CN108090621B - 一种基于分阶段整体优化的短期风速预测方法与系统 - Google Patents

一种基于分阶段整体优化的短期风速预测方法与系统 Download PDF

Info

Publication number
CN108090621B
CN108090621B CN201711459407.0A CN201711459407A CN108090621B CN 108090621 B CN108090621 B CN 108090621B CN 201711459407 A CN201711459407 A CN 201711459407A CN 108090621 B CN108090621 B CN 108090621B
Authority
CN
China
Prior art keywords
wind speed
prediction
data
model
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711459407.0A
Other languages
English (en)
Other versions
CN108090621A (zh
Inventor
李超顺
汪赞斌
甘振豪
侯进皎
王若恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201711459407.0A priority Critical patent/CN108090621B/zh
Publication of CN108090621A publication Critical patent/CN108090621A/zh
Application granted granted Critical
Publication of CN108090621B publication Critical patent/CN108090621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明提出了一种基于分阶段整体优化的短期风速预测方法，在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram‑Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型，采用引力搜索算法对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。本发明还提供了相应的基于分阶段整体优化的短期风速预测系统。

Description

一种基于分阶段整体优化的短期风速预测方法与系统
技术领域
本发明属于风速预测领域，更具体地，涉及一种基于分阶段整体优化的短期风速预测方法与系统。
背景技术
随着新能源的快速增长，作为绿色能源的风力发电在近一个世纪发展迅速。随着风电接入量的持续增长，风力发电的间歇性和随机波动性对电网的冲击影响愈发明显。风速的非线性和不稳定特性增加了风速精确建模与预测的难度。准确的风速预测可以对风力发电功率进行预估，从而给电网调度、机组组合操作、风电场运营维护等提供必要的依据。
数值天气预报(Numeric weatherprediction，NWP)是指根据大气的实际情况，在一定的初值和边界值条件下，通过大型计算机进行数值计算，求解描写天气演变过程的流体力学和热力学方程组，来预测未来一定时段的大气运动状态和天气现象的方法。然而NWP模型对初始条件非常敏感，初始条件的微小改变可能会造成输出结果的较大偏差，基于NWP的风速预测技术在超短期预测中难以准确预测。
从时间序列的风速数据出发，一个完整的预测过程包括时间序列数据分解、特征选取以及基础学习模型三个阶段。每个阶段都包含各种方法，例如时间序列数据分解包括经验模态分解(Empirical mode decomposition，EMD)，小波变换(Wavelet transform，WT)等，特征选取包括奇异值分解(Singular value decomposition，SVD)等，基础学习模型包括支持向量机(support vector machine，SVM)，人工神经网络(artificial neuralnetwork，ANN)等。每个阶段的方法的参数选取大多是凭经验或试凑，独立的对每个阶段进行优化也无法获取最优的预测模型参数，且组合方法之间的参数互相影响，使风速预测的精度降低，反而对电网调度、机组组合操作产生反作用，最终影响电网的稳定运行。
发明内容
针对传统方法的不足，本发明提出了一种基于分阶段整体优化的短期风速预测方法与系统，在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram-Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型，采用引力搜索算法对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。
为了实现上述目的，按照本发明的一个方面，提供了一种基于分阶段整体优化的短期风速预测方法，包括：
步骤1、建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解、在特征选取模型采用Gram-Schmidt正交化、在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；
步骤2、将所述混合模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；
步骤3、根据所述目标函数，采用引力搜索算法对所述风速混合预测模型进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，GSO选择的特征选择的特征数量，以及极限学习机隐含层的层数，并转步骤4；
步骤4、t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；
步骤5、以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。
本发明的一个实施例中，所述步骤1中设置GSA算法的初始参数具体为：
设置GSA算法参数，包括群体规模L，最大迭代次数Nitmax，初始引力常数G0，衰减系数β；确定风速混合预测模型待优化的参数，选取数据处理阶段变分模态分解VMD方法的模态数K和迭代系数τ、特征选取阶段Gram-Schmidt正交化GSO方法的选取特征数量值Nf、基础学习阶段每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK为待优化的变量，即待优化的变量为θ＝[K,τ,Nf,Nh1,Nh2,...,NhK]，确定优化变量的上下界[BL,BU]，BL＝[Kmin,τmin,Nf，min,Nh1，min,Nh2，min,...,NhK，min]，BU＝[Kmax,τmax,Nf,max,Nh1,max,Nh2，max,...,NhK，max]，Kmin,Kmax分别为模态数量的最小值和最大值，τmin,τmax分别为迭代系数的最小值和最大值，Nf,min,Nf,max分别为选取特征数量值的最小值和最大值，Nk,min,Nk,max,k＝1,...,K分别为对应第k模态ELM的隐含层的最小值和最大值，在此区间随机初始化群体中所有个体的位置向量，个体位置向量Xi＝[K,τ,Nf,Nh1,Nh2,...,NhK],i＝1,...,L，代表一组控制参数；令当前迭代次数t＝0。
本发明的一个实施例中，所述步骤2中的目标函数为：
Figure BDA0001529940550000031
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure BDA0001529940550000032
表示j时刻的预测结果值。
本发明的一个实施例中，所述步骤2中计算各个风速输入数据的目标函数具体为：
步骤2.1：个体i位置向量Xi(t)解码得到控制参数，分别为模态数K和迭代系数τ，选取特征数量值Nf以及每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，将控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤2.2：对于长度为0.5*(A-B)的模型训练(train)风速预测输入-输出数据对I-Y，对风速输入数据I进行风速预测，
步骤2.3：重复步骤2.1-2.2，获得种群中L个个体的目标函数。
本发明的一个实施例中，对风速输入数据I进行风速预测，具体为：
步骤2.2.1：利用变分模态分解将I风速输入序列分解为K个模态，即K个子预测模型，对每个k子模态都执行下列步骤；
步骤2.2.2：对于第k个子模态，利用克莱姆-施密特正交化方法(Gram-SchmidtOrthogonal，GSO)对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性(M≤H)，建立风速预测隐含层为Nhk层的ELM的数据对；
步骤2.2.3：将数据对进行数据归一化处理；
步骤2.2.4：将数据对输入进ELM，得到每个k模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度Nt＝0.5*(A-B)的风速预测结果
Figure BDA0001529940550000041
最终利用所述目标函数RMSE计算得到个体i的目标函数值RMSEi。
本发明的一个实施例中，所述步骤3中采用引力搜索算法对所述风速混合预测模型预测进行参数优化，具体为：
步骤3.1：计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体Xbest；
步骤3.2：更新所有个体的引力常数Gi；
Figure BDA0001529940550000042
其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数。
步骤3.3：计算所有个体的万有引力Fi和加速度ai；
第i个粒子受到第j个粒子的作用力为：
Figure BDA0001529940550000051
其中，Maj是第j个粒子主动引力质量，Mpi是第i个粒子的被动引力质量，G(t)是引力时间常数，此时认为其为时变量。
对第i个粒子，受到来自其他粒子引力合力用引力的随机加权和表示为：
Figure BDA0001529940550000052
粒子i产生的加速度为：
Figure BDA0001529940550000053
其中，Mii为粒子i的惯性质量。
引力及惯性质量则依据目标函数值计算。质量重的个体较质量轻的个体更为优秀。假设引力质量与惯性质量相等，根据目标函数给出粒子质量其定义为：
Mai＝Mpi＝Mii＝Mi
Figure BDA0001529940550000054
Figure BDA0001529940550000055
对于极小化问题best＝minfitj，worst＝maxfitj；
步骤3.4：更新所有个体的速度vi和位置Xi；
Figure BDA0001529940550000056
Figure BDA0001529940550000057
randi为(0，1)之间随机数，d表示位置向量的第d维。
本发明的一个实施例中，所述变分模态分解的算法具体为：
假设每个“模态”都是具有中心频率的有限带宽，变分问题被描述为寻求K个本征模态函数uk(t)，使每个模态的估计带宽之和最小，约束条件为每个模态相加之和为原始输入信号，变分问题构造过程如下：
(1)通过Hilbert变换，得到每个模态函数的解析信号，目的是可以得到它的单边频谱，其中δ(t)为脉冲信号函数，uk(t)为本征模态函数，*为卷积计算符号，j表示虚数单位：
Figure BDA0001529940550000061
(2)给各个模态的解析信号加入一个预估中心频率
Figure BDA0001529940550000062
其中ωk为中心频率，这样就可以将每个模态的频谱调制到相应的基频带：
Figure BDA0001529940550000063
(3)计算上述解调信号梯度的平方L2范数，估计出各个模态信号带宽，变分问题通过增广拉格朗日表达式表示如下，其中f为原始信号，
Figure BDA0001529940550000066
表示对时间进行求导，t为时间：
Figure BDA0001529940550000064
本发明的一个实施例中，所述变分模态分解的算法通过服引入惩罚因子α和拉格朗日乘法算子λ(t)得到扩展的拉格朗日表达式：
Figure BDA0001529940550000065
本发明的一个实施例中，利用交替方向乘子算法(Alternating DirectionMethod ofMultipliers，ADMM)求取上述增广拉格朗日表达式的鞍点，即为式(15)约束变分模型的最优解，从而将原始信号f分解为K个窄带IMF分量，实现过程如下：
(1)初始化
Figure BDA0001529940550000071
n；
(2)执行循环：n＝n+1
(3)对所有ω≥0，更新
Figure BDA0001529940550000072
其中x(ω)为信号x(t)的傅里叶变换，uk(ω)为信号uk(t)的傅里叶变换，ifft()代表傅里叶反变换，
Figure BDA0001529940550000073
表示取分析信号的实数部分。
Figure BDA0001529940550000074
Figure BDA0001529940550000075
(4)频率中心ωk的更新方程如下所示，在频域内的最优化表示为：
Figure BDA0001529940550000076
(5)更新λ，λ更新式如下，其中τ为迭代系数：
Figure BDA0001529940550000077
(6)重复步骤(2)～(5)，直到满足停止条件，最终得到的K个
Figure BDA0001529940550000078
即为K个IMF分量，条件如下：
Figure BDA0001529940550000079
按照本发明的另一方面，还提供了一种基于分阶段整体优化的短期风速预测系统，包括风速混合预测模型建立模块、目标函数设定模块、目标函数计算模块、模型参数优化模块以及实际风速预测模块，其中：
所述风速混合预测模型建立模块，用于建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram-Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；
所述目标函数设定模块，用于将所述混合模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；
所述目标函数计算模块，用于根据所述目标函数，采用引力搜索算法对所述风速混合预测模型预测进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，GSO选择的特征选择的特征数量，以及极限学习机隐含的层数，并转步骤4；
所述模型参数优化模块，用于计算t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；
所述实际风速预测模块，用于以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：
本发明方法对参数进行整体优化，可以减小分阶段风速预测模型参数调节难度，节约模型参数调试时间；利用本发明所述方法建立的分阶段风速预测模型进行短期风速预测时，可以提高风速的预测精度，对风电功率进行精确预估，从而给电网调度、机组组合操作、风电场运营维护等提供必要的依据。
附图说明
图1为本发明实施例中基于分阶段整体优化的短期风速预测方法的模型示意图；
图2为本发明实施例中GSA算法中个体位置对应的编码策略示意图；
图3为本发明实施例中在GSA优化算法框架下的优化流程图；
图4为本发明实施例中基于分阶段的风速混合预测系统的结构示意图；
图5为本发明实施例中风速混合预测模型输出与实际观察风速序列的对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
针对传统方法的不足，本发明提出了一种基于分阶段整体优化的短期风速预测方法与系统，风速混合预测模型示意图如图1所示，在时间序列数据分解模型采用变分模态分解(Variational mode decomposition VMD)(关于变分模态分解在中国专利申请号CN201610841660.1已经公开)，在特征选取模型采用Gram-Schmidt正交化(Gram-Schmidtorthogonal，GSO)，在基础学习模型上采用极限学习机(Extreme learning machine，ELM)(关于极限学习机在中国专利申请号CN201610333881.8已经公开)的风速混合预测模型，采用引力搜索算法(Gravitational search algorithm，GSA)对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。
本发明提供了一种基于分阶段整体优化的短期风速预测方法，包括如下步骤：
步骤1：准备与初始化。收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，即：
I(j)＝wind(j,j+1,...,j+B-1)，Y(j)＝wind(j+B)，j＝1,...,A-B，构造A-B对的风速预测输入-输出数据对，前50％数据对用作模型训练(train)，后50％数据对用作模型测试(test)；对模型训练(train)数据进行风速混合预测模型的参数优化，按照图3所示方法整体优化风速混合预测模型参数，步骤如下：
算法初始化，设置GSA算法参数，包括群体规模L，最大迭代次数Nitmax，初始引力常数G0，衰减系数β。确定风速混合预测模型待优化的参数，选取数据处理阶段VMD方法的模态数K和迭代系数τ为待优化的变量，特征选取阶段GSO方法的选取特征数量值Nf作为待优化变量，基础学习阶段每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，即待优化的变量为θ＝[K,τ,Nf,Nh1,Nh2,...,NhK]，确定优化变量的上下界[BL,BU]，BL＝[Kmin,τmin,Nf，min,Nh1，min,Nh2，min,...,NhK，min]，BU＝[Kmax,τmax,Nf,max,Nh1,max,Nh2，max,...,NhK，max]，Kmin,Kmax分别为模态数量的最小值和最大值，τmin,τmax分别为迭代系数的最小值和最大值，Nf,min,Nf,max分别为选取特征数量值的最小值和最大值，Nk,min,Nk,max,k＝1,...,K分别为对应第k模态ELM的隐含层的最小值和最大值，在此区间随机初始化群体中所有个体的位置向量，个体位置向量Xi＝[K,τ,Nf,Nh1,Nh2,...,NhK],i＝1,...,L，代表一组控制参数；令当前迭代次数t＝0；
步骤2：采用混合模型预测输出与实际观测数据的均方根误差(Root mean squareerror，RMSE)作为目标函数，来评估风速混合预测模型预测的准确度：
Figure BDA0001529940550000101
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure BDA0001529940550000102
表示j时刻的预测结果值。
风速混合预测模型参数优化过程如下：
步骤2.1：个体i位置向量Xi(t)解码得到控制参数，向量序列的编码策略如图2所示，分别为模态数K和迭代系数τ，选取特征数量值Nf以及每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，将控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤2.2：对于长度为0.5*(A-B)的模型训练(train)风速预测输入-输出数据对I-Y，对风速输入数据I进行风速预测，步骤如下；
步骤2.2.1：利用变分模态分解(Variational Mode Decomposition，VMD)将I风速输入序列分解为K个模态，即K个子预测模型，对每个k子模态都执行下列步骤；
步骤2.2.2：对于第k个子模态，利用克莱姆-施密特正交化方法(Gram-SchmidtOrthogonal，GSO)对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性(M≤H)，建立风速预测隐含层为Nhk层的ELM的数据对(Input,Output)；
步骤2.2.3：将数据对(Input,Output)进行数据归一化处理；
步骤2.2.4：将数据对(Input,Output)输入进ELM，得到每个k模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度Nt＝0.5*(A-B)的风速预测结果
Figure BDA0001529940550000111
最终利用式(1)的RMSE计算得到个体i的目标函数值RMSEi；
步骤2.3：重复步骤2.1-2.2，获得种群中L个个体的目标函数；
步骤3：GSA算法的优化过程，具体如下；
步骤3.1：计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体Xbest；
步骤3.2：更新所有个体的引力常数Gi；
Figure BDA0001529940550000121
其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数。
步骤3.3：计算所有个体的万有引力Fi和加速度ai；
依据牛顿引力定理，第i个粒子受到第j个粒子的作用力为：
Figure BDA0001529940550000122
其中，Maj是第j个粒子主动引力质量，Mpi是第i个粒子的被动引力质量，G(t)是引力时间常数，此时认为其为时变量。
对第i个粒子，受到来自其他粒子引力合力用引力的随机加权和表示为：
Figure BDA0001529940550000123
基于牛顿第二定理，粒子i产生的加速度为：
Figure BDA0001529940550000124
其中，Mii为粒子i的惯性质量；
引力及惯性质量则依据目标函数值计算。质量重的个体较质量轻的个体更为优秀。假设引力质量与惯性质量相等，根据目标函数给出粒子质量其定义为：
Mai＝Mpi＝Mii＝Mi (6)
Figure BDA0001529940550000125
Figure BDA0001529940550000126
对于极小化问题best＝minfitj，worst＝maxfitj；
步骤3.4：更新所有个体的速度vi和位置Xi；
Figure BDA0001529940550000131
Figure BDA0001529940550000132
randi为(0，1)之间随机数，d表示位置向量的第d维；
步骤4：t＝t+1，如果t>最大迭代数Nitmax，输出当前最优个体位置作为终解；否则，转入步骤2。当前最优个体位置即为VMD，GSO和ELM风速混合预测模型的最优参数；
步骤5：最后以分阶段整体优化建立的风速混合预测模型预测风速输出与实际观测风速数据均方根误差RMSE，绝对值误差MAE以及相对误差概率MAPE为指标，来评估风速混合预测模型预测的准确度：
Figure BDA0001529940550000133
Figure BDA0001529940550000134
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure BDA0001529940550000135
表示j时刻的预测结果值。
将风速的模型测试(test)数据风速预测输入-输出数据对I-Y到经过优化并训练的VMD-GSO-ELM风速混合预测模型中，验证风速混合预测模型的预测精度，步骤如下：
步骤5.1：将最优个体位置Xbest即控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤5.2：利用变分模态分解(Variational Mode Decomposition，VMD)将I风速输入序列分解为K个模态，即K个子预测模型，对每个k子模态都执行下列步骤；
步骤5.3：对于第k个子模态，利用克莱姆-施密特正交化方法(Gram-SchmidtOrthogonal，GSO)对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性(M≤H)，建立风速预测隐含层为Nhk层的ELM的数据对(Input,Output)；
步骤5.4：将数据对(Input,Output)进行数据归一化处理；
步骤5.5：将数据对(Input,Output)输入进ELM，得到每个k模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度Nt＝0.5*(A-B)的风速预测结果
Figure BDA0001529940550000141
最终利用式(1)、(11)、(12)计算获得RMSE，MAE和MAPE指标，来评估风速混合预测模型预测的准确度。
更进一步地，VMD分解的前提为构造一个变分问题，假设每个“模态”都是具有中心频率的有限带宽，变分问题就可以被描述为寻求K个本征模态函数uk(t)，使每个模态的估计带宽之和最小，约束条件为每个模态相加之和为原始输入信号，变分问题构造过程如下：
(1)通过Hilbert变换，得到每个模态函数的解析信号，目的是可以得到它的单边频谱，其中δ(t)为脉冲信号函数，uk(t)为本征模态函数，*为卷积计算符号，j表示虚数单位：
Figure BDA0001529940550000142
(2)给各个模态的解析信号加入一个预估中心频率
Figure BDA0001529940550000143
其中ωk为中心频率，这样就可以将每个模态的频谱调制到相应的基频带：
Figure BDA0001529940550000144
(3)计算上述解调信号梯度的平方L2范数，估计出各个模态信号带宽，变分问题通过增广拉格朗日表达式表示如下，其中f为原始信号，
Figure BDA0001529940550000145
表示对时间进行求导，t为时间：
Figure BDA0001529940550000146
更进一步地，变分模态分解的算法通过服引入惩罚因子α和拉格朗日乘法算子λ(t)得到扩展的拉格朗日表达式：
Figure BDA0001529940550000151
利用交替方向乘子算法(Alternating Direction Method ofMultipliers，ADMM)求取上述增广拉格朗日表达式的鞍点，即为式(15)约束变分模型的最优解，从而将原始信号f分解为K个窄带IMF分量。实现过程如下：
(1)初始化
Figure BDA0001529940550000152
n；
(2)执行循环：n＝n+1
(3)对所有ω≥0，更新
Figure BDA0001529940550000153
其中x(ω)为信号x(t)的傅里叶变换，uk(ω)为信号uk(t)的傅里叶变换，ifft()代表傅里叶反变换，
Figure BDA0001529940550000154
表示取分析信号的实数部分。
Figure BDA0001529940550000155
Figure BDA0001529940550000156
(4)频率中心ωk的更新方程如下所示，在频域内的最优化表示为：
Figure BDA0001529940550000157
(5)更新λ，λ更新式如下，其中τ为迭代系数：
Figure BDA0001529940550000158
(6)重复步骤(2)～(5)，直到满足停止条件，最终得到的K个
Figure BDA0001529940550000159
即为K个IMF分量，条件如下：
Figure BDA0001529940550000161
进一步地，如图4所示，本发明还提供了一种基于分阶段整体优化的短期风速预测系统，包括风速混合预测模型建立模块、目标函数设定模块、目标函数计算模块、模型参数优化模块以及实际风速预测模块，其中：
所述风速混合预测模型建立模块，用于建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram-Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；
所述目标函数设定模块，用于将所述混合模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；
所述目标函数计算模块，用于根据所述目标函数，采用引力搜索算法对所述风速混合预测模型预测进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，GSO选择的特征选择的特征数量，以及极限学习机隐含的层数，并转步骤4；
所述模型参数优化模块，用于计算t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；
所述实际风速预测模块，用于以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。
实施例：
下面以达坂城风场的风速数据作为本发明的实施对象对本发明方法进行详细说明：
步骤1：准备与初始化。收集达坂城风场的风速时间序列数据，时间序列数据Wind总长度为1008，选取10长度序列X作为预测输入，预测输出下一时刻风速Y，即：
X(i)＝wind(i,i+1,...,i+9)，Y(i)＝wind(i+10)，i＝1,...,998，构造998对的风速预测输入-输出数据对，前499对数据对用作模型训练(train)，后499对数据对用作模型测试(test)；对模型训练(train)数据进行风速混合预测模型的参数优化，按照图3所示方法整体优化风速混合预测模型参数，步骤如下：
算法初始化，设置GSA算法参数，包括群体规模L＝20，最大迭代次数Nitmax＝200，初始引力常数G0＝100，衰减系数β＝20。确定风速混合预测模型待优化的参数，选取数据处理阶段VMD方法的模态数K和迭代系数τ为待优化的变量，特征选取阶段GSO方法的选取特征数量值Nf作为待优化变量，基础学习阶段每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，即待优化的变量为θ＝[K,τ,Nf,Nh1,Nh2,...,NhK]，确定优化变量的上下界[BL,BU]，BL＝[Kmin,τmin,Nf，min,Nh1，min,Nh2，min,...,NhK，min]，BU＝[Kmax,τmax,Nf,max,Nh1,max,Nh2，max,...,NhK，max]，BL＝[0.001,0,1,1,...,1]，BU＝[20,1,20,100,...,100]Kmin,Kmax分别为模态数量的最小值和最大值，τmin,τmax分别为迭代系数的最小值和最大值，Nf,min,Nf,max分别为选取特征数量值的最小值和最大值，Nk,min,Nk,max,k＝1,...,K分别为对应第k模态ELM的隐含层的最小值和最大值，在此区间随机初始化群体中所有个体的位置向量，个体位置向量Xi＝[K,τ,Nf,Nh1,Nh2,...,NhK],i＝1,...,L，代表一组控制参数；令当前迭代次数t＝0；
步骤2：采用混合模型预测输出与实际观测数据的均方根误差(Root mean squareerror，RMSE)作为目标函数，来评估风速混合预测模型预测的准确度：
Figure BDA0001529940550000181
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure BDA0001529940550000182
表示j时刻的预测结果值。
风速混合预测模型参数优化过程如下：
步骤2.1：个体i位置向量Xi(t)解码得到控制参数，向量序列的编码策略如图2所示，分别为模态数K和迭代系数τ，选取特征数量值Nf以及每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，将控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤2.2：对于长度为499的模型训练(train)风速预测输入-输出数据对I-Y，对风速输入数据I进行风速预测，步骤如下：
步骤2.2.1：利用变分模态分解(Variational Mode Decomposition，VMD)将I风速输入序列分解为K个模态，即K个子预测模型，对每个k子模态都执行下列步骤；
步骤2.2.2：对于第k个子模态，利用克莱姆-施密特正交化方法(Gram-SchmidtOrthogonal，GSO)对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性(M≤H)，建立风速预测隐含层为Nhk层的ELM的数据对(Input,Output)；
步骤2.2.3：将数据对(Input,Output)进行数据归一化处理；
步骤2.2.4：将数据对(Input,Output)输入进ELM，得到每个k模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度为499的风速预测结果
Figure BDA0001529940550000183
最终利用式(1)的RMSE计算得到个体i的目标函数值RMSEi；
步骤2.3：重复步骤2.1-2.2，获得种群中L个个体的目标函数；
步骤3：GSA算法的优化过程，具体如下；
步骤3.1：计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体Xbest；
步骤3.2：更新所有个体的引力常数Gi；
Figure BDA0001529940550000191
其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数。
步骤3.3：计算所有个体的万有引力Fi和加速度ai；
依据牛顿引力定理，第i个粒子受到第j个粒子的作用力为：
Figure BDA0001529940550000192
其中，Maj是第j个粒子主动引力质量，Mpi是第i个粒子的被动引力质量，G(t)是引力时间常数，此时认为其为时变量。
对第i个粒子，受到来自其他粒子引力合力用引力的随机加权和表示为：
Figure BDA0001529940550000193
基于牛顿第二定理，粒子i产生的加速度为：
Figure BDA0001529940550000194
其中，Mii为粒子i的惯性质量。
引力及惯性质量则依据目标函数值计算。质量重的个体较质量轻的个体更为优秀。假设引力质量与惯性质量相等，根据目标函数给出粒子质量其定义为：
Mai＝Mpi＝Mii＝Mi (6)
Figure BDA0001529940550000195
Figure BDA0001529940550000201
对于极小化问题best＝minfitj，worst＝maxfitj；
步骤3.4：更新所有个体的速度vi和位置Xi；
Figure BDA0001529940550000202
Figure BDA0001529940550000203
randi为(0，1)之间随机数，d表示位置向量的第d维；
步骤4：t＝t+1，如果t>最大迭代数Nitmax，输出当前最优个体位置作为终解；否则，转入步骤2。当前最优个体位置即为VMD，GSO和ELM风速混合预测模型的最优参数；
步骤5：最后将499对模型测试(test)数据输入至经分阶段整体优化建立的风速混合预测模型中，以预测风速输出与实际观测风速数据均方根误差RMSE，绝对值误差MAE以及相对误差概率MAPE为指标，来评估模糊模型预测的准确度；
Figure BDA0001529940550000204
Figure BDA0001529940550000205
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure BDA0001529940550000206
表示j时刻的预测结果值。
将风速的测试序列数据输入到经过优化并训练的VMD-GSO-ELM风速混合预测模型中，验证风速混合预测模型的预测精度。
将风速的模型测试(test)数据风速预测输入-输出数据对I-Y到经过优化并训练的VMD-GSO-ELM风速混合预测模型中，验证风速混合预测模型的预测精度，步骤如下：
步骤5.1：将最优个体位置Xbest＝[6,0.88,10,105,99,120,130,80]即控制参数代入搭建风速混合预测模型的每个阶段方法中，即模态数K＝6，迭代系数τ＝0.88，选取特征数量值Nf＝10以及每个模态对应的ELM的隐含层的节点个数Nh1,…,Nh6分别为105,99,120,130,80，将控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤5.2：利用变分模态分解(Variational Mode Decomposition，VMD)将I风速输入序列分解为K个模态，即K个子预测模型，对每个k子模态都执行下列步骤；
步骤5.3：对于第k个子模态，利用克莱姆-施密特正交化方法(Gram-SchmidtOrthogonal，GSO)对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性(M≤H)，建立风速预测隐含层为Nhk层的ELM的数据对(Input,Output)；
步骤5.4：将数据对(Input,Output)进行数据归一化处理；
步骤5.5：将数据对(Input,Output)输入进ELM，得到每个k模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度Nt＝0.5*(A-B)的风速预测结果
Figure BDA0001529940550000211
最终利用式(1)、(11)、(12)计算获得RMSE，MAE和MAPE指标，来评估风速混合预测模型预测的准确度，RMSE，MAE和MAPE结果如表1所示。
为了比较本发明所述方法对于提高风速预测的精度的有效性，在实验中，加入对照实验，引入VMD-ELM风速混合预测模型，并比较该模型与本发明提出的预测模型的预测性能。ELM的参数隐含层的节点个数由GSA优化获得，VMD的参数通过网格搜索算法的均值获得。GSA算法的参数设置如下：群体规模L＝20，最大迭代次数Nitmax＝50，初始引力常数G0＝100，衰减系数β＝20。
表1为本发明所述方法以及VMD-ELM预测模型的预测结果。从REMSE，MAE，MAPE三项指标均可以看出本发明所述方法的预测精度更高，更接近实际观测风速数据。
表1达坂城风场风速数据在不同预测模型下的预测性能对比
Figure BDA0001529940550000221
从图5可以看出，使用本发明方法获得的风速预测结果，其预测输出曲线与实际观察风速数据高度吻合；而采用VMD-ELM预测模型的预测结果与实际观察风速数据吻合度较差，说明本发明方法优于VMD-ELM等传统预测模型。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于分阶段整体优化的短期风速预测方法，其特征在于，所述方法包括：
步骤1、建立风速混合预测模型：构建在时间序列数据分解模型上采用变分模态分解、在特征选取模型上采用Gram-Schmidt正交化、在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置引力搜索算法GSA算法的初始参数；
步骤2、将所述风速混合预测模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；
步骤3、根据所述目标函数，采用引力搜索算法对所述风速混合预测模型进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，Gram-Schmidt正交化选择的特征的特征数量，以及极限学习机隐含层的层数，并转步骤4；
步骤4、t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；
步骤5、以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。
2.如权利要求1所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤1中设置引力搜索算法GSA算法的初始参数具体为：
设置引力搜索算法GSA算法参数，包括群体规模L，最大迭代次数Nitmax，初始引力常数G0，衰减系数β；确定风速混合预测模型待优化的参数，选取数据处理阶段变分模态分解VMD方法的模态数K和迭代系数τ、特征选取阶段Gram-Schmidt正交化方法的选取特征数量值Nf、基础学习阶段每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK为待优化的变量，即待优化的变量为θ＝[K,τ,Nf,Nh1,Nh2,...,NhK]，确定优化变量的上下界[BL,BU]，BL＝[Kmin,τmin,Nf，min,Nh1，min,Nh2，min,...,NhK，min]，BU＝[Kmax,τmax,Nf,max,Nh1,max,Nh2，max,...,NhK，max]，Kmin,Kmax分别为模态数量的最小值和最大值，τmin,τmax分别为迭代系数的最小值和最大值，Nf,min,Nf,max分别为选取特征数量值的最小值和最大值，Nhk,min,Nhk,max,k＝1,...,K分别为对应第k模态ELM的隐含层的最小值和最大值，在此区间随机初始化群体中所有个体的位置向量，个体位置向量Xi＝[K,τ,Nf,Nh1,Nh2,...,NhK],i＝1,...,L，代表一组控制参数；令当前迭代次数t＝0。
3.如权利要求1或2所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤2中的目标函数为：
Figure FDA0002652369510000021
式中，Nt为采样总数，Y(j)表示j时刻实际的观测数据，
Figure FDA0002652369510000022
表示j时刻的预测结果值。
4.如权利要求1或2所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤2中计算各个风速输入数据的目标函数具体为：
步骤2.1：个体i位置向量Xi(t)解码得到控制参数，分别为模态数K和迭代系数τ，选取特征数量值Nf以及每个模态对应的ELM的隐含层的节点个数Nh1,…,NhK，将控制参数代入搭建风速混合预测模型的每个阶段方法中；
步骤2.2：对于长度为0.5*(A-B)的模型训练风速预测输入-输出数据对I-Y，对风速输入数据I进行风速预测，
步骤2.3：重复步骤2.1-2.2，获得种群中L个个体的目标函数。
5.如权利要求4所述的基于分阶段整体优化的短期风速预测方法，其特征在于，对风速输入数据I进行风速预测，具体为：
步骤2.2.1：利用变分模态分解将I风速输入序列分解为K个模态，即K个子预测模型，对每个子模态都执行下列步骤；
步骤2.2.2：对于第k个子模态，利用Gram-Schmidt正交化方法对模态前H间隔时刻的数据进行属性筛选，从中挑选相关性最佳的M个属性，其中M≤H，建立风速预测隐含层为Nhk层的ELM的数据对；
步骤2.2.3：将数据对进行数据归一化处理；
步骤2.2.4：将数据对输入进ELM，得到每个子模态风速预测结果，将K个模态对应预测的风速数据反归一化之后合成得到长度Nt＝0.5*(A-B)的风速预测结果
Figure FDA0002652369510000033
最终利用所述目标函数RMSE计算得到个体i的目标函数值RMSEi。
6.如权利要求2所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述步骤3中采用引力搜索算法对所述风速混合预测模型预测进行参数优化，具体为：
步骤3.1：计算群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体Xbest；
步骤3.2：更新所有个体的引力常数Gi；
Figure FDA0002652369510000031
其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数；
步骤3.3：计算所有个体的万有引力Fi和加速度ai；
第i个粒子受到第j个粒子的作用力为：
Figure FDA0002652369510000032
其中，Maj是第j个粒子主动引力质量，Mpi是第i个粒子的被动引力质量，G(t)是引力时间常数，此时认为其为时变量；
对第i个粒子，受到来自其他粒子引力合力用引力的随机加权和表示为：
Figure FDA0002652369510000041
粒子i产生的加速度为：
Figure FDA0002652369510000042
其中，Mii为粒子i的惯性质量；
引力及惯性质量则依据目标函数值计算；质量重的个体较质量轻的个体更为优秀；假设引力质量与惯性质量相等，根据目标函数给出粒子质量其定义为：
Mai＝Mpi＝Mii＝Mi
Figure FDA0002652369510000043
Figure FDA0002652369510000044
对于极小化问题best＝min fitj，worst＝max fitj；
步骤3.4：更新所有个体的速度vi和位置Xi；
Figure FDA0002652369510000045
Figure FDA0002652369510000046
randi为(0，1)之间随机数，d表示位置向量的第d维。
7.如权利要求1或2所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述变分模态分解的算法具体为：
假设每个“模态”都是具有中心频率的有限带宽，变分问题被描述为寻求K个本征模态函数uk(t)，使每个模态的估计带宽之和最小，约束条件为每个模态相加之和为原始输入信号，变分问题构造过程如下：
(1)通过Hilbert变换，得到每个模态函数的解析信号，目的是可以得到它的单边频谱，其中δ(t)为脉冲信号函数，uk(t)为本征模态函数，*为卷积计算符号，j表示虚数单位：
Figure FDA0002652369510000051
(2)给各个模态的解析信号加入一个预估中心频率
Figure FDA0002652369510000052
其中ωk为中心频率，这样就可以将每个模态的频谱调制到相应的基频带：
Figure FDA0002652369510000053
(3)计算解调信号梯度的平方L2范数，估计出各个模态信号带宽，变分问题通过增广拉格朗日表达式表示如下，其中f为原始信号，
Figure FDA0002652369510000054
表示对时间进行求导，t为时间：
Figure FDA0002652369510000055
8.如权利要求7所述的基于分阶段整体优化的短期风速预测方法，其特征在于，所述变分模态分解的算法通过服引入惩罚因子α和拉格朗日乘法算子λ(t)得到扩展的拉格朗日表达式：
Figure FDA0002652369510000056
9.如权利要求7所述的基于分阶段整体优化的短期风速预测方法，其特征在于，利用交替方向乘子算法求取所述增广拉格朗日表达式的鞍点，从而将原始信号f分解为K个窄带IMF分量，实现过程如下：
(1)初始化
Figure FDA0002652369510000057
λ1，n；
(2)执行循环：n＝n+1；
(3)对所有ω≥0，更新uk，其中x(ω)为信号x(t)的傅里叶变换，uk(ω)为信号uk(t)的傅里叶变换，ifft()代表傅里叶反变换，
Figure FDA0002652369510000061
表示取分析信号的实数部分；
Figure FDA0002652369510000062
Figure FDA0002652369510000063
(4)频率中心ωk的更新方程如下所示，在频域内的最优化表示为：
Figure FDA0002652369510000064
(5)更新λ，λ更新式如下，其中τ为迭代系数：
Figure FDA0002652369510000065
(6)重复步骤(2)～(5)，直到满足停止条件，最终得到的K个uk即为K个IMF分量，条件如下：
Figure FDA0002652369510000066
10.一种基于分阶段整体优化的短期风速预测系统，其特征在于，包括风速混合预测模型建立模块、目标函数设定模块、目标函数计算模块、模型参数优化模块以及实际风速预测模块，其中：
所述风速混合预测模型建立模块，用于建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram-Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；
所述目标函数设定模块，用于将所述风速混合预测模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；
所述目标函数计算模块，用于根据所述目标函数，采用引力搜索算法对所述风速混合预测模型预测进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，Gram-Schmidt正交化选择的特征的特征数量，以及极限学习机隐含的层数，并转所述模型参数优化模块；
所述模型参数优化模块，用于计算t＝t+1，如果迭代次数t大于预设最大迭代数Nitmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转所述实际风速预测模块；否则，转入所述目标函数设定模块；
所述实际风速预测模块，用于以所述风速混合预测模型的最优参数建立优化后的风速混合预测模型，并利用所述优化后的风速混合预测模型预测实际的风速输出。
CN201711459407.0A 2017-12-28 2017-12-28 一种基于分阶段整体优化的短期风速预测方法与系统 Active CN108090621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711459407.0A CN108090621B (zh) 2017-12-28 2017-12-28 一种基于分阶段整体优化的短期风速预测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711459407.0A CN108090621B (zh) 2017-12-28 2017-12-28 一种基于分阶段整体优化的短期风速预测方法与系统

Publications (2)

Publication Number Publication Date
CN108090621A CN108090621A (zh) 2018-05-29
CN108090621B true CN108090621B (zh) 2021-02-09

Family

ID=62180409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711459407.0A Active CN108090621B (zh) 2017-12-28 2017-12-28 一种基于分阶段整体优化的短期风速预测方法与系统

Country Status (1)

Country Link
CN (1) CN108090621B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118000A (zh) * 2018-08-07 2019-01-01 广东工业大学 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN109886464B (zh) * 2019-01-20 2022-03-18 东北电力大学 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN110909810A (zh) * 2019-11-26 2020-03-24 国网山东省电力公司电力科学研究院 基于数据挖掘和变分模态分解的可再生能源短期预测方法
CN110985286B (zh) * 2019-12-04 2020-11-24 浙江大学 一种基于elm的风电机组桨距角控制方法
CN111178616B (zh) * 2019-12-24 2022-03-22 淮阴工学院 基于负相关学习和正则化极限学习机集成的风速预测方法
CN111911351B (zh) * 2020-07-17 2024-02-09 许昌许继风电科技有限公司 一种风机均化风速预测方法及其用于柔塔风机的控制方法
CN112613092B (zh) * 2020-11-24 2022-11-01 潍柴动力股份有限公司 一种路基压实度空间分布的预测方法和预测装置
CN113096381A (zh) * 2021-03-03 2021-07-09 南京理工大学 基于gsa-svr算法的短时道路交通拥堵预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788692A (zh) * 2009-11-24 2010-07-28 西北电网有限公司 基于神经网络的短时风速预报方法
CN101871948B (zh) * 2010-06-09 2012-10-17 中国科学院深圳先进技术研究院 风电场风速预测系统及方法
US9778627B2 (en) * 2012-11-16 2017-10-03 Siemens Aktiengesellschaft Method of controlling a power network
CN103258142B (zh) * 2013-06-04 2016-03-23 哈尔滨工业大学 基于天气模式的风电场短期风速预测方法

Also Published As

Publication number Publication date
CN108090621A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108090621B (zh) 一种基于分阶段整体优化的短期风速预测方法与系统
Capizzi et al. Innovative second-generation wavelets construction with recurrent neural networks for solar radiation forecasting
Wang et al. A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China
Li et al. Learning the aerodynamic design of supercritical airfoils through deep reinforcement learning
Cintra et al. Data assimilation by artificial neural networks for an atmospheric general circulation model
CN110806759A (zh) 一种基于深度强化学习的飞行器航线跟踪方法
Gros et al. Control of airborne wind energy systems based on nonlinear model predictive control & moving horizon estimation
CN107092987B (zh) 一种中小型无人机自主着舰风速预测方法
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN108053077A (zh) 一种基于区间二型t-s模糊模型的短期风速预测方法与系统
CN110866592A (zh) 模型训练方法、装置、能效预测方法、装置和存储介质
CN102510059A (zh) 基于bp神经网络的超短期风电功率预测方法
CN109146186A (zh) 一种基于双重分解的短期风电功率预测方法
CN113641722A (zh) 一种基于变体lstm的长期时间序列数据预测方法
CN104992008A (zh) 基于Hilbert空间多核函数相乘的风速预测方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
Toha et al. ANFIS modelling of a twin rotor system using particle swarm optimisation and RLS
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
Amir et al. Priority neuron: A resource-aware neural network for cyber-physical systems
Zhang et al. A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction
Lu et al. An adaptive neural architecture search design for collaborative edge-cloud computing
Mellit et al. Neural network adaptive wavelets for sizing of stand-alone photovoltaic systems
Bouhelal et al. Blade Element Momentum Theory Coupled with Machine Learning to Predict Wind Turbine Aerodynamic Performances
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant