CN109034484A - 一种风速预测方法、装置及设备 - Google Patents
一种风速预测方法、装置及设备 Download PDFInfo
- Publication number
- CN109034484A CN109034484A CN201810871368.3A CN201810871368A CN109034484A CN 109034484 A CN109034484 A CN 109034484A CN 201810871368 A CN201810871368 A CN 201810871368A CN 109034484 A CN109034484 A CN 109034484A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction result
- speed data
- learning machine
- data sequence
- 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.)
- Pending
Links
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
本发明公开了一种风速预测方法,利用奇异谱分析将历史风速数据序列分解重构得到多个子序列,并利用预先通过布谷鸟优化算法对极限学习机进行优化,然后极限学习机分别根据子序列确定子预测结果,最终根据子预测结果确定最终预测结果。可见,该方法利用了奇异谱分析能直接提取原始序列的趋势、振荡和噪声部分的特点,排除了用于预测的风速数据的干扰因素,并利用了布谷鸟算法能够寻找极限学习机的最优参数的特点,保证了极限学习机的可靠性,最终提高了风速预测精度。本发明还提供了一种风速预测装置、设备及计算机可读存储介质,其作用与上述方法相对应。
Description
技术领域
本发明涉及风速预测领域,特别涉及一种风速预测方法、装置、设备及计算机可读存储介质。
背景技术
风能作为一种有效的清洁能源,近些年,风能发电得到迅速发展,风电装机容量急剧上升。然而,由于风速具有非平稳性和非线性的特点,当大容量的风电场并网后,风电功率的波动大小和电力系统的安全运行紧紧相关,而影响风电功率最直接的因素就是风速。因此,准确的风速预测不仅可以保障功率平衡和优化备用容量,还降低了电网运行成本,维护了电网的稳定运行。
风速预测主要分为统计方法、物理方法、神经网络方法。随着人工神经网络的发展,大多学者建立了BP神经网络,RBF神经网络,极限学习机等预测模型进行风速预测。但在风速预测应用场景中,一方面,由于风速具有很大的波动性,风速数据受到很多干扰因素的影响,因此单一的预测模型不能准确预测风速;另一方面,极限学习机随机生成初始输入权值和隐含层偏置,存在非最优参数的问题。
可见,如何解决传统的风速预测方法因为风速数据干扰因素较多导致预测精度较低、以及如何确定用于风速预测的极限学习机的最优参数的问题,亟待本领域技术人员的解决。
发明内容
本发明的目的是提供一种风速预测的方法、装置、设备及计算机可读存储介质,用以解决传统的风速预测方法因为风速数据干扰因素较多导致预测精度较低、以及用于风速预测的极限学习机的最优参数的确定较为困难的问题。
为解决上述技术问题,本发明提供了一种风速预测方法,包括:
确定用于预测的历史风速数据序列;
利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构;
利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果;
根据各个所述子预测结果,确定最终预测结果。
其中,所述利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构包括:
将所述历史风速数据序列记为Y=(y1,y2,...yN),其中,N为风速数据的数量;
将所述历史风速数据序列按照预先确定窗口长度L划分为K个子序列,并将所述子序列记为Xi=(yi,yi+1,...yi+l-1),其中,K=N-L+1,i∈(1,K);
根据各个所述子序列,确定所述历史风速数据序列的轨迹矩阵:
对所述轨迹矩阵进行奇异值分解,并按照奇异谱分析进行展开,则其中,j∈(1,M),M∈(1,L),Ekj为时间经验正交函数中的第k维第j列;
将Xi的第K个主成分记为则:
选择奇异值较大的r个主成分相加,得到重构后的子序列,则重构的子序列i=1,...,N。
其中,所述布谷鸟优化极限学习机的训练过程包括:
随机生成初始种群所述初始种群包括M个鸟巢,所述初始种群中的第i个鸟巢其中,n和l分别为极限学习机的输入层的层数和隐含层的层数,wnl为所述输入层第n个节点到所述隐含层第l个节点的输入权值,bl为所述隐含层第l节点的偏置;
每次迭代开始时,按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新,得到其中1≤t≤T;
计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度小于的适应度,则将更新到所在的位置,其中为第t-1代种群中第i个鸟巢;
生成随机数r∈(0,1),并比较r和Pa的大小,其中Pa为预设的发现概率;
若r>Pa,则生成一个随机步长,并以所述随机步长更新得到第t代种群
若r<Pa,则按照对中的各个鸟巢进行更新,得到第t代种群其中,随机维数d1∈(1,D),随机维数d2∈(1,D),D为鸟巢的维数;
计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度大于的适应度,则将更新到所在的位置;
判断t是否等于T;若不等于,则t=t+1并继续进行迭代;若等于,则确定所述第t代种群中适应度最大的鸟巢根据鸟巢确定所述极限学习机中各个所述隐含层的偏置、以及所述输入层到所述隐含层的输入权值,以完成所述布谷鸟优化极限学习机的训练。
其中,所述以所述随机步长更新的公式具体为:
其中,α为步长控制量,L(λ)为随机搜索路径,为点对点乘法。
其中,所述确定用于预测的历史风速数据序列包括:
确定用于预测的历史风速数据序列,并对所述历史风速数据序列进行预处理。
其中,所述根据各个所述子预测结果,确定最终预测结果包括:
对各个所述子预测结果求和,得到最终预测结果。
相应的,本发明还提供了一种风速预测装置,包括:
确定模块:用于确定用于预测的历史风速数据序列;
分解重构模块:用于利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构;
子预测结果确定模块:用于利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果;
最终预测结果确定模块:用于根据各个所述子预测结果,确定最终预测结果。
此外,本发明还提供了一种风速预测设备,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以实现如上所述的一种风速预测方法的步骤。
最后,本发明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上所述的一种风速预测方法的步骤。
本发明所提供的一种风速预测方法,利用奇异谱分析将历史风速数据序列分解重构得到多个子序列,并利用预先通过布谷鸟优化算法对极限学习机进行优化,然后极限学习机分别根据子序列确定子预测结果,最终根据子预测结果确定最终预测结果。可见,该方法利用了奇异谱分析能直接提取原始序列的趋势、振荡和噪声部分的特点,排除了用于预测的风速数据的干扰因素,并利用了布谷鸟算法能够寻找极限学习机的最优参数的特点,保证了极限学习机的可靠性,最终提高了风速预测精度。
本发明还提供了一种风速预测装置、设备及计算机可读存储介质,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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为本发明提供的一种风速预测方法实施例的实现流程图;
图2为本发明提供的一种利用奇异谱分析对子序列进行分解重构的实现流程图;
图3为本发明提供的一种风速预测装置实施例的结构框图。
具体实施方式
本发明的核心是提供一种风速预测方法、装置、设备及计算机可读存储介质,减少了风速数据的干扰因素,提高了用于风速预测的极限学习机的预测精度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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做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。
下面对本发明提供的一种风速预测方法实施例进行介绍,参见图1,该方法实施例具体包括:
步骤S101:确定用于预测的历史风速数据序列。
具体的,确定用于预测的历史风速数据序列之后,可以对所述历史风速数据序列进行预处理,以便于后续步骤。
值得一提的是,所述历史风速数据序列指的是用于预测的风速数据,对于风速数据的采样频率、以及风速数据的时间跨度可以根据实际应用场景来确定。例如,一方面,为了保证风速预测的精准度,时间跨度不能过小,另一方面,为了节省风速预测的时间,减少计算量,风速数据的时间跨度不能过大,本实施例中时间跨度可以为前一周。
步骤S102:利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构。
奇异谱分析(Singular Spectrum Analysis,SSA)是近年来兴起的一种研究非线性时间序列数据的强大的方法。它根据所观测到的时间序列构造出轨迹矩阵,并对轨迹矩阵进行分解、重构,从而提取出代表原时间序列不同成分的信号,如长期趋势信号、周期信号、噪声信号等,从而对时间序列的结构进行分析,并可进一步预测。本实施例采用奇异谱分析对原始数据进行预处理,利用奇异谱分析能直接提取序列的趋势成分、振荡成分和噪声的能力,然后过滤掉数据中存在的高频率噪声部分,降低了这种随机波动对预测结果的影响,特别适合研究有周期振荡的系统,目前奇异谱分析已在水文预测、电力负荷和天气预报预测等领域有相关研究。
具体的,如图2所示,步骤S102具体包括以下步骤:
步骤S1021:将所述历史风速数据序列记为Y=(y1,y2,...yN),其中,N为风速数据的数量。
步骤S1022:将所述历史风速数据序列按照预先确定窗口长度L划分为K个子序列,并将所述子序列记为Xi=(yi,yi+1,...yi+l-1),其中,K=N-L+1,i∈(1,K)。
步骤S1023:根据各个所述子序列,确定所述历史风速数据序列的轨迹矩阵:
步骤S1024:对所述轨迹矩阵进行奇异值分解,并按照奇异谱分析进行展开,则其中,j∈(1,M),M∈(1,L),Ekj为时间经验正交函数中的第k维第j列。
步骤S1025:将Xi的第K个主成分记为则:
步骤S1026:选择奇异值较大的r个主成分相加,得到重构后的子序列,则重构的子序列i=1,...,N。
步骤S103:利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果。
布谷鸟算法是一种启发式算法,该算法基于布谷鸟寻窝产卵的行为以及莱维飞行原理实现,本实施例中采用布谷鸟算法对极限学习机的参数进行优化,以保证极限学习机的可靠性。有些学者运用了大量的函数进行测试证明布谷鸟算法(cuckoo search,CS)在某些方面优于粒子群算法和遗传算法,优势体现在:全局搜索能力强、收敛速度快、所含参数少、通用性和鲁棒性等优点,故布谷鸟算法被广泛用于解决许多实际问题。此处不对利用布谷鸟算法训练极限学习机的过程进行过多描述,下文将对这一过程进行详细介绍。
关于训练样本的选取,本实施例中可以选取用于预测的风速数据之前三周的风速数据,具体的采样频率应该与用于预测的风速数据保持一致。
步骤S104:根据各个所述子预测结果,确定最终预测结果。
具体的,可以是将各个子预测结果相加求和,得到最终预测结果。
本实施例采用布谷鸟算法对极限学习机的输入权值和隐含层偏置进行了优化,避免了非最优参数问题,提高了极限学习机的泛化能力和可靠性。下面开始对利用布谷鸟算法训练优化极限学习机的过程,也就是步骤S103进行详细介绍,包括:
步骤S1031:随机生成初始种群所述初始种群包括M个鸟巢,所述初始种群中的第i个鸟巢其中,n和l分别为极限学习机的输入层的层数和隐含层的层数,wnl为所述输入层第n个节点到所述隐含层第l个节点的输入权值,bl为所述隐含层第l节点的偏置。
具体的,输入层的层数和隐含层的层数可以为预先设置的,具体可以根据训练样本来决定上述两个层数各为多少。
步骤S1032:每次迭代开始时,按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新,得到其中1≤t≤T。
步骤S1033:计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度小于的适应度,则将更新到所在的位置,其中为第t-1代种群中第i个鸟巢。
步骤S1034:生成随机数r∈(0,1),并比较r和Pa的大小,其中Pa为预设的发现概率。
步骤S1035:若r>Pa,则生成一个随机步长,并以所述随机步长更新得到第t代种群
其中,所述以所述随机步长更新的公式具体为:
其中,α为步长控制量,L(λ)为随机搜索路径,为点对点乘法。
步骤S1036:若r<Pa,则按照对中的各个鸟巢进行更新,得到第t代种群其中,随机维数d1∈(1,D),随机维数d2∈(1,D),D为鸟巢的维数。
步骤S1037:计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度大于的适应度,则将更新到所在的位置。
步骤S1038:判断t是否等于T;若不等于,则t=t+1并继续进行迭代;若等于,则确定所述第t代种群中适应度最大的鸟巢根据鸟巢确定所述极限学习机中各个所述隐含层的偏置、以及所述输入层到所述隐含层的输入权值,以完成所述布谷鸟优化极限学习机的训练。
为证明本实施例的方法提高了风速预测精度,本实施例还提供了风速预测误差分析的对比实验,其中实验对象包括:极限学习机(ELM)、正规化极限学习机(RELM)、布谷鸟算法优化正规化极限学习机(CS-RELM)、以及本实施例的奇异谱分析结合布谷鸟算法优化的正则化极限学习机(SSA-CS-RELM),误差对比如表1所示。
表1
从表1可以看出,从ELM预测,RELM预测到CS-RELM预测,再到SSA-CS-RELM预测,其预测精度在一步步提高。
综上,本实施例所提供的一种风速预测方法,利用奇异谱分析将历史风速数据序列分解重构得到多个子序列,减少了风速序列的非平稳性和非线性问题,并利用预先通过布谷鸟优化算法对极限学习机进行优化,然后极限学习机分别根据子序列确定子预测结果,最终根据子预测结果确定最终预测结果。可见,该方法利用了奇异谱分析能直接提取原始序列的趋势、振荡和噪声部分的特点,排除了用于预测的风速数据的干扰因素,并利用了布谷鸟算法能够寻找极限学习机的最优参数的特点,避免了极限学习机的非最优参数问题,提高了极限学习机的泛化能力,保证了极限学习机的可靠性,最终提高了风速预测精度。且本发明控制参数少易于实施,对提高风速预测精度具有重要应用价值。
下面对本发明实施例提供的一种风速预测装置进行介绍,下文描述的一种风速预测装置与上文描述的一种风速预测方法可相互对应参照。
参见图3,该装置实施例包括:
确定模块301:用于确定用于预测的历史风速数据序列。
分解重构模块302:用于利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构。
子预测结果确定模块303:用于利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果。
最终预测结果确定模块304:用于根据各个所述子预测结果,确定最终预测结果。
本实施例提供的一种风速预测装置用于实现前述的一种风速预测方法,因此该装置中的具体实施方式可见前文中的一种风速预测方法的实施例部分,例如,确定模块301、分解重构模块302、子预测结果确定模块303、最终预测结果确定模块304,分别用于实现上述一种风速预测方法中步骤S101,S102,S103,S104。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例提供的一种风速预测装置用于实现前述的一种风速预测方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本发明还提供了一种风速预测设备,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以实现上所述的一种风速预测方法的步骤。
最后,本发明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上所述的一种风速预测方法的步骤。
本实施例提供的一种风速预测设备及计算机可读存储介质用于实现前述的一种风速预测方法,因此其具体实施方式可见前文中的一种风速预测方法的实施例部分,这里不再过多介绍,另外其作用与上述方法的作用相对应,这里也不再赘述。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种风速预测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种风速预测方法,其特征在于,包括:
确定用于预测的历史风速数据序列;
利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构;
利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果;
根据各个所述子预测结果,确定最终预测结果。
2.如权利要求1所述的方法,其特征在于,所述利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构包括:
将所述历史风速数据序列记为Y=(y1,y2,...yN),其中,N为风速数据的数量;
将所述历史风速数据序列按照预先确定窗口长度L划分为K个子序列,并将所述子序列记为Xi=(yi,yi+1,...yi+l-1),其中,K=N-L+1,i∈(1,K);
根据各个所述子序列,确定所述历史风速数据序列的轨迹矩阵:
对所述轨迹矩阵进行奇异值分解,并按照奇异谱分析进行展开,则其中,j∈(1,M),M∈(1,L),Ekj为时间经验正交函数中的第k维第j列;
将Xi的第K个主成分记为则:
选择奇异值较大的r个主成分相加,得到重构后的子序列,则重构的子序列i=1,...,N。
3.如权利要求1所述的方法,其特征在于,所述布谷鸟优化极限学习机的训练过程包括:
随机生成初始种群所述初始种群包括M个鸟巢,所述初始种群中的第i个鸟巢其中,n和l分别为极限学习机的输入层的层数和隐含层的层数,wnl为所述输入层第n个节点到所述隐含层第l个节点的输入权值,bl为所述隐含层第l节点的偏置;
每次迭代开始时,按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新,得到其中1≤t≤T;
计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度小于的适应度,则将更新到所在的位置,其中为第t-1代种群中第i个鸟巢;
生成随机数r∈(0,1),并比较r和Pa的大小,其中Pa为预设的发现概率;
若r>Pa,则生成一个随机步长,并以所述随机步长更新得到第t代种群
若r<Pa,则按照对中的各个鸟巢进行更新,得到第t代种群其中,随机维数d1∈(1,D),随机维数d2∈(1,D),D为鸟巢的维数;
计算中各个鸟巢的适应度,并比较和的适应度大小,若的适应度大于的适应度,则将更新到所在的位置;
判断t是否等于T;若不等于,则t=t+1并继续进行迭代;若等于,则确定所述第t代种群中适应度最大的鸟巢根据鸟巢确定所述极限学习机中各个所述隐含层的偏置、以及所述输入层到所述隐含层的输入权值,以完成所述布谷鸟优化极限学习机的训练。
4.如权利要求3所述的方法,其特征在于,所述以所述随机步长更新的公式具体为:
其中,α为步长控制量,L(λ)为随机搜索路径,为点对点乘法。
5.如权利要求1所述的方法,其特征在于,所述确定用于预测的历史风速数据序列包括:
确定用于预测的历史风速数据序列,并对所述历史风速数据序列进行预处理。
6.如权利要求1所述的方法,其特征在于,所述根据各个所述子预测结果,确定最终预测结果包括:
对各个所述子预测结果求和,得到最终预测结果。
7.一种风速预测装置,其特征在于,包括:
确定模块:用于确定用于预测的历史风速数据序列;
分解重构模块:用于利用奇异谱分析将所述历史风速数据序列分解为多个子序列,并对所述子序列进行重构;
子预测结果确定模块:用于利用预先训练得到的布谷鸟优化极限学习机分别对各个所述子序列进行预测,得到子预测结果;
最终预测结果确定模块:用于根据各个所述子预测结果,确定最终预测结果。
8.一种风速预测设备,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以实现如权利要求1-6任意一项所述的一种风速预测方法的步骤。
9.一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1-6任意一项所述的一种风速预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871368.3A CN109034484A (zh) | 2018-08-02 | 2018-08-02 | 一种风速预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871368.3A CN109034484A (zh) | 2018-08-02 | 2018-08-02 | 一种风速预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034484A true CN109034484A (zh) | 2018-12-18 |
Family
ID=64648797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871368.3A Pending CN109034484A (zh) | 2018-08-02 | 2018-08-02 | 一种风速预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034484A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147908A (zh) * | 2019-05-22 | 2019-08-20 | 东莞理工学院 | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
CN111985712A (zh) * | 2020-08-19 | 2020-11-24 | 华北电力大学(保定) | 一种多步风速组合预测模型建立方法 |
CN112132365A (zh) * | 2020-11-24 | 2020-12-25 | 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 |
CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
CN115345367A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨工业大学 | 一种基于实时去噪的大跨度桥梁风速预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN106203382A (zh) * | 2016-07-20 | 2016-12-07 | 河海大学 | 一种基于核函数极限学习机的励磁涌流和故障电流识别方法 |
CN107506861A (zh) * | 2017-08-25 | 2017-12-22 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
-
2018
- 2018-08-02 CN CN201810871368.3A patent/CN109034484A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN106203382A (zh) * | 2016-07-20 | 2016-12-07 | 河海大学 | 一种基于核函数极限学习机的励磁涌流和故障电流识别方法 |
CN107506861A (zh) * | 2017-08-25 | 2017-12-22 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
XIAOBO ZHANG 等: "Short-term electric load forecasting based on singular spectrum analysis and support vector machine optimized by Cuckoo search algorithm", 《ELECTRIC POWER SYSTEMS RESEARCH》 * |
刘晓平 等: "《计算机技术与应用进展2008下》", 31 July 2008, 中国科学技术大学出版社 * |
殷豪 等: "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", 《电网技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147908A (zh) * | 2019-05-22 | 2019-08-20 | 东莞理工学院 | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
CN111985712A (zh) * | 2020-08-19 | 2020-11-24 | 华北电力大学(保定) | 一种多步风速组合预测模型建立方法 |
CN112132365A (zh) * | 2020-11-24 | 2020-12-25 | 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 |
CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
CN115345367A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨工业大学 | 一种基于实时去噪的大跨度桥梁风速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034484A (zh) | 一种风速预测方法、装置及设备 | |
CN106357456B (zh) | 一种网络流量的预测方法及装置 | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
Yang et al. | An adaptive PMU missing data recovery method | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
Lin et al. | Temporal convolutional neural networks for solar power forecasting | |
Salcedo-Sanz et al. | One-year-ahead energy demand estimation from macroeconomic variables using computational intelligence algorithms | |
CN110147444A (zh) | 神经网络语言模型、文本预测方法、装置及存储介质 | |
Mezaache et al. | Auto-encoder with neural networks for wind speed forecasting | |
US10956811B2 (en) | Variable epoch spike train filtering | |
CN110007371A (zh) | 风速预测方法及装置 | |
CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing | |
CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
CN108960511A (zh) | 一种风速预测方法及相关装置 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN110059840B (zh) | 一种受端电网中电池储能系统选址方法及系统 | |
CN116562455A (zh) | 风力发电机的气温预报数据处理方法、装置、计算机设备 | |
CN115630316A (zh) | 基于改进长短期记忆网络的超短期风速预测方法 | |
CN110428164A (zh) | 一种电网运行状态监测方法、装置、设备及可读存储介质 | |
CN113779498B (zh) | 离散傅里叶矩阵重构方法、装置、设备和存储介质 | |
CN108985520A (zh) | 一种风速预测方法、装置及设备 | |
CN109143371A (zh) | 一种地震数据的噪声去除方法及装置 | |
Ali et al. | Future clients' requests estimation for dynamic resource allocation in cloud data center using cgpann |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |
|
WD01 | Invention patent application deemed withdrawn after publication |