第24期2019年8月No.24August ，2019
EMD 和层叠式LSTM 算法在短期风速预测中的应用
江苏科技信息
Jiangsu Science &Technology Information
成骁彬
（上海电气风电集团，上海200241）
作者简介：成骁彬（1990—），男，上海人，助理工程师，硕士；研究方向：风电机组智能运维。
摘要：风电作为再生资源的重要组成部分，已获得了广泛的关注。风力发电量多寡取决于对风速的精
准预测。文章对于短时风速预测，提出了一种结合经验模态分解和层叠式长短期记忆算法，对短时风速进行预测。文章用一个来自风场的实际案例来验证本文提出的方法。关键词：经验模态分解；层叠式长短期记忆算法；风速预测中图分类号：TM614文献标志码：A
引言
近几年来我国的风电行业得到了迅猛的发展，风力发电机组发电的源头来自于风，所以对于风速的精准预测在风电行业起着决定性的作用。文献［1-4］显示结合经验模态分解（Empirical Mode Decomposition ，EMD ）和人工智能神经网络的方法来进行短时风速预测，具有优秀的成果。鉴于此，本文提出了一种结合EMD 和层叠式长短期记忆算法（Stacked Long Short-Term Memory ，Stacked LSTM ），用于短时风速的预测。职称英语考试
1算法结构
1.1经验模态分解
EMD 是由Norden E.Huang 提出的时间序列解构方案。数据被视为固有模态方程（Intrinsic Mode Function ，IMF ），每个IMF 均需要满足两个条件：（1）在整个时间范围内，局部极值点个数和过零点的个数必须相等，或个数差为1。（2）对于任何点，分别以局部最大值和局部最小值的包络均值为零。对于原始的时间序列s （t ），EMD 的分解流程如下：
（1）采用三次插补法，得到包络谱的上限x max （t ）
男的英文名
和下限x min （t ），并得出其均值n （t ）=x max (t )+x min (t )
2
北京二级建造师报名时间
党在我心中。
（2）在满足上文所述的两个前提下，p （t ）=s （t ）-n （t ），其中p （t ）=c 1（t
）为第一固有模态方程。（3）r 1（t ）=s （t ）-c 1（t ）。（4）将以上3个步骤重复n 次直到r n 是单调的。
（5）将原始信号s （t ）解构为：s （t ）=∑i =1n
c i +r n ，
其中c i 为IMF i ，r n 为最终的残差。1.2层叠式长短期记忆算法（Stacked LSTM Algorithm ）
长短期记忆元件（LSTM cell ）一共含有3个非线
性门元素，分别为：
（1）遗忘门，用来决策是否舍弃当前cell 状态，其数学公式为：f t =σ（W f X t +R f h t-1+b f ）。σ是sigmoid 方程；h t-1和X t 分别是上一层和当前输入层的数据；（W f ，R f ，b f ）是遗忘门的输入权重，
递归权重和偏置。（2）输入门，用来决策是否将新数据储存到cell ，其数学公式为：i t =σ（W i X t +R i h t-1+b i ）。（W i ，R i ，b i ）（W f ，R f ，b f ）是输入门的输入权重，递归权重偏置。此外一个tanh 层用来形成新的记忆：g t =tanh （W g X t +R g h t-1+b g ），其中（W g ，R g ，b g ）是新记忆的输入权重，递归权重和偏置。
（3）cell 的状态将会被更新为C t =C t-1×f f +g t ×i t 。（4）输出门，用来决策是否将cell 里面的信息传递到当前隐藏层，其数学公式为O t =σ（W o X t +R o h t-1+b o ），（W o ，R o ，b o ）是输出门输入权重，递归权重和偏置。最后将输出门与sigmoid 门相乘：h t =O t ×tanh （C t ）。
（5）层叠两个LSTM cell ，形成层叠式长短时间记忆算法（Stacked LSTM ）。1.3本文所提模型
本文所提的模型流程如图1所示。其步骤如下：（1）获取原始的风速信息。（2）将数据进行EMD 数据分解。（3）将已分解数据，使用max-min （最大-最小）方法，进行归一化。
（4）将步骤3的数据分为测试集和训练集。（5）构建stacked LSTM 模型，详细参数见表1和图2。（6）将训练集输入步骤5的模型，进行训练。（7）将测试集输入已训练好的模型，进行风速预测。
dropdeaddiva
2
实际案例
initials研究人员选择某风场169笔间隔为30分钟的风速数据用来验证模型，选取前100笔作为训练集，后69笔作为测试集，图3为风速的原始数据及经过EMD 模态分解的数值。
therefore图4（a ）为模型训练，其中实线为训练集的模型训练过程，其训练走势为收敛；黑色空心点为对应测试集的模型表现，其曲线也保持收敛状态，证明该模型设计的合理性。图4（b ）为已训练模型，基于测试集所做的风速测试，其中灰色为真实风速，而黑色为相同条件下的预测风速。两者趋势相同，证明该算法具有一定的工业应用性。3结语
ext本文利用EMD 和层叠式LSTM 算法对风速进行短时预测，该案可有效地对风速进行预测。若风电场的运行维护人员根据预测结果，及时对风机状态进行校正处理，可提高风电场的发电量。参考文献［1］NIU D X ，LIANG Y ，HONG W C.Wind speed forecasting bad on EMD and GRNN optimized by FOA
［J ］.Energies ，2017（10）：2001-2019.
［2］LIU H ，TIAN H ，LIANG X ，et al.Wind speed fore-casting approach using condary decomposition algorithm and Elman neural networks ［J ］.Applied Energy ，2015（157）：
183-194.
图1算法框架supramax
表1
Stacked LSTM 模型参数
名称Look back 回看量
Neuro 神经元个数Batch size 批量大小Epoch 迭代数Epoch per step 迭代步长
参数10
1006430
30图2Stacked LSTM
模型
（a ）原始风速
（b ）EMD 解构数据图3风速数据
Rearch on Short-term Wind Speed Prediction bad on EMD and layered LSTM algorithm
Cheng Xiaobin
（Shanghai Electric Wind Power Group,Shanghai 200241,China ）
Abstract:As one of the most crucial parts in renewable energy,wind power has widely aroud concern.The power output of wind turbine is bad on the accurate wind speed prediction.In this paper,a short-term wind speed prediction algorithm bad on empirical mode decomposition and stacked long-term and short-term memory is propod to predict the short-term wind speed.A practical ca from the wind field is ud to verify the method propod in this paper.Key words:empirical mode decomposition;stacked long short-term memory;wind prediction
［3］LIU H ，CHEN C ，TIAN H ，et al.A hybrid model for
wind speed prediction using empirical mode decom-position and artificial neural network ［J ］.Renewable Energy ，2012（48）：545-556.［4］LIU H ，TIAN X ，LIANG Y ，et al.New wind speed
forecasting approaches using fast enmble empirical
model decomposition ，genetic algorithm ，mind evolu-tionary algorithm and artificial neural networks ［J ］.Renewable Energy ，2015（83）：1066-1075.
（责任编辑王永超
）
depression（a ）训练迭代过程
（b ）模型预测结果图4
训练过程和预测结果
