上海交通大学学报 ›› 2021, Vol. 55 ›› Issue (9): 1080-1086.doi: 10.16183/j.cnki.jsjtu.2020.433
所属专题: 《上海交通大学学报》2021年12期专题汇总专辑; 《上海交通大学学报》2021年“能源与动力工程”专题
王岩a, 陈耀然a, 韩兆龙a,b,c, 周岱a,b,c(), 包艳a,b,c
收稿日期:
2020-12-25
出版日期:
2021-09-28
发布日期:
2021-10-08
通讯作者:
周岱
E-mail:zhoudai@sjtu.edu.cn
作者简介:
王 岩(1994-),男,河北省保定市人,硕士生,研究方向为机器学习在风电中的应用
基金资助:
WANG Yana, CHEN Yaorana, HAN Zhaolonga,b,c, ZHOU Daia,b,c(), BAO Yana,b,c
Received:
2020-12-25
Online:
2021-09-28
Published:
2021-10-08
Contact:
ZHOU Dai
E-mail:zhoudai@sjtu.edu.cn
摘要:
风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的风速预测.
中图分类号:
王岩, 陈耀然, 韩兆龙, 周岱, 包艳. 基于互信息理论与递归神经网络的短期风速预测模型[J]. 上海交通大学学报, 2021, 55(9): 1080-1086.
WANG Yan, CHEN Yaoran, HAN Zhaolong, ZHOU Dai, BAO Yan. Short-Term Wind Speed Forecasting Model Based on Mutual Information and Recursive Neural Network[J]. Journal of Shanghai Jiao Tong University, 2021, 55(9): 1080-1086.
[1] |
ZHANG Z D, YE L, QIN H, et al. Wind speed prediction method using shared weight long short-term memory network and Gaussian process regression[J]. Applied Energy, 2019, 247:270-284.
doi: 10.1016/j.apenergy.2019.04.047 URL |
[2] |
CHEN J, ZENG G Q, ZHOU W, et al. Wind speed forecasting using nonlinear-learning ensemble of deep learning time series prediction and extremal optimization[J]. Energy Conversion and Management, 2018, 165:681-695.
doi: 10.1016/j.enconman.2018.03.098 URL |
[3] |
KHOSRAVI A, MACHADO L, NUNES R. Time-series prediction of wind speed using machine learning algorithms: A case study Osorio wind farm, Brazil[J]. Applied Energy, 2018, 224:550-566.
doi: 10.1016/j.apenergy.2018.05.043 URL |
[4] |
MORENO S R, LEANDRO D S C. Wind speed forecasting approach based on Singular Spectrum Analysis and Adaptive Neuro Fuzzy Inference System[J]. Renewable Energy, 2018, 126:736-754.
doi: 10.1016/j.renene.2017.11.089 URL |
[5] | 张驰. 风电场短期风速预测若干问题研究[D]. 南京:东南大学, 2017. |
ZHANG Chi. Research on some issues of short-term wind speed forecasting for wind farms[D]. Nanjing: Southeast University, 2017. | |
[6] |
JAHANGIR H, GOLKAR M A, ALHAMELI F, et al. Short-term wind speed forecasting framework based on stacked denoising auto-encoders with rough ANN[J]. Sustainable Energy Technologies and Assessments, 2020, 38:100601.
doi: 10.1016/j.seta.2019.100601 URL |
[7] |
SANTHOSH M, VENKAIAH C, KUMAR D M V. Ensemble empirical mode decomposition based adaptive wavelet neural network method for wind speed prediction[J]. Energy Conversion and Management, 2018, 168:482-493.
doi: 10.1016/j.enconman.2018.04.099 URL |
[8] | 范曼萍, 周冬. 基于改进粒子群优化LS-SVM的短期风速预测[J]. 电力学报, 2020, 35(2):123-128. |
FAN Manping, ZHOU Dong. Shortterm wind speed prediction based on improved particle swarm optimization LS-SVM[J]. Journal of Electric Power, 2020, 35(2):123-128. | |
[9] |
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735-1780.
doi: 10.1162/neco.1997.9.8.1735 URL |
[10] |
TRAPPENBERG T, OUYANG J, BACK A. Input variable selection: Mutual information and linear mixing measures[J]. IEEE Transactions on Knowledge and Data Engineering, 2006, 18(1):37-46.
doi: 10.1109/TKDE.2006.11 URL |
[11] |
LIU H, MI X W, LI Y F. Smart multi-step deep learning model for wind speed forecasting based on variational mode decomposition, singular spectrum analysis, LSTM network and ELM[J]. Energy Conversion and Management, 2018, 159:54-64.
doi: 10.1016/j.enconman.2018.01.010 URL |
[12] | PEDREGUSA F, VAROQUAUX G, GRAMFORT A, et al. Scikit-learn: Machine learning in python[J]. Journal of Machine Learning Research, 2011, 12:2825-2830. |
[13] | PASZKE A, GROSS S, MASSA F, et al. Pytorch: An imperative style, high-performance deep learning library[C]// 33rd Conference on Neural Information Processing Systems (NeurIPS 2019). Vancouver, Cana-da: NeurIPS, 2019: 8026-8037. |
[14] |
CHAI T, DRAXLER R R. Root mean square error (RMSE) or mean absolute error (MAE)?—Arguments against avoiding RMSE in the literature[J]. Geoscientific Model Development, 2014, 7(3):1247-1250.
doi: 10.5194/gmd-7-1247-2014 URL |
[15] |
QUININO R C, REIS E A, BESSEGATO L F. Using the coefficient of determination R2 to test the significance of multiple linear regression[J]. Teaching Statistics, 2013, 35(2):84-88.
doi: 10.1111/test.2013.35.issue-2 URL |
[1] | 曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261. |
[2] | 吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849. |
[3] | 吕超凡, 言颖杰, 林力, 柴岗, 鲍劲松. 基于点云语义分割算法的下颌角截骨面设计[J]. 上海交通大学学报, 2022, 56(11): 1509-1517. |
[4] | 陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5. |
[5] | 金丽洁, 武亚涛. 基于双CNN的雷达信号调制类型识别方法[J]. 空天防御, 2022, 5(1): 66-70. |
[6] | 王兴志, 翟海保, 严亚勤, 吴庆曦. 基于数字孪生和深度学习的新一代调控系统预调度方法[J]. 上海交通大学学报, 2021, 55(S2): 37-41. |
[7] | 巩伟峥, 许凌, 姚寅. 计及风速分布与机组惯量转化不确定性的风电场可用惯量估计[J]. 上海交通大学学报, 2021, 55(S2): 51-59. |
[8] | 王宇, 余岳峰, 朱小磊, 张忠孝. 基于光流法和深度学习的燃气火焰稳定性[J]. 上海交通大学学报, 2021, 55(4): 462-470. |
[9] | 蔡云泽, 张彦军. 基于双通道特征增强集成注意力网络的红外弱小目标检测方法[J]. 空天防御, 2021, 4(4): 14-22. |
[10] | 曹靖豪, 张俊举, 黄维, 姚若彤, 张平. 基于多尺度特征融合的无人机识别与检测[J]. 空天防御, 2021, 4(1): 60-64. |
[11] | 刘文海,胡洁,王伟明. 基于完备抓取构型和多阶段网络的软体手抓取[J]. 上海交通大学学报, 2020, 54(5): 507-514. |
[12] | 陈寂驰, 魏国华, 郭聪隆, 张立和. 一种基于红外图像序列的深度学习三维重建仿真方法初探[J]. 空天防御, 2020, 3(4): 21-29. |
[13] | 章云港,杨剑锋,易本顺. 低剂量CT图像去噪的改进型残差编解码网络[J]. 上海交通大学学报, 2019, 53(8): 983-989. |
[14] | 袁利毫, 昝英飞, 钟声华, 祝海涛. 基于YOLOv3的水下小目标自主识别[J]. 海洋工程装备与技术, 2018, 5(增刊): 118-123. |
[15] | 王宾, 李红涛, 唐广银. 海上浮式风机研究进展概述[J]. 海洋工程装备与技术, 2018, 5(增刊): 220-225. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||