短期风速预测精度得到提高关键词相空间重构互信息法虚假

基于相空间重构的神经网络短期风速预测基于相空间重构的神经网络短期风速预测第11卷第1期2012年2月江南大学自然科学版JournalofJiangnanUniversityNaturalScienceEditionVo111N01Feb20l2基于相空问重构的神经网络短期风速预测廖志强李太福余德均程杨4姚立忠1西安石油大学电子工程路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理学院陕西西安7100652重庆科技学院电气与信息学院重庆4013313重庆电力高等专科学校实践教学部重庆4000534重庆市农业科学院重庆401329摘要针对风速具有较强的混沌特性预测难度较大提出了一种基于相空间重构的神经网络短期风速预测方法对数据进行小波降噪运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数对样本空间进行重构使新的样本能够表关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf征原始时间序列动态特性更能反映风速变化特性在此基础上运用BP神经网络进行短期风速预测实验结果表明短期风速预测精度得到提高关键词相空间重构互信息法虚假最近邻点法BP神经网络风速预测中图分类号TP183文献标识码A文章编号201001405Short-TermWindSpeedForecastingofNeuralNetworkBasedonPhaseSpaceReconstructionLIAOZhiqiangLITaifuYUDe-junCHENGYang4YAOLizhong1CollegeofElectronicEngineeringXihnShiyouUniversityXihn710065China2DepartmentofElectricalandInformationEngineeringChongqingUniversityofScienceandTechnologyChongqing401331China3DepartmentofTeachingPracticeChongqingElectricPowerCollegeChongqing400053China4ChongqingAcademyofAgriculturalSciencesChongqing401329ChinaAbstractConsideringthewindspeedbuilt-inastrongchaoscharacteristicanddifficulttoforecastashort-termwindspeedpredictionmethodbasedonphasespacereconstructionandneuralnetworkisproposedtopredictwindspeeddataoftimeseriesThedatanoisesarereducedbywaveletdenoisingOptimaldelaytimeisobtainedbymutualinformationmethodandembeddingdimensionisalsocalculatedbyfalsenearestneighborFNNmethodwhichreco神经网络风速预测

nstructedthesamplespaceThenewspacecannotonlybecharacterizedbythedynamiccharacteristicsoftheoriginaltimeseriesbutalsoreflectthecharacteristicsofwindFinallyBPnetworkcanbeusedtoforecastshorttermwindspeedTheexperimentalresultsshowthattheaccuracyofshorttermwindspeedpredictionisimprovedKeywordsphasespacereconstructionmutualinformationmethodfalsenearestneighborBPNNwindspeedforecast鉴于石油天然气煤炭等燃料13益枯竭并对环境造成污染各国都在积极发展各种绿色能源技术风力发电作为一种绿色的可再生能源越来越受到人们的重视由于受温度气压地形海拔纬度等的影响风具有波动性间歇性等特点尤其当风力发电装机容量不稳定时对保证电能稳定供应收稿日期20111014修订日期20111202基金项目国家自然科学基金项目51075418重庆市自然科学基金项目CSTC2008BB2356作者简介廖志强1988一男福建三明人检测技术及其自动化装置专业硕士研究生通信作者李太福1971一男ltll资阳人教授硕士生导师主要从事计算智能等研究Emaillitaifuemailqqeom第1期廖志强等基于相空间重构的神经网络短期风速预测15是一个严峻的挑战所以通过短期风速的预测及时作出调度计划项目进度计划表范例计划下载计划下载计划下载课程教学计划下载显得非常重要风速时间序列的预测通常是将其外部特性视为某个单变量的时间序列进行预测目前国内外对短期风速的预测取得了一定的成果文献[34]把风速作为状态变量建立状态空间模型用卡尔曼滤波算法实现风速预测该方法是在假定噪声统计特性已知的情况下得出的这正是该方法应用的局限性文献[5]利用大量的历史数据建模经过模型识别参数估计模型检验来确定一个能够描述所研究时间序列的数学模型但其存在低阶模型预测精度低高阶模型参数估计难度大的不足文献[6-7]认为风速预测值等于最近几个风速历史值的滑动平均值仅简单地把最近一点的风速观测值作为下一点的风速预测值该模型的预测误差较大且预测结果不稳定文献[810]提出的人工神经网络法是对非线性特性变量的一种有效预测方法而其中模型输入变量的选择以及模型结构的确定至今仍是研究的难点文献[11]提出空间相关法利用相邻几个地点风速之间的空间相关性进行风速预测该法需要考虑风电场以及与之临近的几个地点的风速时间序列增加了预测的硬件条件针对以上各种短期风速预测方法存在的某些不足利用混沌相空间重构方法该方法能够有效地改善上述各方法的一些不足通过Lyapunov指数可以证明风速时间序列本身具有的混沌特性而混沌时间序列在短期内是可以预测的因此利用混沌相空间重构理论可以还原风速时间序列的非线性动力特性然后使用一定预测模型可以进行短

期风速预测文中考虑将风速时间序列作为原始样本利用小波分析中的小波降噪方法去除由人为引起或采集设备等引起的一些噪声对去噪后数据采用混沌相空间重构方法通过确定一组最佳嵌入维数和延迟时间来实现原始混沌时间序列的相空间重构获得能够表征原始时间序列动态特性的新的样本空间最后用BP神经网络对重构后的样本空间进行建模并预测对某风电场的风速时间序列进行两小时的短期预测并对比分析相空间重构前后神经网络的预测结果1相空间重构理论基础Takens定理认为系统中任一分量的演化都是由与之相互作用着的其他分量所决定的因此这些相关分量的信息隐含在任一分量的发展过程中重构系统相空间只需考察一个分量通过某些固定的延时点上的观测值找到m维向量就可以重构出一个等价的相空间所以如何选择适当的嵌入维数m和延迟时间是相空间重构的主要研究内容通过文献[16]中可以知道在混沌时间序列相空间中运用互信息法求延迟时间和用虚假邻点法求嵌入维数适用于风速时间序列文中即采用这两种方法求相空间重构参数11互信息法求延迟时间互信息法在相空间重构有广泛的应用Shaw首先提出以互信息法第一次达到最小值时的时滞作为相空间重构的最佳嵌入时间延迟互信息法的根据是可由事件b在集合中发生的概率得到关于事件a在集合中发生概率的信息由香农信息理论可从事件bi中得到事件a的信息为-lb1a6之间的关系可用互信息熵来表示b2应用上述互信息理论定义集合A为Aat0丁集合为Bbt0丁丁则式2变为丁PxtoiTxt0rr×告等通常开始时非常大因此可以从27tt0得到无穷多的信息很大时tiT和27t对于混沌信号来说是完全无关的当r一时丁一0一般选取互信息函数互信息熵IA丁第一个极小值时的为延迟时间12虚假最近邻点法FNN求嵌入维数m维相空间中相点为tttm一1丁t12m每个相点都存在某个距离内的最近邻点其距离为RtllXt一tlI当相空间的维数从m增加到m1时这丽个相点的距离会发生变化此时1tR2mXtmr一tm7-Il4当Rt比t有较大变化时可以认为是由于高维奇异吸引子中两个相邻的点在低维相空间变成伪最近邻点令16江南大学自然科学版第11卷一二生l_r一Rt若SgtS则t是X的虚假最近邻点阈值5可在[1050]之问选择对实测时间序列从嵌入维数的最小值开始计算伪最近邻点的比值当增加嵌入维m到伪最近邻点的比值小于5或者伪最近邻点不再随着嵌入维数rn的增加而减少时可以认为奇异吸引子完全展开此时的m即为最佳嵌入维数2基于相空间重构的风速预测模型针对风速特性中混沌性的特点文中采用神经网络中最常用的BP神经网络建模来验证相空间重构的优势具体做法是首先从某风电场取出的历史风速数据进行小波降噪然后对这些数据进行相空间重构将重构后的相空间数据用BP神经网络建模进行2h的短期风速预测流程快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程流程圣经pdf制作流程表下载图见图1数据预处理I相空间重构lBP神经网络建模预测图1混沌BPNN建模步骤Fig1ProcedureofchaoticBPNNmodeling3仿真实验31预测模型的评价指标选择合理科学的误差指标对判定预测效果意义重大文中用下列式子检验预测效果均方误差平

均绝对误差M平均相对误差MAPE其中e为绝对误差为预测点数s为观测值32风速时间序列数据去噪取某风电场数据2872组首先对数据进行图2小运馨酒样本序号原始数据序列样本序号消噪后的数据序列藿墨o一5占T样_奉序号误差数据序列图2小波去噪Fig2Waveletde-noising从图2可以看出经过小波降噪后风速时间序列的数据质量明显好转降噪后的数据质量比原始数据的质量高33延迟时间和嵌入维数的求取对所取风速时间序列数据进行小波降噪后求其嵌入维数和延迟时间用互信息法求延迟时间取最大延迟时间为100每一坐标划分的份数为128如图3所示闭妲图3互信息法求延迟时间Fig3Mutualinformationfordelaytime从图3中可以看出在互信息法中互信息函数值第一个极小值点对应为所求的延迟时问即图中的圆点处对应的横坐标值因此所求的延迟时间为12用虚假最近邻点法FNN求嵌入维数其中的参数分别取为延迟时间为l2最大嵌人维数为l0判据1门限为l5判据2门限为2所求图形见图4所示第1期廖志强等基于相空间重构的神经网络短期风速预测17鼎如昂嗌墅划lZj469lU嵌入维数图4虚假最近邻点法求嵌入维数Fig4FalsenearestneighborforembeddingdimensionFNN为从嵌入维数的最小值开始计算伪最近邻点的比值当增加嵌入维m到伪最近邻点的比值小于5或者伪最近邻点不再随嵌入维数m的增加而减少时可以认为奇异吸引子完全展开此时m即为最佳嵌入维数因此所求的嵌入维数为434BPNN建模与预测在Matlab计算中可以根据混沌时间序列的嵌入维数m用m一1作为网络的输入层节点数输出层节点数为1网络的输人输出为样本输入111-4-m一222丁2m一2下xm一2丁样本输出1m一1丁2m一17-N-4-m一1将相空间重构后的数据经过反复训练后确定神经网络的最佳隐层节点数为9下面选取10min为一个点进行预测时问单位为10min预测结果见图56所示硇匿图5BP神经网络预测结果Fig5PredictedoutcomesofBPNN莲j14l靛图6BPNN预测相对误差Fig6RelativeerrorofBPNN从图5可以看出预测值与真实值之间存在差值见表1表1BPNN预测值与真实值比较Tab1ValuedofBPNNpredicted序号真实值预测值序号真实值预测值1117l0979411O12l171078931l053l04l2O5111952l88812127125为对比重构前后的效果对相空间重构前的数据采用1输入1输出即用前一个点预测后一个点的值来构造神经网络预测模型经过反复训练后确定神经网络的最佳隐层节点数为7下面给出重构前后运用评价指标的值见表2表2BP神经网络预测风速性能指标值Tab2ValuedofperformanceindexofBPNNpredicted根据表3的值可以定量地看出运用混沌相空间重构后得到风速时间序列样本空间用BP神经网络建模预测的效果显着4结语

对风速时间序列进行小波降噪消除数据中存在的噪声污染提高风速时问序列数据质量运用混沌相空间重构理论重构样本空间使新的样本能够表征原始时间序列动态特性更能反映风速变化特性运用BP神经网络建模来预测短期风速结果表明预测精度得到提高如舳加m018江南大学自然科学版第ll卷参考文献References[1]MALeiLUANShiyanJIANGChuanweneta1Areviewontheforecastingofwindspeedandgeneratedpower[J]RenewableandSustainableEnergyReviews2009134915-920[2]AoifeMFoleyPaulGLeahyAntoninoMarvugliaeta1Currentmethodsandadvancesinforecastingofwindpowergeneration[J]RenewableEnergy201137118[3]LoukaGPGalanisSiebertNeta1ImprovementsinwindspeedforecastsforwindpowerpredictionpurposesusingKalmanfiltering[J]JournalofWindEngineeringandIndustrialAerodynamics2-2362[4]AndersmalmbergUllaHolstJanHolstForecastingnearsurfaceoceanwindswithKalmanfiltertechniques[J]OceanEngineer-ing20053234273-291[5]HUANGZChalabiZSUseoftime-seriesanalysistomodelandforecastwindspeed[J]JournalofWindEngineeringandIndustrialAerodynamics322[6]ErginErdemJingShiARMAbasedapproachesforforecastingthetupleofwindspeedanddirection[J]APPLiedEnergy2414[7]RajeshGKavasseriKrithikaSeetharamanDay-aheadwindspeedforecastingusingf-ARIMAmodels[J]RenewableEnergy2393[8]ErasmoCadenasWilfridoRiveraShorttermwindspeedforecastinginLaVentaOaxacaM4xicousingartificialneuralnetworks[J]RenewableEnergy2009341274-278[9]ErasmoCadenasWilfridoRiveraWindspeedforecastinginthr

eedifferentregionsofMexicousingahybridARIMAANNmodel[J]RenewableEnergy22738[10]SanchoSalcedoSanzAngelMPerezBellidoEmilioGOrtizGarciaeta1Accurateshorttermwindspeedpredictionbyexploitingdiversityininputdatausingbanksofartificialneuralnetworks[J]Neurocomputing2009724-613361341[11]AlexiadisMCDokopoulosPSSahsamanoglouHSeta1Shorttermforecastingofwindspeedandrelativeelectricalpower[J]SolarEnergy199863161-68[12]AnooshiravanAnsariAsadollahNoorzadHamidZafaranieta1Correctionofhighlynoisystrongmotionrecordsusingamodi-fiedwaveletdenoisingmethod[J]SoilDynamicsandEarthquakeEngineering21181[13]ChanerleyAAAlexanderNACorrectingdatafromanunknownaccelerometerusingrecursiveleastsquaresandwaveletdenoising[J]ComputersandStructures2791692[14]FaanehMalekiBabakBeheshtiAmirhosseinHajihosseinieta1TheBogdanovTakensbifurcationanalysisonathreedimensionalrecurrentneuralnetwork[J]Neurocomputing2663078[15]IsarNejadgholiMohammadHasanMoradiFatemehAbdolaliUsingphasespacereconstructionforpatientindependentheartbeatclassificationincomparisonwithsomebenchmarkmethods[J]ComputersinBiologyandMedicine29[16]HoffmanRESHIWXBunneyBSNonlinearsequencedependentstructureofnigraldopamineneuroninterspikeintervalfiringpatterns[J]BiophysicalJournal37责任编辑杨勇神经网络风速预测