基于互相关熵长短期记忆网络的短期组合风电功率预测研究

作     者：王鹏 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：段建东;马文涛

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：短期风电功率预测 互相关熵 长短期记忆网络 变分模态分解 样本熵 粒子群优化 

摘      要：随着能源革命的推进,可再生能源因其绿色、低碳、无污染特性引起了全球的广泛关注。其中风能因其清洁、分布广泛等特性已经成为了最具有潜力的可替代能源之一。然而,风能具有间歇性、随机性、波动性等固有特性,这严重制约了其利用效率。开发具有高精度、强鲁棒性的预测模型是提高风能利用效率的有效措施之一。截止目前大多数风电功率预测模型均是基于均方差损失(MSE)设计的,其十分适用于预测误差服从高斯分布的情况。然而,实际风电场中受到诸如气象条件、风机工况、数据收集误差等多个方面随机因素的影响使其存在大量的离群值。同时,风能转换为风电的强非线性过程也会改变风电功率分布特性。这两方面因素均会致使风电功率序列不在完全服从高斯分布。因此,本文分别通过采用对离群值和非高斯分布不敏感的最大互相关熵损失(MCC)和混合互相关熵(MMCC)损失替代经典长短期记忆网络(LSTM)的MSE损失提出了两种更加鲁棒的预测器,并结合数据预处理策略提出了两种组合预测模型。具体研究工作如下:1)为更好的提取风电功率序列局部特征,采用变分模态分解技术(VMD)对原始风电功率进行了平稳化处理,并针对VMD技术需预设分解层数K的缺陷,利用最大互相关熵(MCC)准则提出了自适应变分模态分解算法(IVMD)。随后为提高预测效率及加强子模态之间的相关性,采用样本熵(SE)函数对子模态执行重构,构建了 IVMD-SE数据预处理模型;2)考虑到风电功率序列并非完全服从高斯分布的属性,首先采用最大互相关熵(MCC)损失替代了经典长短期记忆网络(LSTM)的MSE损失,建立了最大互相关熵长短期记忆网络预测器(MCC-LSTM)。随后结合 IVMD-SE 数据预处理策略设计了IVMD-SE-MCC-LSTM组合预测模型;3)考虑到单机数据复杂度、波动性更强的特性,同时为提高MCC损失的灵活性,引入具有拉普拉斯核函数和高斯核函数的混合互相熵(MMCC)损失替换了 LSTM的MSE损失,并利用粒子群优化(PSO)算法对混合系数和核参数进行参数寻优。构建了混合互相关熵长短期记忆网络预测器(PMC-LSTM),最后结合数据预处理策略提出了IVMD-SE-PMC-LSTM组合预测模型;4)应用不同数据集对所开发的预测方法执行了相关实验仿真验证,并与其它现有预测方法进行了比较分析。