【风电功率预测】基于matlabEMD优化LSTM风电功率预测【含Matlab源码1402期】

【风电功率预测】基于matlabEMD优化LSTM风电功率预测【含Matlab源码

1402期】

⼀、EMD简介

1 经验模态分解

EMD的本质是由数据的特征时间尺度来获得数量不同的本征模函数（intrinsic mode function,IMF），不同的本征模分量IMF代表不同的特征波动序列，使原始数据的波动特征在不同时间尺度下突显出来，由于5种环境时间序列具有⼀定的随机性和间断性，通过EMD分解，可在丰富输⼊变量多样性的同时，根据得到的IMF分量，突出环境序列在不同时间尺度下的局部特性，反映出原始环境序列的波动性、周期性和趋势变化，其具体分解过程如下：

1）对于⼀个原始数据序列x(t)，到它所有的极⼤值点确定为上包络线，所有极⼩值点确定为下包络线，m(t)表⽰上包络线和下包络线的均值，第1个分量h1(t)=x(t)-m(t);

2）在第2个筛选过程中，h1(t)被视作原始数据，m1(t)是h1(t)的上下包络线的均值，如步骤1）所⽰确定第2个分量h2(t);

3）筛选过程重复n次，直到是hn(t)是⼀个本征模态函数或剩余分量rn(t)为⼀个单调函数，终⽌分解过程；

转子动平衡4）综上，指定q1(t)=h1(t),q2(t)=h2(t)，···，qk(t)=hn(t),x(t)最终分解为n个本征模分量qi(t)和⼀个剩余分量rn(t)，如式（2）所⽰。

2 主成分分析

经过EMD分解得到的数据序列充实了特征序列的数量，但是输⼊变量的维数也随之增多。为了在提⾼预测精度的同时，保持LSTM⽹络模型的计算速度，同时克服过拟合的问题，需通过PCA对输⼊变量进⾏降维处理，在保证信息有效性和代表性的前提下，提升模型的计算效率和精度。

PCA作为⼀种经典的数据降维⽅法，通过线性变换将原始数据转换到新的特征空间中，以此来提取数据的最主要线性分量，算法步骤如下: 1）得到原始数据的标准化矩阵；

2）根据式（1）计算标准化矩阵的相关系数矩阵R=(rij)m×n;

3）计算特征值矩阵和特征值对应的特征向量；

4）计算贡献率τi和累计贡献率ηi，计算⽅法如式（3）和式（4）所⽰，根据ηi确定需选取的主成分的个数；

5）通过选取的主成分的特征值和所对应的特征向量，最终可得到降维后的数据。

⼆、 LSTM简介

1 LSTM控制流程

LSTM的控制流程：是在前向传播的过程中处理流经细胞的数据，不同之处在于 LSTM 中细胞的结构和运算有所变化。

这⼀系列运算操作使得 LSTM具有能选择保存信息或遗忘信息的功能。咋⼀看这些运算操作时可能有点复杂，但没关系下⾯将带你⼀步步了解这些运算操作。

2 核⼼概念

怎么自制纳米胶带LSTM 的核⼼概念在于细胞状态以及“门”结构。细胞状态相当于信息传输的路径，让信息能在序列连中传递下去。你可以将其看作⽹络的“记忆”。理论上讲，细胞状态能够将序列处理过程中的相关信息⼀直传递下去。

因此，即使是较早时间步长的信息也能携带到较后时间步长的细胞中来，这克服了短时记忆的影响。信息的添加和移除我们通过“门”结构来实现，“门”结构在训练过程中会去学习该保存或遗忘哪些信息。

3 Sigmoid

门结构中包含着 sigmoid 激活函数。Sigmoid 激活函数与 tanh 函数类似，不同之处在于 sigmoid 是把值压缩到 0~1 之间⽽不是 -1~1之间。这样的设置有助于更新或忘记信息，因为任何数乘以 0 都得 0，这部分信息就会剔除掉。同样的，任何数乘以 1 都得到它本⾝，这部分信息就会完美地保存下来。这样⽹络就能了解哪些数据是需要遗忘，哪些数据是需要保存。

电热水器控制器4LSTM门结构

LSTM 有三种类型的门结构：遗忘门、输⼊门和输出门。

4.1 遗忘门

遗忘门的功能是决定应丢弃或保留哪些信息。来⾃前⼀个隐藏状态的信息和当前输⼊的信息同时传递到 sigmoid 函数中去，输出值介于 0和 1 之间，越接近 0 意味着越应该丢弃，越接近 1 意味着越应该保留。

4.2 输⼊门

输⼊门⽤于更新细胞状态。⾸先将前⼀层隐藏状态的信息和当前输⼊的信息传递到 sigmoid 函数中去。将值调整到 0~1 之间来决定要更新哪些信息。0 表⽰不重要，1 表⽰重要。

其次还要将前⼀层隐藏状态的信息和当前输⼊的信息传递到 tanh 函数中去，创造⼀个新的侯选值向量。最后将 sigmoid 的输出值与 tanh 的输出值相乘，sigmoid 的输出值将决定 tanh 的输出值中哪些信息是重要且需要保留下来的。

4.3 细胞状态

下⼀步，就是计算细胞状态。⾸先前⼀层的细胞状态与遗忘向量逐点相乘。如果它乘以接近 0 的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的。然后再将该值与输⼊门的输出值逐点相加，将神经⽹络发现的新信息更新到细胞状态中去。⾄此，就得到了更新后的细胞状态。

4.4 输出门

输出门⽤来确定下⼀个隐藏状态的值，隐藏状态包含了先前输⼊的信息。⾸先，我们将前⼀个隐藏状态和当前输⼊传递到 sigmoid 函数中，然后将新得到的细胞状态传递给 tanh 函数。

最后将 tanh 的输出与 sigmoid 的输出相乘，以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下⼀个时间步长中去。

让我们再梳理⼀下。遗忘门确定前⼀个步长中哪些相关的信息需要被保留；输⼊门确定当前输⼊中哪些信息是重要的，需要被添加的；输出门确定下⼀个隐藏状态应该是什么。

三、部分源代码

clear;

工业合成氨close all;

clc;

魔盒防晒霜

%%参数设置

%%数据加载

f=xlsread('215-风速数据.xls','B2706:B3449');

u=emd(f);%emd

%如果⽤eemd ceemd 则还有参数需要设置

Nstd =0.02;

NR =1;

MaxIter =200;

%[u ,~]=eemd(f,Nstd,NR,MaxIter);%eemd

%[u ,~]=ceemd(f,Nstd,NR,MaxIter);%ceemd

K=size(u,1);

figure

subplot(K+1,1,1)

plot(f)

ylabel('原始')

for i=2:K+1

subplot(K+1,1,i)

plot(u(i-1,:))

ylabel(['IMF',num2str(i-1)])

end

ylabel('res')

save emd_data u

function [modes its]=ceemd(x,Nstd,NR,MaxIter)

% WARNING:for this code works it is necessary to include in the same

%directoy the file emd.m developed by Rilling and Flandrin.

%This file is available at %s-lyon.fr/patrick.flandrin/emd.html

%We use the default stopping criterion.

%We use the last modification:3.2007

% This version was run on Matlab 7.10.0(R2010a)

%----------------------------------------------------------------------

测试56% INPUTs

% x: signal to decompose

% Nstd: noise standard deviation

% NR: number of realizations

% MaxIter: maximum number of sifting iterations allowed.

% OUTPUTs

% modes: contain the obtained modes in a matrix with the rows being the modes

% its: contain the sifting iterations needed for each mode for each realization(one row for each realization) %-------------------------------------------------------------------------

% Syntax

% modes=ceemdan(x,Nstd,NR,MaxIter)

%[modes its]=ceemdan(x,Nstd,NR,MaxIter)

%--------------------------------------------------------------------------

% This algorithm was presented at ICASSP 2011, Prague, Czech Republic

% Plese,if you use this code in your work, please cite the paper where the

% algorithm was first presented.

% If you use this code, please cite:

% M.E.TORRES, M.A. COLOMINAS, G. SCHLOTTHAUER, P. FLANDRIN,

%"A complete Ensemble Empirical Mode decomposition with adaptive noise,"

% IEEE Int. Conf. on Acoust., Speech and Signal Proc. ICASSP-11, pp.4144-4147,Prague(CZ)

%-------------------------------------------------------------------------

% Date: June 06,2011

% Authors: Torres ME, Colominas MA, Schlotthauer G, Flandrin P.

% For problems with the code, please contact the authors:

% To:macolominas(AT)bioingenieria.edu.ar

% CC:metorres(v.ar

%-------------------------------------------------------------------------

x=x(:)';

desvio_x=std(x);

x=x/desvio_x;

modes=zeros(size(x));

temp=zeros(size(x));

aux=zeros(size(x));

acum=zeros(size(x));

本文发布于:2024-09-21 15:35:41，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/1/208851.html

上一篇：GSM早指配

下一篇：风电功率预测技术手册

标签：信息状态细胞数据

留言与评论（共有 0 条评论）