基于EEMD和LSTM的短期風速預測模型研究

陸冰鑒　周鵬　王興　周可

摘? 要：由于風具有較強的陣性和局地性，影響因子較多，利用機器學習相關技術進行風速的預測，往往會受這些影響，降低預測的準確率，特別是對于瞬時大風的預測，準確度普遍不高。針對上述問題，提出一種基于集合經驗模態分解法（EEMD）和長短期記憶神經網絡（LSTM）相結合的短期風速預測模型，該模型采用EEMD將風速序列分解為多個頻域相對穩定的子序列，進而改善經驗模態分解法（EMD）模態混疊現象，再采用LSTM構建預測模型，實現短期風速預測。該方法與其他預測方法相比，預測的精度更高，誤差更小，驗證了本文預測方法的可行性和有效性。

關鍵詞：風速預測;集合經驗模態分解;經驗模態分解;長短期記憶神經網絡

中圖分類號：TP183? ? ?文獻標識碼：A

Abstract：Because the wind has strong transient and regional characteristics，the impact factors are numerous.Using machine learning technology to predict wind speed will often be affected by these factors，reducing the accuracy of prediction.Especially for the prediction of instantaneous high winds，the accuracy is generally not high.In order to solve this problem，this paper proposes a short-term wind speed forecasting model based on EEMD and LSTM.The model uses the ensemble empirical mode decomposition （EEMD） method to decompose the wind speed sequence into multiple sub-sequences whose frequency domain is stable.This method improves the aliasing phenomenon of the empirical mode decomposition （EMD） method.Then，this paper uses the long short-term memory （LSTM） neural network to build the forecasting model to forecast short-term wind speed.Compared with other forecasting methods，this method has higher accuracy and less error，which verifies the feasibility and validity of this method.

Keywords：wind speed forecast;ensemble empirical mode decomposition;long short-term memory neural??network

1? ?引言（Introduction）

風速具有不確定性，波動性等特點，是氣象要素中最難預測的一個要素之一。風速預測對于天氣預報精確性的提高、短時強風災害的預測、空氣污染物的擴散速度、風電機組的安全運行等都具有重要的意義[1]。在氣象災害中，強風不僅對生態自然環境造成巨大破壞還威脅人們的生產生活、生命財產安全，如：2015年的“東方之星”號游輪事故和2017年的“鵬安盛”號輪的受強風影響導致的事故。而且，新能源如風電產業對于提高風的利用效率也對風速預測的需求迫切。

目前風速預測的方法主要是基于數值天氣預報預測結果的物理方法和基于歷史數據建模的統計方法這兩大類[2]。前者受數值模式本身機理的限制，對于短期的風速預測準確率往往較低，且時間分辨率不高;統計方法需要較多的歷史數據，通過統計學習的方法識別歷史數據所體現的風速特征來預測對未來某個時刻風速。

近年來，隨著人工智能的發展，各種深度學習算法不斷出現。Wang等[3]提出了經驗模態分解（Empirical Mode Decomposition，EMD）算法應用于風速預測模型;Jiang等[4]提出了通過SA算法優化BP神經網絡的訓練參數來提高BP神經網絡的預測性能的模擬退火算法（Simulated Annealing，SA）和BP神經網絡的混合預測模型得到了比單個預測模型更好的效果。

本文基于集合經驗模態分解EEMD與長短期記憶神經網絡LSTM相結合的風速預測模型，優化了EMD分解法的模態混疊帶來的誤差，與LSTM預測模型相結合，改善了LSTM預測模型的滯后性，同時能夠有效降低預測誤差。

2? 風速數據采集與預處理（Wind speed data acquisition and preprocessing）

本文研究數據來自江蘇省海事局提供的長江流域南京段某一地面氣象觀測站，采用2018年3月1日至2019年2月28日的觀測數據作為實驗數據。該數據為每日逐秒的風速、風向特征數據，采樣數據與預測數據的時間分辨率均為10s。

由于實際觀測過程中會存在一些缺失及冗余數據，無法構成逐秒的連續完整序列，因此，本文將分辨率調至10s，對原始數據進行預處理，以保證可提供逐10s的連續完整序列。

其中，預處理方式選為10s平均，即對每個10s內的數據取平均值。第一個10s為2018年3月1日00時00分00秒至2018年3月1日00時00分10秒，以此往下，對每個10s內的數據進行取平均值，構成逐10s的風速序列。

3? ?方法優化（Method optimization）

3.1? ?EMD

EMD是由Huang[5]提出的一種對信號的自適應分析方法。它將復雜的序列分解為若干不同尺度的固有模態分量IMF（Intrinsic Mode Function）和一個剩余分量，從而獲得平穩序列，非常適合用于風速這種波動性較大序列的處理。其中，IMF分量需滿足下面兩個條件[6]：

（1）序列零點個數與極值點個數最多相差一個;

（2）在任意點，由局部極小值和局部極大值點定義的包絡線均值為0。

EMD具體分解步驟如下：

步驟1：求出序列的所有極值點;

步驟2：用插值法擬合出序列的上下包絡線、;

步驟3：計算上下包絡線中心位置;

步驟4：令 ，若其不滿足IMF分量的兩個充分條件，則重復步驟1—步驟3，直至k次迭代后滿足兩個條件;

步驟5：IMF1分量為，剩余分量為;

步驟6：將剩余分量作為原始序列重復上述步驟進行分解，最終得到n個IMF分量和一個剩余分量;

步驟7：經過EMD分解后的序列為：

3.2? ?EEMD

風速觀測數據在采集過程中不可避免設備故障及噪聲干擾問題，這樣在EMD分解過程中容易出現模態混疊現象，從而降低預測精度。目前解決該問題較好的方法是EEMD。其改進步驟如下：

步驟1：在序列x（t）中加入如從正態分布的白噪聲[7];

步驟2：對新形成的序列作EMD分解，求出n個IMF分量和一個剩余分量;

步驟3：重復r次步驟1和步驟2，每次加入新的白噪聲序列;

步驟4：求r次分解后的IMF分量的整體平均，作為序列x（t）的IMF分量。

3.3? ?LSTM

LSTM是一種特殊的RNN類型，是由Hochreither & Schmidhuber提出的長短期記憶神經網絡，采用記憶單元代替RNN隱含層的神經單元，用于解決RNN梯度消失的問題[8]。當前，LSTM在時序數據分析、語言翻譯，以及情感分類等諸多領域得到深入研究和應用[9]。記憶單元的內部結構如圖1所示，包含輸入門（Input gate）、輸出門（Output gate）、遺忘門（Forget gate）和記憶細胞（Memory cell）。

圖1中，xt、ht分別為t時刻網絡的輸入和輸出。LSTM記憶單元通過公式迭代計算輸出：

式中，ft、it、ot、Ct分別為遺忘門、輸入門、輸出門和記憶細胞的輸出;Wf、Wi、Wo、WC分別為遺忘門、輸入門、輸出門和記憶細胞的權重矩陣;bf、bi、bo、bC分別為遺忘門、輸入門、輸出門和記憶細胞的偏置;為sigmoid函數。

4? 基于EEMD和LSTM的短期風速預測模型（Short term wind speed prediction model based on EEMD and LSTM）

自然界風速的特征表現為波動范圍大，其非平穩性嚴重制約風速預測模型的建立，并對預測精度的提高有著很大的影響。本文搭建的風速預測模型基于集合經驗模態分解EEMD與長短期記憶神經網絡LSTM相結合的風俗預測模型，較好地保留了原始數據的性質，優化了EMD分解法的模態混疊帶來的誤差，有效改善了基于LSTM預測模型的滯后性問題。圖2為風速預測模型的框架結構圖。

具體建模流程如下：

（1）將預處理后的逐10s的風速序列進行集合經驗模態分解EEMD，得到n個不同尺度的且較為平穩的固有模態函數IMF1-IMFn分量及一個剩余殘差Res分量;

（2）確定時間尺度TIME_STEPS，對分解后的IMF分量及誤差res進行重構，歸一化統一量綱，確定訓練集和測試集;

（3）對各個訓練集和測試集分別建立長短期記憶神經網絡LSTM預測模型，預測風速子序列;

（4）將不同尺度下的風速預測分量反歸一化后進行疊加，得到最終風速預測的結果。

4.1? ?風速序列集合經驗模態分解

本文選取某氣象站2018年9月29日的風速較大的逐秒數據，對每個10s內的數據求平均值，預處理后形成分辨率為10s的風速序列，其風速的波動區間為0—14m/s。圖3為預處理后的逐10s的風速數據。

采用EEMD對處理后的風速序列進行分解，得到頻域穩定的10個固有模態分量IMF1—IMF10和一個剩余分量Res的波形圖。圖4為EEMD分解后的結果。圖中的signal為原始逐10s風速序列，與圖3一致。

由圖4可見，分解后分量圖與原風速序列相比，子序列的波動變化較為平穩，頻譜特征由分量從高頻到低頻依次表征出來。該方法將原有不平穩的風速序列分解成了多個平穩子序列，同時又保存了風速序列的特征，為后續的建模預測打下了很好的基礎。

4.2? ?風速序列重構

風速序列經過EEMD分解后得到較為平穩的10個子序列和一個誤差序列，為避免不同量綱帶來的影響，對每個分量都進行歸一化處理，再對每個分量序列進行重構，得到重構序列為：

重構后將原始序列擴展成N個樣本，其中時間尺度TIME_STEPS的選擇直接影響預測結果，時間尺度TIME_STEPS過小，會導致信息重合，時間尺度TIME_STEPS過大會增加計算量。因此需要確定合適的參數。

4.3? ?LSTM模型預測

本文采用LSTM建立短期風速預測模型，由上述重構后的樣本確定訓練樣本為：

利用LSTM構建了短期風速預測模型如圖5所示。該網絡模型包含一個LSTM層。在t時刻網絡的輸入為歷史風速序列，輸出為下一時刻的預測值。經過隱含層運算后得到該隱含層的輸出。網絡的輸出為：

式中，為隱含層和輸出層之間的權重矩陣，b為輸出層的偏置量。本文采用當前時刻之前的TIME_STEPS個歷史數據作為LSTM網絡的輸入進行訓練和預測。歷史數據信息通過LSTM網絡的循環迭代更新記憶單元的狀態，從而通過歷史數據對當前時刻的影響實現風速預測。

5? 實驗結果與分析（Experimental results and analysis）

5.1? ?LSTM網絡超參數對比實驗

本次實驗采用江蘇省海事局提供的長江流域南京段某一地面氣象觀測站2018年9月29日風速數據，僅采用LSTM進行風速預報，對LSTM網絡設置不同的超參數進行實驗。各對比實驗的超參數設置及實驗結果如表1所示。其中，超參數TIME_STEPS為時間尺度，代表用當前時刻的前TIME_STEPS個歷史數據作為網絡輸入。EPOCH代表所以訓練樣本重復訓練次數。

各超參數對應的實驗結果如圖6（1）—圖6（20）所示，其中，圖標與表格中的圖標相對應，圖中橫坐標表示逐10s，單位為s;縱坐標表示風速，單位為m/s。紅色線條為觀測數據，藍色線條為預測數據。

結合圖表對比結果可以看出，當TIME_STEPS不變，EPOCH增大，預報誤差減小，預報時間增加，且隨著EPOCH增大到一定程度，預報誤差減小緩慢，但時間增加并不減少。當EPOCH不變，TIME_STEPS增大，預報誤差先減小后增大，預報時間增加。兩者相比，一定程度上增加EPOCH的效果比增加TIME_STEPS的效果好，且時間少。經總體對比，選取TIME_STEPS為10，EPOCH為500作為網絡的超參數。

5.2? ?不同預報方法對比實驗

實驗數據為江蘇省海事局提供的長江流域南京段某一地面氣象觀測站2018年9月29日風速數據，分別采用四種方法進行風速預報，分別是基于LSTM的短期風速預測、基于EMD和LSTM的短期風速預測、基于EEMD和LSTM的短期風速預測，以及基于CEEMDAN和LSTM的短期風速預測。采用5.1中實驗結果設置LSTM網絡的超參數。各實驗結果如圖7—圖9所示。其中，圖片的橫坐標表示時間，單位為s;縱坐標表示風速，單位為m/s。每個圖的左圖為480個每10s的結果，合約1.3小時逐10s的結果;右圖為左圖的前200個結果的放大顯示，合約0.5小時逐10s結果。

從圖7—圖9的右側圖可看出：僅采用基于LSTM網絡的短期風速預測方法的預測結果存在較為明顯的延遲性，雖然預報的峰值和谷值較為相近，但由于延遲的原因誤差相差較大。隨后，采用基于EMD和LSTM相結合的短期風速預測方法的預測結果較為明顯地改善了上述的延遲性，但是峰值和谷值的預測不是很理想，考慮可能是EMD分解時模態混疊的問題。于是，采用基于EEMD和LSTM相結合的方法進行短期風速預測。由于EEMD改善了EMD分解時模態混疊的問題，由圖9右圖可明顯看出在峰值和谷值的預測上有較大改善，其總體風速預測的效果最好。

但從圖片角度來看，難以看出各個方法的具體改善效果，表2給出了三種方法的評價指標對比結果，其評價指標與4.1中一致。

從表1可清晰看出，從三個指標的縱向對比來看，采用EMD和LSTM相結合的方法預測比僅用LSTM方法預測分別降低了0.2596m/s、0.3092m/s和4.36%。采用EEMD和LSTM相結合的方法預測比EMD和LSTM相結合的方法預測分別降低了0.1902m/s、0.2433m/s和3.2%。由此可見，采用EEMD與LSTM相結合的方法進行短期風速預測，能較好地模擬出未來近80分鐘逐10s的風速情況，降低了預測誤差。

6? ?結論（Conclusion）

風速的陣性、非平穩性和非線性的特點使得對其做出精準預測存在較大的技術困難。在傳統氣象統計預報方法和人工智能預報方法的基礎上，提出一種基于EEMD和LSTM相結合的短期風速預測模型，并通過實驗得出以下結論：

（1）基于EEMD和LSTM相結合的短期風速預測模型能夠較好地擬合實際風速序列，驗證了方法的有效性。

（2）基于EEMD和LSTM相結合的短期風速預測模型，改善了LSTM模型的滯后性，消除了EMD算法模態混疊現象對于風速預測的不利影響，預測結果更接近實際風速值，具有更小的誤差，有較高的應用價值。

（3）由于風速序列的隨即不確定性，導致風速的峰值和谷值的預測還不夠準確，在進一步的研究中，考慮加入風速的空間特性及其影響因子。

參考文獻（References）

[1] 張珂銓.風速預測中人工智能方法的應用研究[D].蘭州大學，2018.

[2] 魏昱洲，許西寧.基于LSTM長短期記憶網絡的超短期風速預測[J].電子測量與儀器學報，2019，33（02）：64-71.

[3] Jujie Wang，Wenyu Zhang，Yaning Li，et al.Forecasting wind speed using empirical mode decomposition and Elman neural network[J].Applied Soft Computing Journal，2014（23）：452-459.

[4] Ping Jiang，Yingjie Ge，Chen Wang.Research and application of a hybrid forecasting model based on simulated annealing algorithm：A case study of wind speed forecasting[J].Journal of Renewable and Sustainable Energy，2016，8（1）：015501.

[5] 雷若冰，徐箭，孫輝，等.基于相關性分析的風電場群風速分布預測方法[J].電力自動化設備，2016，36（05）：134-140.

[6] Tong Wang，Mingcai Zhang，Qihao Yu，et al.Comparing the applications of EMD and EEMD on time–frequency analysis of seismic signal[J].Journal of Applied Geophysics，2012（83）：29-34.

[7] 程啟明，陳路，程尹曼，等.基于EEMD和LS-SVM模型的風電功率短期預測方法[J].電力自動化設備，2018，38（05）：27-35.

[8] 白博，李益華，蘇盛，等.基于LSTM風速區間預測的風力發電機再切入控制[J].電力學報，2018，33（03）：183-189.

[9] 成璐.基于注意力機制的雙向LSTM模型在中文商品評論情感分類中的研究[J].軟件工程，2017，20（11）：4-6;3.

作者簡介：

陸冰鑒（1994-），女，碩士，工程師.研究領域：智慧氣象.

周? 鵬（1994-），男，本科，工程師.研究領域：遙感與地理信息系統應用.

王? 興（1983-），男，博士，高級工程師.研究領域：AI氣象信息技術，智能計算.

周? 可（1983-），女，碩士生.研究領域：智慧交通.