CN108960511B - 一种风速预测方法及相关装置 - Google Patents
一种风速预测方法及相关装置 Download PDFInfo
- Publication number
- CN108960511B CN108960511B CN201810729961.4A CN201810729961A CN108960511B CN 108960511 B CN108960511 B CN 108960511B CN 201810729961 A CN201810729961 A CN 201810729961A CN 108960511 B CN108960511 B CN 108960511B
- Authority
- CN
- China
- Prior art keywords
- target
- current
- prediction
- filial generation
- wind speed
- 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
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风速预测方法,利用奇异谱分析算法对历史风速数据进行分解和重构,并对重构结果进行噪声过滤,最终得到新序列,再利用纵横交叉算法优化的BP模型对每个新序列进行预测,得到预测结果。由于奇异谱分析算法可以对原始序列进行分解,并对分解的结果进行预测后叠加,可以实现得到实际预测结果的同时,避免原始序列的高度非线性导致的对预测结果的影响;同时,对分解后的子序列进行重构并过滤噪声,可以在重构结果中过滤掉无用的信息,使预测结果更准确,提高预测的精度。本申请还提供了一种风速预测系统、装置、计算机可读存储介质,同样可以实现上述技术效果。
Description
技术领域
本发明涉及风速预测领域,更具体地说,涉及一种风速预测方法、系统、装置及计算机可读存储介质。
背景技术
近年来,随着风能的快速发展与利用,风电装机容量急剧上升,全球风电行业也随之蓬勃发展。然而,由于风力发电的间歇性与随机性,将风力发电与传统电网系统相结合面临诸多挑战,为了减轻风能接入电力系统造成的问题,准确进行动态风速预测变得越来越重要。
短期风速预测时获取准确风速信息的重要途径,有助于经济负荷调度规划和风力发电量增减量的决策。
由于风速具有很大的波动性,而且风速收据还会受到很多干扰因素的影响,因此现有的风速预测模型对风速进行预测的结果都不够准确。
因此,如何提高风速预测的准确性,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种风速预测方法、系统、装置及计算机可读存储介质,以提高风速预测的准确性。
为实现上述目的,本发明实施例提供了如下技术方案:
一种风速预测方法,包括:
获取历史风速数据作为原始序列;
利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;
对所有所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;
将所述重构结果中的噪声进行过滤得到新序列;
利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果。
其中,所述对所有所述子序列进行重构得到重构结果,包括:
对每个所述子序列中的元素按照奇异谱分析展开得到时间主成分;
利用预设个数的时间正交函数和所述时间主成分进行重构得到重构结果。
其中,所述将所述重构结果中的噪声进行过滤得到新序列,包括:
计算每个所述重构结果的奇异值;
按照所述奇异值从大到小确定预设个数的目标重构结果;
将所述目标重构结果相加,得到新序列。
其中,所述利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,包括:
利用纵横交叉算法确定目标权值和目标阈值;
利用所述目标权值和所述目标阈值共同确定的BP神经网络模型对每个所述新序列进行预测,得到子预测结果。
其中,所述利用纵横价差算法确定目标权值和目标阈值,包括:
S301,确定预设种群与所述预设种群中的目标粒子;
S302,设置目标神经网络和目标适应性值;
S303,将所述种群中,每一维中每任意两个目标粒子做算术交叉操作,得到对应所述目标粒子的第一子代,并将所述第一子代保存在第一矩阵中;
S304,在当前的第一矩阵中,确定第一子代适应性值小于当前目标适应性值的第一子代,作为目标第一子代保存至第二矩阵;其中,第一子代适应性值为利用当前目标神经网络模型对所述第一子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S305,在当前的第二矩阵中,每任意两个目标第一子代进行算术交叉操作,得到对应当前每个目标第一子代的第二子代,并将当前第二子代保存至第三矩阵;其中,所述任意两个目标第一子代分别来自当前第二矩阵的不同维度;
S306,在当前的第三矩阵中,确定第二子代适应性值小于当前第一子代适应性值中最小值的第二子代,作为目标第二子代保存至第四矩阵;其中,第二子代适应性值为利用当前目标神经网络模型对当前第二子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S307,确定当前第四矩阵中第二子代适应性值最小的优选目标第二子代;
S308,判断当前迭代次数是否大于预设最大阈值;
S309,若是,则停止迭代,将当前优选目标第二子代设为目标权值和目标阈值;
S310,若否,则将当前迭代次数加一,将当前优选目标第二子代确定的神经网络作为当前目标神经网络,将当前目标第二子代的适应性值作为当前目标适应性值,返回S303。
其中,所述目标粒子为前预设个数的所述历史风速数据。
本申请还提供了一种风速预测系统,包括:
获取模块,用于获取历史风速数据作为原始序列;
分解模块,用于利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;
重构模块,用于对每个所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;
过滤模块,用于将所述重构结果中的噪声进行过滤得到新序列;
预测模块,用于利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果。
其中,所述过滤模块,包括:
第一计算单元,用于计算每个所述重构结果的奇异值;
确定单元,用于按照所述奇异值从大到小确定预设个数的目标重构结果;
第二计算单元,用于将所述目标重构结果相加,得到新序列。
本申请还提供了一种风速预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如所述风速预测方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如所述风速预测方法的步骤。
通过以上方案可知,本申请提供的一种风速预测方法,包括:获取历史风速数据作为原始序列;利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;对所有所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;将所述重构结果中的噪声进行过滤得到新序列;利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果。
由此可见,本申请提供的一种风速预测方法,利用奇异谱分析算法对历史风速数据进行分解和重构,并对重构结果进行噪声过滤,最终得到新序列,再利用纵横交叉算法优化的BP模型对每个新序列进行预测,得到预测结果。由于奇异谱分析算法可以对原始序列进行分解,并对分解的结果进行预测后叠加,可以实现得到实际预测结果的同时,避免原始序列的高度非线性导致的对预测结果的影响;同时,对分解后的子序列进行重构并过滤噪声,可以在重构结果中过滤掉无用的信息,使预测结果更准确,提高预测的精度。
本申请还提供了一种风速预测系统、装置、计算机可读存储介质,同样可以实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种风速预测方法流程图;
图2为本发明实施例公开的一种具体的风速预测方法流程图;
图3为本发明实施例公开的一种具体的目标值确定方法流程图;
图4为本发明实施例公开的一种风速预测系统结构示意图;
图5为本发明实施例公开的一种风速预测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种风速预测方法、系统、装置及计算机可读存储介质,以提高风速预测的准确性。
参见图1,本发明实施例提供的一种风速预测方法,具体包括:
S101,获取历史风速数据作为原始序列。
首先获取历史风速数据作为原始序列,其中,历史风速数据可以包括连续4周的风速数据,其中风速数据的时间分辨点为1h,即,一天包含24个数据点。在本方案中,是根据该历史风速数据进行风速预测,在预测前还需对历史风速数据进行预处理。
S102,利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列。
需要说明的是,奇异普分析(SSA)算法可以在原始序列结构未知的情况下通过嵌入、奇异值分解和分组重构等过程分离得到相互独立的成分序列,利用奇异普分析技术对风速数据进行分解和提取,可以有效的对历史风速数据进行降噪处理,从而得到更准确的测试结果。
在本方案中,首先利用奇异谱分析将原始序列进行分解和重构,其中分解后可以得到对应的多个子序列。
例如,原始序列为T=(y1,y2,...,yN),根据预设的嵌套空间维数将其分解为L(窗口长度)维向量:Xi=(yi,yi+1,…,yi+L-1),也即,L个子序列。
S103,对所有所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声。
具体地,同样利用SSA分析算法对所有子序列进行重构,得到对应的重构结果,重构结果中包括趋势部分、震荡部分和噪声部分。
S104,将所述重构结果中的噪声进行过滤得到新序列。
具体地,将重构结果中的噪声部分进行过滤,即可得到过滤结果即新序列。
S105,利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果。
在本方案中,BP模型即是BP神经网络模型,为利用纵横交叉算法优化的BP模型,利用该模型对上述过滤噪声后得到的新序列进行预测,得到对应每个新序列的子预测结果,进而将所有子预测结果进行叠加即可得到实际的最终预测结果。
需要说明的是,可以根据实际情况确定提前多长时间进行预测,例如,可以提前1小时进行预测。
由此可见,本申请提供的一种风速预测方法,利用奇异谱分析算法对历史风速数据进行分解和重构,并对重构结果进行噪声过滤,最终得到新序列,再利用纵横交叉算法优化的BP模型对每个新序列进行预测,得到预测结果。由于奇异谱分析算法可以对原始序列进行分解,并对分解的结果进行预测后叠加,可以实现得到实际预测结果的同时,避免原始序列的高度非线性导致的对预测结果的影响;同时,对分解后的子序列进行重构并过滤噪声,可以在重构结果中过滤掉无用的信息,使预测结果更准确,提高预测的精度。
下面对本申请实施例提供的一种具体的风速预测方法进行介绍,基于上述实施例,本申请实施例在对上述实施例中S103、S104做了进一步的限定和说明,其他步骤内容可以参考上述实施例,此处不再赘述。
参见图2,本发明实施例提供的一种具体的风速预测方法,具体包括:
S201,获取历史风速数据作为原始序列。
S202,利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列。
以原始序列为T=(y1,y2,...,yN)为例,将其分解为L维向量Xi=(yi,yi+1,…,yi+L-1),由K个向量Xi(i=1,2,…,K=N-L+1)组成的轨迹矩阵可以表示为:
S203,对每个所述子序列中的元素按照奇异谱分析展开得到时间主成分。
对X进行奇异值分解:
X=U·S·VT
其中,S是矩阵X的奇异值,等价于矩阵XXT特征值的平方根;U为X的左奇异值向量,等价于矩阵XXT特征向量;V为X的右奇异值向量,等价于矩阵XXT特征向量。
将X中每个子序列的每个元素由奇异谱分析展开:
其中,xi+j表示第i个子序列中的第j个元素,i=1,...,K;j=1,...,M;Ekj=U,U为X的左奇异值向量,等价于矩阵XXT特征向量,E称为时间经验正交函数;时间主成分aij通过下式求得:
S204,利用预设个数的时间正交函数和所述时间主成分进行重构得到重构结果。
S205,计算每个所述重构结果的奇异值。
S206,按照所述奇异值从大到小确定预设个数的目标重构结果。
S207,将所述目标重构结果相加,得到新序列。
具体地,计算每个重构结果的奇异值,并按照下式从大到小选择奇异值较大的r个成分相加得到新序列:
下面对本申请实施例提供的一种具体的风速预测方法进行介绍,下文描述的一种风速预测方法对上述实施例中S105做了进一步的限定和说明,其他步骤内容与上述实施例大致相同,此处不再赘述。
S105具体包括:
利用纵横交叉算法确定目标权值和目标阈值;
利用所述目标权值和所述目标阈值共同确定的BP神经网络模型对每个所述新序列进行预测,得到子预测结果。
其中,参见图3,所述利用纵横交叉算法确定目标权值和目标阈值具体包括:
S301,确定预设种群与所述预设种群中的目标粒子。
具体地,首先确定预设种群和对应的目标粒子,目标粒子可以是前预设个数的历史风速数据,确定神经网络拓扑结构和各层的神经元数目,并确定纵横交叉算法的纵向交叉概率Pv,种群规模M,最大迭代次数Tmaxgen。
在本方案中,确定训练样本中待优化的目标粒子,并在编码的解空间中,随机产生初始种群X=[X1,X2,...,XM]T,作为预设种群。
S302,设置目标神经网络和目标适应性值。
具体地,在第一次训练前,需要设置目标神经网络和目标适应性值。
其中,利用预先设置的目标神经网络对上述目标粒子进行预测,利用预测前的目标输出,和预测后的实际输出根据计算适应值的公式计算目标适应值。其中,计算适应值的公式为:
S303,将所述种群中,每一维中每任意两个目标粒子做算术交叉操作,得到对应所述目标粒子的第一子代,并将所述第一子代保存在第一矩阵中。
具体地,按照下式,进行横向交叉操作,横向交叉是在两个粒子中做算术交叉操作,且两个粒子是在同一维随机产生。将交叉操作的结果作为对应交叉操作的目标粒子的子代,保存在第一矩阵中。需要说明的是,横向交叉概率通常选为1。
具体地,横向交叉操作的公式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1、r2是[0,1]之间的随机数;c1、c2是[-1,1]之间的随机数;M为粒子数的范围;D为变量的维数;X(i,d)、X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)、MShc(j,d)分别表示X(i,d)和X(j,d)通过横向交叉在第d维产生子代,将所有子代保存至第一矩阵MShc中。
S304,在当前的第一矩阵中,确定第一子代适应性值小于当前目标适应性值的第一子代,作为目标第一子代保存至第二矩阵;其中,第一子代适应性值为利用当前目标神经网络模型对所述第一子代进行预测的预测前目标输出与预测后实际输出计算的适应性值。
在当前的第一矩阵MShc中,确定适应性值小于当前目标适应性值的第一子代。
具体地,首先利用当前目标神经网络模型对第一子代进行预测,并确定预测前的目标输出和预测后的实际输出,利用上述适应值计算公式计算对应第一子代的第一适应性值,将每个第一适应性值与当前的目标适应性值进行比较选出适应性值更好即更小的对应的粒子,将其保留在第二矩阵DShc中。
S305,在当前的第二矩阵中,每任意两个目标第一子代进行算术交叉操作,得到对应当前每个目标第一子代的第二子代,并将当前第二子代保存至第三矩阵;其中,所述任意两个目标第一子代分别来自当前第二矩阵的不同维度。
具体地,对第二矩阵中的粒子也就是目标第一子代进行纵向交叉操作,即,将第二矩阵中来自不同维度的每任意两个目标第一子代进行算术交叉,得到第二子代,并将第二子代保存在第三矩阵MSvc中。
具体地,纵向交叉的公式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)是目标第一子代的第d1维和第d2维通过纵向交叉操作后产生的子代,即第二子代。
S306,在当前的第三矩阵中,确定第二子代适应性值小于当前第一子代适应性值中最小值的第二子代,作为目标第二子代保存至第四矩阵;其中,第二子代适应性值为利用当前目标神经网络模型对当前第二子代进行预测的预测前目标输出与预测后实际输出计算的适应性值。
首先确定第一子代中适应性值的最小值,然后在当前的第三矩阵中,确定适应性值小于该最小值的第二子代,并在这些第二子代作为目标第二子代保存至第四矩阵DSvc。对于第二子代的适应性值的计算,同样是利用当前的目标神经网络对当前第二子代进行预测,确定预测前的目标输出与预测后的实际输出,按照适应性值的计算公式进行计算。
S307,确定当前第四矩阵中第二子代适应性值最小的优选目标第二子代。
具体地,在第四矩阵中,确定适应性值最小的第二子代,作为优选目标第二子代。
S308,判断当前迭代次数是否大于预设最大阈值。
S309,若是,则停止迭代,将当前优选目标第二子代设为目标权值和目标阈值。
具体地,当前迭代次数大于预设的最大阈值Tmaxgen时,则停止迭代,将当前的优选目标第二子代设为目标权值和目标阈值。
S310,若否,则将当前迭代次数加一,将当前优选目标第二子代确定的神经网络作为当前目标神经网络,将当前目标第二子代的适应性值作为当前目标适应性值,返回S303。
如果当前迭代次数没有大于最大迭代次数Tmaxgen,则需要将当前迭代次数加一,并利用当前优选目标第二子代确定神经网络,并将该神经网络作为下一次迭代的目标神经网络,将当前目标第二子代的适应值作为下一次迭代的目标适应值,继续返回S303进行迭代。
下面对本申请实施例提供的一种风速预测系统进行介绍,下文描述的一种风速预测系统与上文描述的任一实施例可以相互参照。
参见图4,本申请实施例提供的一种风速预测系统,具体包括:
获取模块401,用于获取历史风速数据作为原始序列;
分解模块402,用于利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;
重构模块403,用于对每个所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;
过滤模块404,用于将所述重构结果中的噪声进行过滤得到新序列;
预测模块405,用于利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果。
本实施例的风速预测系用于实现前述的风速预测方法,因此风速预测系统中的具体实施方式可见前文中的风速预测方法的实施例部分,例如,获取模块401,分解模块402,重构模块403,过滤模块404,预测模块405,分别用于实现上述风速预测方法中步骤S101,S102,S103,S104和S105,所以,其具体实施方式可以参考相应的各个部分实施例的描述,再次不再赘述。
本申请实施例提供一种具体的风速预测系统,基于上述系统实施例,本申请实施例对上述实施例中重构模块403做了进一步的限定和说明,重构模块403具体包括:
展开单元,用于对每个所述子序列中的元素按照奇异谱分析展开得到时间主成分;
重构单元,用于利用预设个数的时间正交函数和所述时间主成分进行重构得到重构结果。
本实施例的风速预测系用于实现前述的风速预测方法,因此风速预测系统中的具体实施方式可见前文中的风速预测方法的实施例部分,例如,展开单元和重构单元,分别用于实现上述风速预测方法中步骤S203和S204,所以,其具体实施方式可以参考相应的各个部分实施例的描述,再次不再赘述。
本申请实施例提供一种具体的风速预测系统,基于上述系统实施例,本申请实施例对上述实施例中过滤模块404做了进一步的限定和说明,过滤模块404具体包括:
第一计算单元,用于计算每个所述重构结果的奇异值;
确定单元,用于按照所述奇异值从大到小确定预设个数的目标重构结果;
第二计算单元,用于将所述目标重构结果相加,得到新序列。
本实施例的风速预测系用于实现前述的风速预测方法,因此风速预测系统中的具体实施方式可见前文中的风速预测方法的实施例部分,例如,第一计算单元,确定单元和第二计算单元,分别用于实现上述风速预测方法中步骤S205、S206和S207,所以,其具体实施方式可以参考相应的各个部分实施例的描述,再次不再赘述。
本申请实施例提供一种具体的风速预测系统,基于上述系统实施例,本申请实施例对上述实施例中预测模块405做了进一步的限定和说明,预测模块405具体包括:
目标值确定单元,用于利用纵横交叉算法确定目标权值和目标阈值;
预测单元,用于利用所述目标权值和所述目标阈值共同确定的BP神经网络模型对每个所述新序列进行预测,得到子预测结果。
本实施例的风速预测系用于实现前述的风速预测方法,因此风速预测系统中的具体实施方式可见前文中的风速预测方法的实施例部分,其中,目标值确定单元用于实现上述风速预测方法中步骤S301值S310,其具体实施方式可以参考相应的各个部分实施例的描述,再次不再赘述。
下面对本申请实施例提供的一种风速预测装置进行预测,下文描述的一种风速预测装置与上文实施例描述的任一实施例相互参照。
参见图5,本申请实施例提供的一种风速预测装置,具体包括:
存储器501,用于存储计算机程序;
处理器502,用于执行所述计算机程序时实现如上述任一实施例所述风速预测方法的步骤。
具体的,存储器501包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令,该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器502为风速预测装置提供计算和控制能力,可以实现上述任一风速预测方法实施例所提供的步骤。
在上述实施例的基础上,作为优选实施方式,所述风速预测装置还包括:
输入接口503,用于获取外部导入的计算机程序、参数和指令,经处理器控制保存至存储器中。该输入接口503可以与输入装置相连,接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板,也可以是键盘、触控板或鼠标等。具体的,在本实施例中,用户可以通过输入接口503手动输入训练样本、最大迭代次数等。
显示单元504,用于显示处理器发送的数据。该显示单元504可以为PC机上的显示屏、液晶显示屏或者电子墨水显示屏等。具体的,在本实施例中,显示单元504可以显示风速预测装置的预测结果等信息。
网络端口505,用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术,如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。具体的,在本实施例中,可通过网络端口获取历史风速数据,以及发送实际预测结果。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现上述实施例所提供的风速预测方法的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种风速预测方法,其特征在于,包括:
获取历史风速数据作为原始序列;
利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;
对所有所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;
将所述重构结果中的噪声进行过滤得到新序列;
利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果;
所述将所述重构结果中的噪声进行过滤得到新序列,包括:计算每个所述重构结果的奇异值;按照所述奇异值从大到小确定预设个数的目标重构结果;将所述目标重构结果相加,得到新序列;
所述利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,包括:利用纵横交叉算法确定目标权值和目标阈值;利用所述目标权值和所述目标阈值共同确定的BP神经网络模型对每个所述新序列进行预测,得到子预测结果;
所述利用纵横交叉算法确定目标权值和目标阈值,包括:
S301,确定预设种群与所述预设种群中的目标粒子;
S302,设置目标神经网络和目标适应性值;
S303,将所述种群中,每一维中每任意两个目标粒子做算术交叉操作,得到对应所述目标粒子的第一子代,并将所述第一子代保存在第一矩阵中;
S304,在当前的第一矩阵中,确定第一子代适应性值小于当前目标适应性值的第一子代,作为目标第一子代保存至第二矩阵;其中,第一子代适应性值为利用当前目标神经网络模型对所述第一子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S305,在当前的第二矩阵中,每任意两个目标第一子代进行算术交叉操作,得到对应当前每个目标第一子代的第二子代,并将当前第二子代保存至第三矩阵;其中,所述任意两个目标第一子代分别来自当前第二矩阵的不同维度;
S306,在当前的第三矩阵中,确定第二子代适应性值小于当前第一子代适应性值中最小值的第二子代,作为目标第二子代保存至第四矩阵;其中,第二子代适应性值为利用当前目标神经网络模型对当前第二子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S307,确定当前第四矩阵中第二子代适应性值最小的优选目标第二子代;
S308,判断当前迭代次数是否大于预设最大阈值;
S309,若是,则停止迭代,将当前优选目标第二子代设为目标权值和目标阈值;
S310,若否,则将当前迭代次数加一,将当前优选目标第二子代确定的神经网络作为当前目标神经网络,将当前目标第二子代的适应性值作为当前目标适应性值,返回S303。
2.根据权利要求1所述的方法,其特征在于,所述对所有所述子序列进行重构得到重构结果,包括:
对每个所述子序列中的元素按照奇异谱分析展开得到时间主成分;
利用预设个数的时间正交函数和所述时间主成分进行重构得到重构结果。
3.根据权利要求1所述的方法,其特征在于,所述目标粒子为前预设个数的所述历史风速数据。
4.一种风速预测系统,其特征在于,包括:
获取模块,用于获取历史风速数据作为原始序列;
分解模块,用于利用奇异谱分析算法对所述原始序列进行分解,得到多个子序列;
重构模块,用于对每个所述子序列进行重构得到重构结果;其中,所述重构结果包括趋势、震荡和噪声;
过滤模块,用于将所述重构结果中的噪声进行过滤得到新序列;
预测模块,用于利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,并将所有子预测结果进行叠加得到最终预测结果;
所述过滤模块,包括:
第一计算单元,用于计算每个所述重构结果的奇异值;
确定单元,用于按照所述奇异值从大到小确定预设个数的目标重构结果;
第二计算单元,用于将所述目标重构结果相加,得到新序列;
所述利用纵横交叉算法优化的BP模型对每个所述新序列进行预测,得到子预测结果,包括:利用纵横交叉算法确定目标权值和目标阈值;利用所述目标权值和所述目标阈值共同确定的BP神经网络模型对每个所述新序列进行预测,得到子预测结果;
所述利用纵横交叉算法确定目标权值和目标阈值,包括:
S301,确定预设种群与所述预设种群中的目标粒子;
S302,设置目标神经网络和目标适应性值;
S303,将所述种群中,每一维中每任意两个目标粒子做算术交叉操作,得到对应所述目标粒子的第一子代,并将所述第一子代保存在第一矩阵中;
S304,在当前的第一矩阵中,确定第一子代适应性值小于当前目标适应性值的第一子代,作为目标第一子代保存至第二矩阵;其中,第一子代适应性值为利用当前目标神经网络模型对所述第一子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S305,在当前的第二矩阵中,每任意两个目标第一子代进行算术交叉操作,得到对应当前每个目标第一子代的第二子代,并将当前第二子代保存至第三矩阵;其中,所述任意两个目标第一子代分别来自当前第二矩阵的不同维度;
S306,在当前的第三矩阵中,确定第二子代适应性值小于当前第一子代适应性值中最小值的第二子代,作为目标第二子代保存至第四矩阵;其中,第二子代适应性值为利用当前目标神经网络模型对当前第二子代进行预测的预测前目标输出与预测后实际输出计算的适应性值;
S307,确定当前第四矩阵中第二子代适应性值最小的优选目标第二子代;
S308,判断当前迭代次数是否大于预设最大阈值;
S309,若是,则停止迭代,将当前优选目标第二子代设为目标权值和目标阈值;
S310,若否,则将当前迭代次数加一,将当前优选目标第二子代确定的神经网络作为当前目标神经网络,将当前目标第二子代的适应性值作为当前目标适应性值,返回S303。
5.一种风速预测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述风速预测方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述风速预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729961.4A CN108960511B (zh) | 2018-07-05 | 2018-07-05 | 一种风速预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729961.4A CN108960511B (zh) | 2018-07-05 | 2018-07-05 | 一种风速预测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960511A CN108960511A (zh) | 2018-12-07 |
CN108960511B true CN108960511B (zh) | 2022-07-12 |
Family
ID=64484247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810729961.4A Active CN108960511B (zh) | 2018-07-05 | 2018-07-05 | 一种风速预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960511B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144267B (zh) * | 2019-12-23 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 设备运行状态检测方法、装置、存储介质及计算机设备 |
CN112132365B (zh) * | 2020-11-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于多尺度特征的预报风速订正方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
-
2018
- 2018-07-05 CN CN201810729961.4A patent/CN108960511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测;殷豪等;《电网技术》;20171222(第05期);1467页左栏到1471页右栏 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960511A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960511B (zh) | 一种风速预测方法及相关装置 | |
KR20190073302A (ko) | 신경망의 컨볼루션 계산을 위한 방법 및 전자 디바이스 | |
CN104506378B (zh) | 一种预测数据流量的装置及方法 | |
JP7461344B2 (ja) | 畳み込みニューラルネットワークの畳み込み処理方法、装置及び記憶媒体 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN111800811B (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
CN112068798B (zh) | 一种实现网络节点重要性排序的方法及装置 | |
US11544542B2 (en) | Computing device and method | |
CN113705775A (zh) | 一种神经网络的剪枝方法、装置、设备及存储介质 | |
CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN114004352B (zh) | 一种仿真实现方法、神经网络编译器以及计算机可读存储介质 | |
CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其系统 | |
CN111985620A (zh) | 一种神经网络模型知识蒸馏方法、系统、设备及介质 | |
CN112488287A (zh) | 卷积神经网络压缩方法、系统、设备及介质 | |
CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
CN116146309A (zh) | 船舶尾气处理系统及其方法 | |
CN113222151B (zh) | 一种量子态的变换方法及装置 | |
Park et al. | Gplp: a local and parallel computation toolbox for gaussian process regression | |
CN116228014A (zh) | 一种基础设施入网的直流配电网效益评估系统及其方法 | |
CN116087435A (zh) | 空气质量监测方法、电子设备及存储介质 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
CN114418059A (zh) | 一种信息处理方法及装置 | |
CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
CN113536859A (zh) | 行为识别模型训练方法、识别方法、装置及存储介质 | |
CN116451006B (zh) | 基于增强型时序模式注意力的pmu数据恢复方法及系统 |
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 |