基于EEMD-CNN-LSTM的风电机组短期功率预测的可行性分析

陈思羽 胡常鑫

摘要：随着社会的发展，人们对电能的质量和数量的要求也越来越高。风能是当今增长需求最快的能源，在全球能源市场中风电占有很大比率。随着风电机组大量并网，因为风能属于随机波动的不稳定能源的特点，对风电功率进行预测以便安排调度就变得非常重要，本文将对EEMD-CNN-LSTM网络对于风电功率预测的可行性进行分析和原理介绍。

关键词：风电机组;卷积神经网络;LSTM;EEMD

引言

由于风电机组在运行过程中很容易受到外界环境因素的影响而改变当前的工作状态进而造成发电功率波动。但是由于外界环境变化呈现出显著的非线性、非平稳等复杂特性，这使得风电功率预测成为一项极具挑战的研究课题。此前有學者使用统计学、机器学习等方法应用于风电的超短期、中长期等功率预测并取得了良好的效果，然而与这些方法相比，深度学习采用无监督学习的逐层特征提取，更具良好的非线性能力并可表示更加复杂的函数。而且深度学习不仅具有很高的数据预测精度还可以缓解过拟合的问题，有很强的泛化能力。对于风电功率存在一定的时间变化规律的特性，长短期记忆神经网络等深度学习算法能够非常好的将时间规律加以应用。

1 卷积神经网络

（1）卷积神经网络作为神经网络的一种分支，一直在时间序列数据预测、图像处理等领域有着广泛应用。由于卷积神经网络具有强大的特征提取能力和空间关联能力，使得其在进行预测和识别数据的时候相比BP神经网络具有更高的精度，并且卷积神经网络过滤器复用的特点使得参数数量相比BP神经网络也大大减小，既提高了训练速度也提高了训练精度。

（2）由于风电功率数据具有较长的时间关联性，此前有人将CNN与循环神经网络相结合以获得相较单一卷积神经网络更长的时间变化特征，在效果验证上相比较单一的CNN预测而言和循环神经网络相结合的卷积神经网络也确实具有更高的预测精度。

2 时间序列分解（EEMD）

经验模态分解对于处理波动信号非常具有优势。此前与经验模态分解类似的有傅立叶分解法和小波分解法。小波分解法和傅里叶分解发是建立在先验性的谐波基函数和小波基函数上的。与之相比经验模态分解无须像傅里叶分解和小波分解法一样设定基函数，其可自动分解为多个IMF函数而无须人工干预。因此经验模态分解相比较传统方法而言具有更加广泛的适用性，在处理非线性和非平稳数据上具有显著优势。经验模态分解的输入为待分解信号，输出为本证模函数。并且分解出来的各IMF具有的局部特征信号具有不同的频率。Wu和Huang基于上述方法的基础上对EMD进行改进，使用噪声数据对分解过程进行辅助优化，即EEMD，将时间序列数据分解为一系列不同波动频率且相互独立的本征模函数，相比较EMD而言EEMD有效的解决了EMD的混频现象。其分解原理是：首先对将要分解的风电功率时间序列数据增加白噪声，再分解处理后的数据，重复多次上述操作，最后对多次分解后的IMF分量求均值进而求出最终的本证模函数。

3 游程编码

为了得到EEMD分解后得到的本征模函数的波动状态，并对波动程度进行量化，这里使用游程编码的方法对EMD进行检验对于任意的IMF分量，计算其均值为如果则观测值记为0，反之则记为1。从0和1交替的程度即可判断波动程度。

4 CNN-LSTM优化网络

对于长期以来问题，在进行反向传播计算时会出现非常强烈的衰减，其衰减的结果会导致传统的循环神经网络丢失长期依赖的特征和细节，为了弥补传统的循环神经网络丢失长期特征的缺陷，更多的循环神经网络的变种网络被提出，其中 Long Short-Term Memory 表现最为出色。使用 LSTM 模块后，当误差从输出层反向传播回来时，可以使用模块的记忆元记下来。所以 LSTM 可以记住比较长时间内的信息。

作为一种改进的循环神经网络，长期和短期记忆网络可以解决循环神经网络无法解决长距离依赖，梯度爆炸和梯度消失的问题，在处理序列数据方面非常有效。

长短期记忆网络细胞架构如图3-1所示，其中h 是隐藏状态，表示的是短期记忆;C是细胞状态，表示的是长期记忆;x表示输入。

基于上述对CNN和GRU神经网络结构的探，究可以发现，CNN可以通过卷积和池化过程有效捕捉风电功率变化数据的局部关联特性，学习、提取输入时间序列数据中所隐含的重要信息。LSTM神经网络则可以实现对风电功率运行数据长期、短期依赖特征的自动识别与捕捉。将二者结合，构建CNN-LSTM神经网络则可有效结合二者在数据处理方面的优势。因此，构建基于CNN-LSTM 神经网络的风电功率预测模型更具有效性。

所以基于上述分析对于风电功率预测模型的构建应采用EEMD与游程判定法将风电运行数据分解、重构为低频分量、高频分量和趋势项，然后采用诸如BP神经网络、支持向量机等机器学习算法以及诸如LSTM神经网络、CNN-LSTM神经网络等深度学习算法对不同频率的分量分别预测，最后将各分量的预测结果进行集成，以得到风电短期乃至中期功率预测的最终预测值。

结语

风电功率预测对于电网运行调度来说是非常有必要的，随着深度学习的不断发展各种网络拓扑结构层出不穷，风电功率预测的手段也需要不断发展和进步，而EEMD的提出和CNN-LSTM混合网络的运用对于风电功率预测也起到了推动作用，将深度学习的卷积神经网络和LSTM长短期记忆网络联合应用于预测模型的构建可以充分考虑到风电功率变化的非线性、非平稳特征的同时充分捕捉风电功率变化的相关特征以及不同组风电功率数据之间的时空关联性，经过本文对于LSTM，CNN和EEMD及游程编码法的研究发现其特性十分适合风电功率预测，在功率预测方面具有很大的研究意义，但是如何将风电运行数据与深度学习网络深度融合而不是简单的使用神经网络的非线性拟合分类能力仍然值得我们进一步研究。

参考文献：

[1]  李佳睿，岳建海. 基于HHT及共振解调方法的动车组走行部轴箱轴承故障诊断算法[J]. 北京交通大学学报，2017，41（004）：85-90.

[2]  蔡江林，戚晓利，叶绪丹，等. 一种基于经验模态分解和流形学习的滚动轴承故障诊断方法[J]. 井冈山大学自然版，2017（2）.

[3]  张翀. 基于EMD去噪方法研究[J]. 电脑知识与技术，2010（35）：10113-10115.

[4]  刘书朋，陈志强，陈娜，等. 一组基于Tensorflow的CNN-RNN的融合架构实验[J]. 工业控制计算机，2019，32（008）：66-68.

作者简介：陈思羽（1993-5月-18日），汉，男，黑龙江省鸡西市鸡东县，硕士研究生，研究方向：人工智能在风电故障检测上的应用。

（作者单位：1.黑龙江科技大学  电气与控制工程学院;2.国网辽宁省电力有限公司葫芦岛供电公司）