CN109460847A - 一种基于最邻近结点算法的风速预测方法 - Google Patents

一种基于最邻近结点算法的风速预测方法 Download PDF

Info

Publication number
CN109460847A
CN109460847A CN201810999249.6A CN201810999249A CN109460847A CN 109460847 A CN109460847 A CN 109460847A CN 201810999249 A CN201810999249 A CN 201810999249A CN 109460847 A CN109460847 A CN 109460847A
Authority
CN
China
Prior art keywords
distance
wind speed
tuple
closest node
node algorithm
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
Application number
CN201810999249.6A
Other languages
English (en)
Inventor
宋耀莲
马丽华
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.)
Kunming University of Science and Technology
Original Assignee
Kunming 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810999249.6A priority Critical patent/CN109460847A/zh
Publication of CN109460847A publication Critical patent/CN109460847A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于最邻近结点算法的风速预测方法,属于气象数据分析方法技术领域。本发明收集地区的空气湿度、空气温度以及气压数据生成数据库;然后获取数据库中数据,并将数据导入到测试集和训练集的数据矩阵中;然后根据生成的数据矩阵分别计算其闵可夫斯基距离,曼哈顿距离和欧氏距离;同时根据所有距离计算的结果,构造距离矩阵;再根据生成的距离矩阵,每个距离向量的最小距离,对训练集中的输出进行平均,得到预测值;最后根据所得的预测值,得到该地区风速的预测结果。本发明使用最邻近结点算法通过对地区的空气湿度、空气温度以及气压数据进行处理,对该地区的风速进行预测,提高了风速预测的准确性。

Description

一种基于最邻近结点算法的风速预测方法
技术领域
本发明涉及一种基于最邻近结点算法的风速预测方法,属于气象数据分析方法技术领域。
背景技术
在现代社会的生产生活中,气象的预报与我们的生活越来越息息相关,尤其是风速的预测的准确性,影响着风力发电等行业的决策和规划,提高风速的预测的准确性 可以有助于风力资源的合理的运用。使用大量相关气象数据,并通过合理的方法对数 据进行处理和分析,是进行风速预测的前提,但现有的一些风速预测的方法都有着准 确性不高的缺点。
发明内容
本发明要解决的技术问题是提供一种基于最邻近结点算法的风速预测方法,用以解决上述问题。
本发明的技术方案是:一种基于最邻近结点算法的风速预测方法,具体步骤为:
Step1:收集地区的空气湿度、空气温度以及气压数据生成数据库;
Step2:获取数据库中数据,并将数据导入到测试集和训练集的数据矩阵中;
Step3:根据Step2中生成的数据矩阵分别计算其闵可夫斯基距离,曼哈顿距离和欧氏距离;
Step4:根据Step3中所有距离计算的结果,构造距离矩阵;
Step5:根据Step4中生成的距离矩阵,每个距离向量的最小距离,对训练集中的输出进行平均,得到预测值;
Step6:根据Step5所得的预测值,得到该地区风速的预测结果。
所述步骤Step2中,测试集TS和训练集TR为:
其中,n是输入元组属性的总数,i是TS输入元组的总数,j是TR中输入元组的总数;xin表示TS中第i个输入元组的第n个属性的值,yjn表示TR第j个输入元组中的第n个属性 的值。此外,cxi和cvi分别表示TS和TR中的第i个和第j个输入元组的输出。
所述TS中的每个元组xi是由输入元组的向量和输出的向量组成的对象集 (xi1,xi2,…,xi(n-1),xin,cxi)。
所述TR中的每个元组yi是由输入元组的向量和输出的向量组成的对象集 (yj1,yj2,...,yj(n-1),yjn,cyj)。
所述步骤Step3中闵可夫斯基距离dMink,曼哈顿距离dManh和欧氏距离dEuc的计算 公式为:
dManh(xi,yj)=|xi1-yj1|+|xi2-yj2|+…+|xi(n-1)-yj(n-1)|+|xin-yjn|
其中,xi∈TS,yj∈TR,m是指数的标量正值。
所述步骤Step4中,距离矩阵DM为:
其中,d(xi,yj)表示在TS中的第i个输入元组和在TR中的第j个输入元组之间的计算 距离。
所述步骤Step5中,预测值pxI的计算公式为:
其中,I∈{1,2,...,i},J∈{1,2,...,j),k是最近邻居数目,cyI为TR中的输出。
本发明的有益效果是:使用最邻近结点算法对空气湿度、空气温度以及气压数据进行处理,提升风速预测结果的准确性。
具体实施方式
下面结合具体实施方式,对本发明作进一步说明。
实施例1:一种基于最邻近结点算法的风速预测方法,具体步骤为:
Step1:收集地区的空气湿度、空气温度以及气压数据生成数据库;
Step2:获取数据库中数据,并将数据导入到测试集和训练集的数据矩阵中;
Step3:根据Step2中生成的数据矩阵分别计算其闵可夫斯基距离,曼哈顿距离和欧氏距离;
Step4:根据Step3中所有距离计算的结果,构造距离矩阵;
Step5:根据Step4中生成的距离矩阵,每个距离向量的最小距离,对训练集中的输出进行平均,得到预测值;
Step5:根据Step4中生成的距离矩阵,每个距离向量的最小距离,对训练集中的输出进行平均,得到预测值;
所述步骤Step2中,测试集TS和训练集TR为:
其中,n是输入元组属性的总数,i是TS输入元组的总数,j是TR中输入元组的总数;xin表示TS中第i个输入元组的第n个属性的值,yjn表示TR第j个输入元组中的第n个属性 的值。此外,cxi和cyi分别表示TS和TR中的第i个和第j个输入元组的输出。
所述TS中的每个元组xi是由输入元组的向量和输出的向量组成的对象集 (xi1,xi2,…,xi(n-1),xin,cxi)。
所述TR中的每个元组yj是由输入元组的向量和输出的向量组成的对象集 (yj1,yj2,...,yj(n-1),yjn,cyj)。
所述步骤Step3中闵可夫斯基距离dMink,曼哈顿距离dManh和欧氏距离dEuc的计算 公式为:
dManh(xi,yj)=|xi1-yj1|+|xi2-yj2|+…+|xi(n-1)-yj(n-1)|+|xin-yjn|
其中,xi∈TS,yj∈TR,m是指数的标量正值。
所述步骤Step4中,距离矩阵DM为:
其中,d(xi,yj)表示在TS中的第i个输入元组和在TR中的第j个输入元组之间的计算 距离。
所述步骤Step5中,预测值pxI的计算公式为:
其中,I∈(1,2,...,i},J∈{1,2,...,j},k是最近邻居数目,cyJ为TR中的输出。
以上对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种基于最邻近结点算法的风速预测方法,其特征在于:
Step1:收集地区的空气湿度、空气温度以及气压数据生成数据库;
Step2:获取数据库中数据,并将数据导入到测试集和训练集的数据矩阵中;
Step3:根据Step2中生成的数据矩阵分别计算其闵可夫斯基距离,曼哈顿距离和欧氏距离;
Step4:根据Step3中所有距离计算的结果,构造距离矩阵;
Step5:根据Step4中生成的距离矩阵,每个距离向量的最小距离,对训练集中的输出进行平均,得到预测值;
Step6:根据Step5所得的预测值,得到该地区风速的预测结果。
2.根据权利要求1所述的基于最邻近结点算法的风速预测方法,其特征在于:所述步骤Step2中,测试集TS和训练集TR为:
其中,n是输入元组属性的总数,i是TS输入元组的总数,j是TR中输入元组的总数;xin表示TS中第i个输入元组的第n个属性的值,yjn表示TR第j个输入元组中的第n个属性的值。此外,cxi和cyi分别表示TS和TR中的第i个和第j个输入元组的输出。
3.根据权利要求2所述的基于最邻近结点算法的风速预测方法,其特征在于:所述TS中的每个元组xi是由输入元组的向量和输出的向量组成的对象集(xi1,xi2,...,xi(n-1),xin,cxi)。
4.根据权利要求2所述的基于最邻近结点算法的风速预测方法,其特征在于:所述TR中的每个元组yj是由输入元组的向量和输出的向量组成的对象集(yj1,yj2,...,yj(n-1),yjn,cyj)。
5.根据权利要求1所述的基于最邻近结点算法的风速预测方法,其特征在于:所述步骤Step3中闵可夫斯基距离dMink,曼哈顿距离dManh和欧氏距离dEuc的计算公式为:
dManh(xi,yj)=|xi1-yj1|+|xi2-yj2|+…+|xi(n-1)-yj(n-1)|+|xin-yjn|
其中,xi∈TS,yj∈TR,m是指数的标量正值。
6.根据权利要求1所述的基于最邻近结点算法的风速预测方法,其特征在于:所述步骤Step4中,距离矩阵DM为:
其中,d(xi,yj)表示在TS中的第i个输入元组和在TR中的第j个输入元组之间的计算距离。
7.根据权利要求1所述的基于最邻近结点算法的风速预测方法,其特征在于:所述步骤Step5中,预测值pxI的计算公式为:
其中,I∈{1,2,...,i},J∈{1,2,...,j},k是最近邻居数目,cyJ为TR中的输出。
CN201810999249.6A 2018-08-30 2018-08-30 一种基于最邻近结点算法的风速预测方法 Pending CN109460847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810999249.6A CN109460847A (zh) 2018-08-30 2018-08-30 一种基于最邻近结点算法的风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810999249.6A CN109460847A (zh) 2018-08-30 2018-08-30 一种基于最邻近结点算法的风速预测方法

Publications (1)

Publication Number Publication Date
CN109460847A true CN109460847A (zh) 2019-03-12

Family

ID=65606413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810999249.6A Pending CN109460847A (zh) 2018-08-30 2018-08-30 一种基于最邻近结点算法的风速预测方法

Country Status (1)

Country Link
CN (1) CN109460847A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080172279A1 (en) * 2003-06-13 2008-07-17 Enis Ben M Method of coordinating and stabilizing the delivery of wind generated energy
CN104778506A (zh) * 2015-03-31 2015-07-15 天津大学 基于局部集成学习的短期风速预报方法
CN107885968A (zh) * 2017-11-06 2018-04-06 国电联合动力技术有限公司 基于周期叠加外推的风电场年平均风速预测方法及系统
CN107907500A (zh) * 2017-10-19 2018-04-13 宁夏大学 一种羊肉产地的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080172279A1 (en) * 2003-06-13 2008-07-17 Enis Ben M Method of coordinating and stabilizing the delivery of wind generated energy
CN104778506A (zh) * 2015-03-31 2015-07-15 天津大学 基于局部集成学习的短期风速预报方法
CN107907500A (zh) * 2017-10-19 2018-04-13 宁夏大学 一种羊肉产地的检测方法
CN107885968A (zh) * 2017-11-06 2018-04-06 国电联合动力技术有限公司 基于周期叠加外推的风电场年平均风速预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓称: "风速预测的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
陈昊: "加权K-NN算法及其应用", 《中国优秀硕博士学位论文全文数据库(硕士)基础科学辑》 *

Similar Documents

Publication Publication Date Title
WO2020063690A1 (zh) 一种电力系统预测的方法和装置
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
Yao et al. Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost
CN102236795B (zh) 风电场风速预测方法
CN106022538B (zh) 基于k均值聚类改进广义天气的光伏发电预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN103489046A (zh) 风电场短期功率预测方法
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN102684223A (zh) 以降低网损为目标的多约束条件下风电送出功率优化评估方法
CN103473621A (zh) 风电场短期功率预测方法
CN105512766A (zh) 一种风电场功率预测方法
CN103942736B (zh) 一种风电场多机等值建模方法
CN109376950A (zh) 一种基于bp神经网络的多元电网负荷预测方法
CN102147839A (zh) 一种光伏发电量预测方法
CN110135623A (zh) 基于层次聚类和神经网络的负荷预测输入特征筛选方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Liu et al. An online transfer learning model for wind turbine power prediction based on spatial feature construction and system-wide update
CN109902743A (zh) 一种风电机组输出功率预测方法
CN109214610A (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN112052985B (zh) 一种基于lightgbm的中短期低电压预测方法
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN108694475A (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN104700156A (zh) 一种基于支持向量机筛选变量的风电功率预测方法
CN109460847A (zh) 一种基于最邻近结点算法的风速预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312