(hào)的過程。在對(duì)小波系數(shù)作門限閾值處理操作時(shí)，可以使用軟閾值處理方法或硬閾值處理方法。

1.2 二次指數(shù)平滑

其中

1.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)是一種三層向前網(wǎng)絡(luò)，第一層為輸入層，由信號(hào)源結(jié)點(diǎn)組成；第二層為隱含層，隱含單元數(shù)量由所描述問題決定，隱單元的變換函數(shù)是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)；第三層為輸出層，它對(duì)輸入模式的作用作出響應(yīng)。從輸入空間到隱含層空間的變換是非線性的，而從隱含層空間到輸出了解變換是線性的。

由輸入層、隱含層和輸出層構(gòu)成的一般RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用距離函數(shù)，并使用RBF函數(shù)（如高斯函數(shù)）作為激活函數(shù)。RBF函數(shù)關(guān)于n維空間的一個(gè)中心點(diǎn)具有徑向?qū)ΨQ性，而且神經(jīng)元的輸入離該中心點(diǎn)越遠(yuǎn)，神經(jīng)元的激活程度就越低。RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是以輸入向量和權(quán)值向量之間的距離作為自變量的。RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)的一般表達(dá)式為

從總體上看，RBF函數(shù)由輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出隊(duì)可調(diào)參數(shù)而言卻又是線性的，這樣網(wǎng)絡(luò)的權(quán)值就可以用最小方差計(jì)算、遞推最小二乘法等計(jì)算，從而大大加快了學(xué)習(xí)速度并避免了局部極小問題。

1.4 混合模型

本文所提出的WTT-DES-RBF混合模型步驟如下：

步驟1：小波去噪。原始數(shù)據(jù)通過WTT被分解成低頻部分和高頻部分，低頻部分代表了原始數(shù)據(jù)的而主要特征，而高頻部分常被稱為噪聲信號(hào)。這一步就是把原始數(shù)據(jù)的主要特征提取出來，并且把噪聲項(xiàng)移除。

步驟2：預(yù)測(cè)線性成分。DES用來預(yù)測(cè)低頻部分的線性成分。

步驟3：預(yù)測(cè)非線性成分。RBF用來預(yù)測(cè)低頻部分的非線性成分，非線性成分是原始低頻數(shù)據(jù)和上一步DES模型預(yù)測(cè)值的差值。

步驟4：預(yù)測(cè)原始風(fēng)速序列。原始風(fēng)速序列的預(yù)測(cè)值是通過把BRF的預(yù)測(cè)值和DES的預(yù)測(cè)值加起來得到的。

2 數(shù)據(jù)及模型比較

2.1 精度指標(biāo)

為了檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果，本文采用三個(gè)評(píng)價(jià)指標(biāo)，分別為平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）、平均絕對(duì)百分比誤差（MAPE）。

其中 yi為原始數(shù)據(jù)，為預(yù)測(cè)值，為數(shù)據(jù)個(gè)數(shù)。

本文以河北某風(fēng)電場(chǎng)2013年10月1日

——2014年9月21日平均每天的實(shí)測(cè)風(fēng)速序列作為數(shù)據(jù)樣本，共356個(gè)樣本點(diǎn)，利用前90%（320個(gè)）的數(shù)據(jù)作為模型的訓(xùn)練集，后10%（36個(gè)）作為模型的測(cè)試集，原始風(fēng)速序列如圖2.

2.2 數(shù)據(jù)采集

圖2 原始數(shù)據(jù)

從圖2中可以看到有較明顯的噪聲，WTT被用于去除原始序列中的噪聲信息。小波函數(shù)有很多種，本文使用db1對(duì)原始訓(xùn)練集進(jìn)行去噪處理。圖3是去噪后的低頻數(shù)據(jù)和高頻數(shù)據(jù)。

圖3 去噪處理后數(shù)據(jù)

2.3 原始數(shù)據(jù)預(yù)測(cè)結(jié)果

由于風(fēng)速序列不具有季節(jié)性，所以直接對(duì)低頻部分進(jìn)行預(yù)測(cè)，使用的模型為DES-RBF.圖4顯示的是該模型的預(yù)測(cè)結(jié)果與原始數(shù)據(jù)的比較。

2.4 模型比較

為了檢驗(yàn)所提出的這個(gè)模型有較好的精度，該模型與RBFNN、WTT-RBF、DES-RBF、ARIMA進(jìn)行比較。比較結(jié)果如表1所示，可以很清楚的看到本文所提出這個(gè)混合模型在三個(gè)精度指標(biāo)中都是最小的，所以該模型有較好的預(yù)測(cè)能力。這說明了

WTT-DES-RBF模型充分利用了單個(gè)模型的優(yōu)點(diǎn)，抓住了風(fēng)速序列中的不同信息。所提出的模型在改善預(yù)測(cè)精度方面是有效的。

圖4 預(yù)測(cè)數(shù)據(jù)與原始數(shù)據(jù)

表1 各種預(yù)測(cè)模型效果比較

3 結(jié)束語(yǔ)

新能源成為主力電源是未來發(fā)展的一種趨勢(shì)，而準(zhǔn)確的風(fēng)速預(yù)測(cè)模型對(duì)于風(fēng)電場(chǎng)出力預(yù)測(cè)具有重要意義。風(fēng)速具有隨機(jī)性和間歇性的特點(diǎn)，針對(duì)此特點(diǎn)，提出了結(jié)合WTT、DES、RBF三種算法的混合模型。該混合模型，首先用WTT模型將原始數(shù)據(jù)被分解成低頻與高頻兩個(gè)部分，低頻部分體現(xiàn)了原始數(shù)據(jù)的主要特征，而高頻部分屬于噪聲信號(hào)，將原始數(shù)據(jù)分解為低頻和高頻部分，相當(dāng)于提取出主要特征。然后用DES模型預(yù)測(cè)低頻部分?jǐn)?shù)據(jù)，得到低頻部分的預(yù)測(cè)數(shù)據(jù)。低頻部分的非線性部分用RBF神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)。將線性和非線性部分的預(yù)測(cè)值加起來，得到原始數(shù)據(jù)的預(yù)測(cè)值。

WTT-DES-RBF混合模型將數(shù)據(jù)進(jìn)行劃分，再充分利用了單個(gè)模型在線性預(yù)測(cè)和非線性預(yù)測(cè)的優(yōu)勢(shì)，預(yù)測(cè)結(jié)果表明該預(yù)測(cè)模型相比較與其他混合模型，預(yù)測(cè)效果有所提高，對(duì)于風(fēng)速預(yù)測(cè)模型的研究具有積極意義。該混合模型在風(fēng)速序列短期預(yù)測(cè)具有改善精度的效果，但這只是對(duì)風(fēng)速的點(diǎn)預(yù)測(cè)，在以后的研究中可以對(duì)長(zhǎng)期預(yù)測(cè)進(jìn)行探討，也可以對(duì)其他的一些模型進(jìn)行混合或組合來改善預(yù)測(cè)精度。

[1]劉冰,郭海霞.MATLAB神經(jīng)網(wǎng)絡(luò)超級(jí)學(xué)習(xí)手冊(cè)[M].北京:人民郵電出版社.2014,p:194-216.

[2]陳德生.基于小波變換的短期風(fēng)速預(yù)測(cè)綜合模型的研究[D].湖南大學(xué)碩士學(xué)位論文.2012,p:10-15.

[3]馬旭東,詹毅,馬永琴.不同信號(hào)的小波變換去噪方法[J].石油地球物理勘探.2007,p118-123.

[4]肖永山,王維慶,霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)速時(shí)間序列預(yù)測(cè)研究[J].節(jié)能技術(shù).2007,25(142):106-108.

[5]譚志忠,劉德有,王豐.風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)的RBF神經(jīng)網(wǎng)絡(luò)模型[J].抽水蓄能電站工程建設(shè)文集.2008.247-251.

[6]王莉,王德明,張廣明,等.基于粗糙集和RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)模型[J].南京工業(yè)大學(xué)學(xué)報(bào).2011.

[7]Jujie Wang,Wenyu Zhang,et al.A novel hybrid approach for wind speed prediction.Information Sciences 273(2014):304-318.

[8]Wenyu Zhang,Jujie Wang et al.Short-term wind speed forcasting based on a hybrid model.Applied Soft Computing 13(2013):3225-3233.

[9]李平,李衛(wèi)國(guó),王志國(guó).小波去噪理論及MATLAB實(shí)現(xiàn)研究[J].現(xiàn)代商貿(mào)工業(yè).2008.

Based on the Wavelet Neural Network Hybrid Wind Speed Forecasting Model of Applied Research

LI Shengpeng1*,SUN Zhigang2,REN Yannan1
（1.Gansu power science research institute,guo.com,Gansu Lanzhou,730070,China; 2.Lanzhou longeng power technology co.,LTD.,Gansu Lanzhou,730070,China)

The randomness and instability of wind speed make it difficult to predict wind speed accurately.In this paper,a new hybrid model,WTT-DES-RBFNN,is proposed for short-term prediction of wind speed.This model combines wavelet transform (WTT) and hybrid model DES-RBFNN.We use WTT for wind speed sequence denoising,using two exponential smoothing (DES) and radial basis function neural network (RBFNN) hybrid model to forecast the denoised data,the original data value prediction.In this paper,the daily average wind speed of a power plant in Hebei is used as the original data,and the comparison with other models shows that the hybrid model WTT-DES-RBF is effective in improving the prediction accuracy.

wind speed prediction; wavelet transform; two exponential smoothing; RBF neural network

TP73

A

1672-9129(2017)04-0041-04

李生鵬,孫志鋼,任艷男.基于小波變換的神經(jīng)網(wǎng)絡(luò)混合風(fēng)速預(yù)測(cè)模型的應(yīng)用研究[J].數(shù)碼設(shè)計(jì),2017,6(4):41-44.

Cite：LI Shengpeng,SUN Zhigang,REN Yannan.Based on the Wavelet Neural Network Hybrid Wind Speed Forecasting Model of Applied Research [J].Peak Data Science,2017,6(4):41-44.

10.19551/j.cnki.issn1672-9129.2017.04.012

2017-01-06；

2017-02-10。

李生鵬（1991-）男，碩士，甘肅省景泰人，甘肅省電力公司電力科學(xué)研究院，研究方向：電廠自動(dòng)化。E-mail:710008501@qq.com