英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于天气参数的增强卷积神经网络模型

摘要：利用温度、风速和太阳辐射等天气参数进行短期电力供需预报，提高了战俘的运行效率和准确性 每个系统。有许多天气参数对电力的供求都有影响，但温度、太阳辐射和风速是最重要的参数 。我们提出的时间序列模型是基于预处理、特征提取、数据准备和增强卷积神经网络，称为ECNN模块的短期天气参数f 重新播放到前面6个小时。所提出的ECNN时间序列模型应用于从美国国家太阳辐射数据库(NSRDB)收集到的61个地点。模型训练了15年的数据和 通过额外两年的样本数据进行验证。仿真结果表明，该模型在平均绝对误差(MAE)和根均值等方面的表现优于传统的基准模型 n平方误差(RMSE)和相对均方根误差（RMSE%）性能度量。结果表明，该模型对短期预测温度、太阳辐射等都有效 风速和风速。此外，该模型提高了电力系统的准确性和运行效率。

1、介绍

电力行业在一个国家的福祉中发挥着非常重要的作用，它的高效表现有助于一个国家的经济发展。基因的主要模式之一公制发电是热的，成本昂贵，碳排放碳。人们对风能和太阳能等可再生能源的兴趣迅速增长，发电成本不断下降 由于成本更便宜，而且没有碳排放，可再生能源发电变得很重要。在全球范围内，风能和太阳能发电从2006年的80万千瓦到790万千瓦迅速增长到790万千瓦16.准确的预测很重要，因为平均绝对百分比误差(MAPE)减少1%意味着0.1%到0.3%

电力的供需高度依赖于天气参数，因此，市场参与者需要一种有用和可靠的技术来准确地提高其利润率 刺痛天气参数。天气参数对电力供需方面的影响都较大。从大量的天气参数，温度，风速，和太阳辐射是 对电力供需中影响最大的因素。温度对电力的各个方面有很大的影响，而风速和太阳辐射影响了供应 电的一面。对这些天气参数进行准确的短期预测很重要，有几个原因包括：有效的电力供应管理，以减少电量消耗，提高电站的能效水平，制定有效的生产计划，提高运行效率，并调整和控制电站^[1,2]。然而，意外 对这些天气参数进行饮食预测是电力供需中最重要的挑战之一.

传统上，短期天气参数预测技术是基于统计模型，如向量自回归(VAR)模型、回归技术和人工智能模型 如支持向量机(SVM)、人工神经网络(ANNs)和深度学习模型。这些模型需要大量的内存和计算时间，收敛缓慢，不太准确，和需要重量调整和重预处理，以细化输入，使其不太精确，并导致过拟合问题。此外，随着数据大小的增加，这些模型变成了并且需要更多的训练时间^[2]。基于上述传统模型的局限性，我们提出了ECNN天气模型对三个天气参数的短期预报，包括： 温度、风速和太阳辐射使用了美国的61个位置数据。

根据上述天气参数预报技术，本文做出了以下贡献。首先，我们从天气参数时间序列中识别和删除异常值。在第二个方面， 我们应用快速独立分量分析(FastICA)来减少特征的维数。第三，我们应用格兰其因果性(GCA)和增强迪基富勒(ADF)测试来检查它的有用性和 时间序列的平稳性。然后，我们发现并调整了时间序列中的趋势和季节模式。第四，我们采用ECNN时间序列模型对三个天气参数进行短期预测 以克服上述传统模型的局限性。最后，我们根据三个精度指标公司，用传统的基准模型来评估我们提出的模型的性能 润滑剂：RMSE、RMSE%和MAE。

本文的其余部分组织如下。在第2节中，我们研究和总结了短期天气参数预报的相关工作。在第3节中，我们提出了我们提出的方法。在 第4节，我们使用模拟结果来检查预测性能。最后，在第5节中，我们得出了本文的结论和今后的工作。

2、相关工作

基于天气参数的相关工作已被广泛研究，并分为四个部分：太阳辐射预报、风速预报、温度或负荷预测和m 超变量天气参数预测。在论文[26-28、31、32]中，作者提出了短期到中期电价和负荷预测的解决方案。在[29,30]中，作者表演了风和 光电功率预测。表1显示了基于短期天气参数预报的进一步相关工作的总结。

3 、施工方法

为短期预报建模三个天气参数，首先需要对输入特征进行预处理。之后，它需要适当的提取和准备的输入特征来减少 维度和保持必要的信息。然后，定义一个合适的ECNN结构来对输入的天气参数进行短期预测。以下各小节描述了o的每个模块 在详细描述这些步骤之前，我们介绍了一个方法的概述。

3.1方法方法概述

在本文中，我们提出了一种基于历史输入特征的多元时间序列的短期预测方法：风速、太阳辐射和温度。在我们的建议中方法，首先对输入特征应用预处理，然后使用Z评分技术识别和删除异常值，最后使用最小最大标准化来标准化输入特征。3.3)。尾部 在输入特征的预处理中，应用了一种适当的特征提取技术FastICA来减少特征的维数(见第二节。3.4)。预处理和提取后 蚂蚁数据，识别和调整其特定的特征和季节模式(见第二节。3.5)，以准备预测数据。准备输入特性后，ECNN模型为de 传递并将输入数据传递给ECNN。为了定义ECNN的结构，有必要定义ECNN的元素(请参见第2节。3.6)。该方法的概述如图所示。

3.2天气数据

我们将我们提出的模型应用于美国的61个地点，从国家太阳辐射数据库(NSRDB)收集，该数据库由国家可再生能源实验室，国家气候数据中心收集 一个中心，和其他部分[16]。我们使用了来自数据集的三个输入参数。输入参数。

图中示。1.拟定的系统模型概述

对电力的供需方面都有影响，如开尔文(K)的温度、每秒米的风速（m/s）和全球每平方瓦小时的太阳辐射米（Wh/m2）。我们使用了1991-2006年的15年数据来训练模型和额外的2年数据来进行验证。

3.3数据预处理

在预处理模块中，我们执行三个操作：数据清理和分析，异常值检测和删除，以及数据归一化。在数据清理和分析中，我们 首先通过识别时间序列的类型并包含空或错误的值来分析数据，然后通过填充时间序列的平均值来清理这些数据。在异常值 检测和删除，我们使用Z分数识别分布之外，对最终输出没有任何重大影响。离群值对均值和标准值有严重影响 变化，并导致数据倾斜。在论文[17]中，作者定义了Z分数公式来识别和删除异常值，其定义为：

在预处理模块的前两次操作之后，我们使用最小-最大规范化来规范化时间序列，使ECNN很容易处理相同规模的数据，并提高了训练速度o f ECNN.它将输入特征在0和1之间缩放。在论文[18]中，作者定义了归一化公式，其定义为：

其中（xmaxminus;xmin）=0（xmax0minus;xmin）=0。预处理模块提高了该系统的精度，降低了所需的m 模型，训练时间，模型的复杂性，和过拟合问题。

3.4个功能提取程序

在特征提取模块中，我们应用了FastICA，这是一种计算能力强大的独立分量分析估计方法。它比传统的负债方法快10-100倍 基于梯度下降方法的端部分量分析任务。利用FastICA作为特征提取技术来降低特征的维数，同时保留了关键信息。它 压缩占用较少内存的功能来存储这些功能[19]。通过减少特征的维数，它减少了存储特性所需的内存量、模型的复杂性，tr 模型时间，并提高数据的可视化，因为在高维中很难理解和可视化数据。FastICA类似于原理成分分析(PCA)技术 将特征的集合映射到不相关的特征，然而，FastICA通过最大化统计独立性（或最小化相互信息）来做得更多，而不是仅仅开发不相关的特征 令人兴奋的特征。FastICA的性能比PCA更好，而且易于使用的[19]。它减少了时间序列中变量的数量。

3.5数据准备

在数据准备模块中，我们首先应用格兰杰因果性(GCA)检验，这是统计假设检验，以检查时间序列在预测其他时间时很有用 系列。GCA用于时间序列分析。GCA结果表明，如果概率结果小于任何alpha;水平，那么该假设将在该[20]水平被拒绝。在[20]中，作者是descr i为GCA测试方程，定义为：

其中p是滞后观测值，矩阵A包含系数，E1表示每个时间序列的残差（预测误差）。之后，我们发现了时间范围上的趋势和季节模式 并调整它们。时间序列数据主要由趋势和季节模式组成。可以将时间序列数据分解为主要子组件，如趋势和季节成分 以检查它们对时间序列数据[21]的影响。有两种不同的分解模型：加法分解和乘法分解。在本文中，我们使用了加性分解 模型，得到时间序列的趋势和季节成分，定义为：

我们使用加性分解模型，因为当时间序列随天气变化而变化时，加性分解有助于寻找趋势和季节分量 。加性模型在我们的时间序列数据中比乘法模型更有效。在找到时间序列中的趋势和季节成分后，我们用差分法使序列稳定 。差异是通过减少或消除趋势和季节性[22]来使该系列稳定的最流行的方法，

其中yt是原始时间序列，ytminus;1是原始时间序列的滞后版本。然后应用增强迪基富勒(ADF)测试以确保时间序列是否静止。的 ADF测试结果表明，时间序列为平稳状态，所有位置的p值均小于0.01。差分和ADF的结果表明，平稳性不是我们的时间序列的问题。

3.6模型结构

对于ECNN的结构，某些元素必须定义为：在ECNN中使用的隐藏层数、激活函数、优化器类型、填充大小、窗口大小和a 调整正则化项，避免过拟合，提高预测精度。至于这些决定的选择，在文献中没有给出最佳的选择。p的所有这些元素 通过试错过程发现的旋转的ECNN。在ECNN中，我们使用泄漏的Relu激活函数，这是深度神经网络中最常用的激活函数。泄漏利提高了培训 并减少了ECNN的消失梯度问题。对于ECNN学习，我们使用自适应矩估计(Adam)优化器，它是随机梯度下降的扩展来优化模式 l.此外，隐藏层和激活函数的选择取决于数据的类型和要解决的问题。图2显示为ECNN的结构。

图中示。2.提出的增强卷积神经网络

4 、ECNN模型

CNN是一个深度神经网络，它使用多层神经网络结构来表示信息。CNN首先被提出使用[23]进行自动分类 数字图像。CNN最重要的特性之一是，随着数据大小的增加，它会继续得到改善。它成功地以更少的内存需求提高了性能，因为 CNN是全连接的网络，具有参数共享属性。我们提出了一个增强版本的CNN，名为ECNN，其中我们添加了一些额外的隐藏层，并调整了hidde的参数 n层，避免过拟合问题，提高模型性能。CNN分为两部分；在第一部分，CNN从具有权重共享属性的给定输入特征中学习高级特性 在第二部分中，CNN平平上述层的输出并进行预测。在ECNN中，我们使用LeakyRelu作为激活函数，添加了一个滤波器大小为2的卷积层。数学的 执行卷积运算的卷积层方程的定义见[4]；

其中f是激活函数，w是内核的权值值，i是输入特征。在大多数深度神经网络中，relu被用作激活函数。Relu比o有关键的优势 它的激活功能是，它不会同时激活所有的神经元。然而，relu激活函数的限制是它在负区域饱和，这意味着 负区域处的梯度为零。当渐变为零时，在反向传播期间，所有权值将不会更新。为了克服这种限制，我们使用了泄漏的Relu。一般来说，它解决了d 出现问题。在卷积层之后，我们添加了两个致密层，致密层表示一个矩阵向量乘法，矩阵中的值是可训练的参数，在更新期间得到更新 反向传播。密集层是完全连接的层，其神经元接收来自以前层的所有神经元的输入。致密层后，脱落层用于防止过拟合 有问题。在训练期间，在每次迭代中，具有一定概率的神经元数量会暂时下降。原因是辍学阻止了网络依赖于一个小问题 l神经元的数量，迫使每个神经元能够独立工作，提高精度，缩短训练时间，对抗过度拟合。退出层的目的是不这样做 依赖于神经元的一些或神经元的组合，但要学习不同的表征，以避免过度拟合。

在ECNN中，我们添加了两个最大池层。最大池化层通过减小网络的空间大小来减少参数量、模型计算、维数和控制过拟合。按键 池操作的优点是生成小特征图，总结大输入特征图。在那个扁平的层扁平上面的层的输出，以便供给下一个满 y连接的层来进行预测。jth隐藏层神经元的输出：

其中f是激活函数，w（j、l）是神经元oj和ol之间的权重，p是神经元[4]的总数。图2显示了提议的ECNN模型。ECNN训练使用Adam优化器 以迭代地更新模型的权重。与传统的随机梯度下降优化算法相比，Adam具有一些关键的优势，该算法的定义为：很容易嵌入 ent，计算效率高，需要的内存更少，最适合数据或参数较大的问题，并适合噪声问题[24]。以下是要更新的关键

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[606081]，资料为PDF文档或Word文档，PDF文档可免费转换为Word