CN110288150A - 风速预测方法、终端设备及存储介质 - Google Patents
风速预测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110288150A CN110288150A CN201910548974.6A CN201910548974A CN110288150A CN 110288150 A CN110288150 A CN 110288150A CN 201910548974 A CN201910548974 A CN 201910548974A CN 110288150 A CN110288150 A CN 110288150A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- forecasting
- frequency spectrum
- energy
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本申请适用于风力发电技术领域,提供了一种风速预测方法、终端设备及存储介质,其中,上述方法包括:获取小时平均风速信号;根据小时平均风速信号的能量,在频域对小时平均风速信号进行分解,得到四个分量信号;根据预设的预测模型计算对应的分量信号的风速预测向量;根据各个分量信号的风速预测向量,计算总风速预测向量。本申请实施例提供的风速预测方法、终端设备及存储介质,利用能量对小时平均风速信号进行分解,并根据分解得到的分量信号进一步预测风速。由于从能量角度划分小时平均风速信号,相较于现有的风速信号分解方法,更为贴切风速的特性,使得计算得到的预测风速准确性较高,解决了目前风速预测中存在的预测结果准确性较差的问题。
Description
技术领域
本申请属于风力发电技术领域,尤其涉及一种风速预测方法、终端设备及存储介质。
背景技术
在传统化石能源日益枯竭的今天,风能作为一种可再生清洁能源,其开发利用引起了世界各国的广泛重视。目前,风电发电是开发和利用风能的主要形式。据世界风能协会的报告可知,截至2018年底,全球风力发电的总装机容量约为600GW,其中2018年的新增装机容量达到53.9GW。然而,由于风速本身具有波动性和间歇性的特点,导致在风电并网后,会给电力系统调度、电压及无功控制造成困难,影响电力系统的安全稳定运行。目前,对风速或风功率进行预测是解决这一问题最有效的方法,准确的预测可为电力系统制定调度计划提供合理依据,大幅降低旋转备用容量,减少系统的运行费用,具有重要的工程意义。
目前,在对风力发电中风速进行预测时,常常存在预测结果的准确性较差的问题。
发明内容
有鉴于此,本申请实施例提供了一种风速预测方法、终端设备及存储介质,以解决目前风速预测中存在的预测结果准确性较差的问题。
根据第一方面,本申请实施例提供了一种风速预测方法,包括:获取小时平均风速信号;根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号;根据预设的预测模型计算对应的所述分量信号的风速预测向量;根据各个所述分量信号的风速预测向量,计算总风速预测向量。
本申请实施例提供的风速预测方法,利用能量对小时平均风速信号进行分解,并根据分解得到的分量信号进一步预测风速。由于从能量角度划分小时平均风速信号,相较于现有的风速信号分解方法,更为贴切风速的特性,使得计算得到的预测风速准确性较高,解决了目前风速预测中存在的预测结果准确性较差的问题。
结合第一方面,在本申请的一些实施例中,所述根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号,包括:计算所述小时平均风速信号对应的频谱;所述频谱为去除直流分量的频谱;根据预设的能量阈值,将所述频谱划分为四部分,得到对应的四个频段;根据预设的小波滤波器分别对所述四个频段的信号进行滤波,得到对应的四个分量信号。
本申请实施例提供的风速预测方法,从能量角度划分频谱,并使用改进的经验小波变换算法从小时平均风速信号中分解得到分量信号,更为贴切风速的特性,能够使对小时平均风速信号的分解更为合理。
结合第一方面,在本申请的一些实施例中,所述根据预设的能量阈值,将所述频谱划分为四部分,包括:对所述频谱进行初始划分,并计算经初始划分所得的各个频段的能量;当经初始划分所得的各个频段的能量不满足预设的能量阈值时,对所述频谱进行重新划分,直至经重新划分所得的各个频段的能量满足预设的能量阈值;通过计算所述频谱或由所述频谱划分的各个频段的能量;其中,E为所述频谱或由所述频谱划分的任一频段的能量;为所述频谱或由所述频谱划分的任一频段;[ω1,ω2]为所述频谱或由所述频谱划分的任一频段的频率范围。
本申请实施例提供的风速预测方法,给出了用于计算频谱或由频谱划分的各个频段的能量的具体公式,能够方便快捷地完成对小时平均风速信号的分解。
结合第一方面,在本申请的一些实施例中,在所述根据预设的预测模型计算对应的所述分量信号的风速预测向量之前,所述风速预测方法还包括:分别获取与所述分量信号对应的预测模型;所述预测模型与所述分量信号一一对应;通过相空间重构和核极限学习机构建所述预测模型;其中,对于给定分量信号{y(i)}=y(1),y(2),…,y(N),通过相空间重构得到
其中,m为维数,τ为延迟时间,M=N-mτ+1;
得到训练样本(xi,y(i+mτ)),i=1,2,…,M-1。通过核极限学习机得到
其中,y=[y1,y2,…,yM-1]为预测目标值向量;K(xi,xj)是核函数,K(xi,xj)=exp(-γ||xi,xj||2),γ是核参数;I表示对角矩阵;C是正则化参数;ΩELM是核矩阵,ΩELM(i,j)=K(xi,xj);y(x)是输出。
KELM(核极限学习机)预测模型确定后,将xM输入到模型中即可得到y(N+1),实现单步预测。
本申请实施例提供的风速预测方法,给出了用于计算各个分量信号的风速预测值的具体公式,能够方便快捷地完成对各个分量信号对应的风速预测值的计算和求解。
结合第一方面,在本申请的一些实施例中,在所述分别获取与所述分量信号对应的预测模型之后,以及在所述根据预设的预测模型计算对应的所述分量信号的风速预测向量之前,所述风速预测方法还包括:根据鸟群算法对所述预测模型中的参数进行优化;相应的,所述根据预设的预测模型计算对应的所述分量信号的风速预测向量,为:根据优化后的预测模型计算对应的所述分量信号的风速预测向量。
本申请实施例提供的风速预测方法,通过对预测模型中的参数进行优化,提高了对各个分量信号对应的风速预测值的计算和求解准确性。
结合第一方面,在本申请的一些实施例中,在所述计算总风速预测向量之后,所述风速预测方法还包括:对所述总风速预测向量进行误差分析。
本申请实施例提供的风速预测方法,通过对风速预测值进行误差分析,能够直观展示风速预测的误差水平,突出本申请实施例提供的风速预测方法在提高预测结果准确性方面的效果。
结合第一方面,在本申请的一些实施例中,所述对所述总风速预测向量进行误差分析,包括:获取与所述总风速预测向量对应的实际风速向量;根据所述总风速预测向量和所述实际风速向量,计算对应的平均绝对误差、均方根误差、平均相对误差。
本申请实施例提供的风速预测方法,通过计算风速预测值和实测值之间的多个误差指标,从多个方面反映本申请实施例提供的风速预测方法在提高预测结果准确性上取得的成果。
根据第二方面,本申请实施例提供了一种终端设备,包括:输入单元,用于获取小时平均风速信号;分解单元,用于根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号;预测单元,用于根据预设的预测模型计算对应的所述分量信号的风速预测向量;以及用于根据各个所述分量信号的风速预测向量,计算总风速预测向量。
根据第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面,本申请实施例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第一方面或第一方面任一实施方式所述方法的步骤。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的风速预测方法的实现流程示意图;
图2是本申请实施例提供的风速预测方法的实现流程示意图;
图3是本申请实施例中浙江某风电场2014年4月份的小时平均风速时间序列图;
图4是本申请实施例中的频谱分割图;
图5是本申请实施例中改进经验小波变换得到的分解图;
图6是本申请实施例的风速预测结果;
图7是本申请实施例提供的终端设备的结构示意图;
图8是本申请实施例提供的另一终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
本申请实施例提供了一种风速预测方法,如图1所示,该风速预测方法可以包括以下步骤:
步骤S101:获取小时平均风速信号。具体的,可以对采集的原始风速信号进行小时平均化处理,从而得到小时平均风速信号。
步骤S102:根据小时平均风速信号的能量,在频域对小时平均风速信号进行分解,得到四个分量信号。
在一具体实施方式中,如图2所示,可以通过以下几个子步骤实现步骤S102的过程:
步骤S1021:计算小时平均风速信号对应的频谱。具体的,频谱为去除直流分量的频谱。
步骤S1022:根据预设的能量阈值,将频谱划分为四部分,得到对应的四个频段。
在一具体实施方式中,为了实现步骤S1022,首先对频谱进行初始划分,并计算经初始划分所得的各个频段的能量。当经初始划分所得的各个频段的能量满足预设的能量阈值时,可以将初始划分结果作为最终的频段划分结果。当经初始划分所得的各个频段的能量不满足预设的能量阈值时,对频谱进行重新划分,直至经重新划分所得的各个频段的能量满足预设的能量阈值,将最终满足预设的能量阈值情况下对应的划分结果作为最终的频段划分结果,完成对频谱的划分。
作为例子,在计算得到小时平均风速信号对应的、去除直流分量的频谱后,从能量和带宽的角度出发将频谱划分成四个部分,其中前两个部分的能量占频谱总能量的90%和6%,后面两个分量具有相同的带宽。
对于频谱或由频谱划分得到的任一频段,在区间[w1,w2]上的能量计算式为其中,E为频谱或由频谱划分的任一频段的能量;为频谱或由频谱划分的任一频段;[ω1,ω2]为频谱或由频谱划分的任一频段的频率范围。
步骤S1023:根据预设的小波滤波器分别对四个频段的信号进行滤波,得到对应的四个分量信号。
可以将划分的各个频段记为Λn=[wn-1,wn],wn为分界频率,N为频段的数量。依据分割区间Λn,构建小波滤波器组。以构建好的小波滤波器组分别对各个频段的信号进行滤波,得到对应的分量信号。
本申请实施例采用改进经验小波变换对小时平均风速信号进行分解,从能量的角度划分频谱,应用在风速信号分解上更加合理。
步骤S103:根据预设的预测模型计算对应的分量信号的风速预测向量。
可选的,如图2所示,还可以在步骤S103之前增设以下步骤:
步骤S105:分别获取与分量信号对应的预测模型。具体的,预测模型与分量信号一一对应。在一具体实施方式中,可以通过相空间重构和核极限学习机构建所述预测模型。
其中,对于给定分量信号{y(i)}=y(1),y(2),…,y(N),通过相空间重构得到
其中,m为维数,τ为延迟时间,M=N-mτ+1;
得到训练样本(xi,y(i+mτ)),i=1,2,…,M-1。通过核极限学习机得到
其中,y=[y1,y2,…,yM-1]为预测目标值向量;K(xi,xj)是核函数,K(xi,xj)=exp(-γ||xi,xj||2),γ是核参数;I表示对角矩阵;C是正则化参数;ΩELM是核矩阵,ΩELM(i,j)=K(xi,xj);y(x)是输出。
KELM预测模型确定后,将xM输入到模型中即可得到y(N+1),实现单步预测。
步骤S106:根据鸟群算法对预测模型中的参数进行优化。可以通过鸟群算法综合优化选取相空间重构参数m、τ和核极限学习机参数C、γ。
鸟群算法是2016年提出来的一种新型群体智能优化算法,算法主要包含以下5条规则。
(1)每只鸟都可以处于觅食状态或保持警惕状态。
(2)觅食状态时,鸟的位置更新如下:
(3)警惕状态时,鸟的位置更新如下:
式中,表示第i只鸟当前所在位置;pij是第i只鸟的历史最优位置;t是迭代次数;j是维数;gj表示种群最优位置;C1和S1是两个正常数,分别称为个体认知系数和种群加速系数;a1,a2是[0,2]之间的常数;k≠i,是[1,N]之间的整数,N表示种群的规模;PFiti是第i只鸟的适应度值;sumFit是鸟群的总适应度值;meanj表示种群第j维的平均位置;ε是计算机最小常数。
(4)鸟群会定期以迁移周期FQ迁移到其他区域,这个过程中食物储备最多的鸟成为生产者,最少的成为乞食者,其他鸟随机选择一个身份。生产者和乞食者的位置更新分别如下:
式中,FL(FL∈[0,2])表示乞食者跟随生产者觅食的概率。
(5)生产者积极寻找食物,乞食者随机跟随生产者觅食。
本发明中设置N=50,C=S=1.5,FQ=3,粒子维数:4,最大迭代次数:20。
相应的,如图2所示,可以使用步骤S103’替换步骤S103根据预设的预测模型计算对应的分量信号的风速预测向量:
步骤S103’:根据优化后的预测模型计算对应的分量信号的风速预测向量。
本申请实施例通过对预测模型的各个参数进行优化处理,有利于进一步提高风速预测的准确性。
步骤S104:根据各个分量信号的风速预测向量,计算总风速预测向量。具体的,可以将各个分量信号的风速预测向量叠加,从而得到总风速预测向量。
可选的。如图2所示,在步骤S104之后,还可以在风速预测方法中增设以下步骤:
步骤S107:对总风速预测向量进行误差分析。具体的,可以通过获取与总风速预测向量对应的实际风速向量,并根据总风速预测向量和实际风速向量,计算对应的平均绝对误差、均方根误差、平均相对误差,实现对总风速预测向量的误差分析。
在一具体实施方之中中,可以通过公式(2)计算总风速预测向量和实际风速向量对应的平均绝对误差:
可以通过公式(3)计算总风速预测向量和实际风速向量对应的均方根误差:
可以通过公式(4)计算总风速预测向量和实际风速向量对应的平均相对误差:
其中,MAE为平均绝对误差;RMSE为均方根误差;MAPE为和平均相对误差;yi代表i时刻的实际风速,对应于实际风速向量;是预测风速,对应于总风速预测向量;n是预测样本数。
本申请实施例提供的风速预测方法,利用能量对小时平均风速信号进行分解,并根据分解得到的分量信号进一步预测风速。由于从能量角度划分小时平均风速信号,相较于现有的风速信号分解方法,更为贴切风速的特性,使得计算得到的预测风速准确性较高,解决了目前风速预测中存在的预测结果准确性较差的问题。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
作为例子,以浙江某风电场数据采集与监视控制系统在2014年4月份测得的连续720小时风速数据作为研究对象。该系统采样时间间隔为10min,为了便于分析,对原始数据进行小时平均化处理。处理后得到的小时平均风速时间序列如图3所示。
利用改进经验小波变换对小时平均风速信号进行分解,得到四个分量。频谱分割图如图4所示,分解结果如图5所示。在图4中,三条虚线表示三个分界频率,通过这三个分界频率可以将小时平均风速信号对应的频谱划分为四个频段。
分别对每个分量建立相空间重构-核极限学习机预测模型,并采用鸟群算法对模型的参数进行综合优化选取。
将各分量的预测结果叠加得到最终的风速预测值,预测结果如图6所示。
采用三种误差指标,即平均绝对误差、均方根误差和平均相对误差,对模型的预测性能进行评价。
为了对比研究,同时采用以下三种模型进行风速预测:
第一种模型:利用经验模态分解对小时平均风速信号进行分解,然后对各分量建立鸟群算法优化的相空间重构-核极限学习机预测模型,最后将各分量的预测结果叠加得到风速预测结果,本申请实施例称之为EMD-KELM-BSA模型。
第二种模型:利用变分模态分解对小时平均风速信号进行分解,然后对各分量建立鸟群算法优化的相空间重构-核极限学习机预测模型,最后将各分量的预测结果叠加得到风速预测结果,本申请实施例称之为VMD-KELM-BSA模型。
第三种模型:本申请实施例提出模型称为IEWT-KELM-BSA模型;
上述三种模型的误差分析结果如表1所示。从表1可知,本申请实施例提出的模型较其他两种风速预测模型,具有更高的预测精度。
表1
本申请实施例提出了一种基于改进经验小波变换和鸟群算法优化相空间重构-核极限学习机的风电场风速组合预测方法。该方法首先利用改进经验小波对小时平均风速信号进行分解,得到四个分量,然后对各分量建立相空间重构-核极限学习机预测模型,并采用鸟群算法对模型中涉及的参数进行综合优化选取,最后将各分量的预测结果叠加得到最终的风速预测值。经过实例分析表明,本申请实施例提出预测模型较目前常用的风速预测模型具有更高的预测精度。
本申请实施例还提供了一种终端设备,如图7所示,该终端设备可以包括:输入单元701、分解单元702和预测单元703。
其中,输入单元701用于获取小时平均风速信号;其对应的工作过程可参见上述方法实施例中步骤S101所述。
分解单元702用于根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号;其对应的工作过程可参见上述方法实施例中步骤S102所述。
预测单元703用于根据预设的预测模型计算对应的分量信号的风速预测向量;以及用于根据各个分量信号的风速预测向量,计算总风速预测向量;其对应的工作过程可参见上述方法实施例中步骤S103、步骤S103’和步骤S104所述。
可选的,预测单元703还用于分别获取与分量信号对应的预测模型,并根据鸟群算法对预测模型中的参数进行优化;其对应的工作过程可参见上述方法实施例中步骤S105和步骤S106所述。
此外,预测单元703还可以用于对总风速预测向量进行误差分析;其对应的工作过程可参见上述方法实施例中步骤S107所述。
图8是本申请一实施例提供的另一终端设备的示意图。如图8所示,该实施例的终端设备800包括:处理器801、存储器802以及存储在所述存储器802中并可在所述处理器801上运行的计算机程序803,例如风速预测程序。所述处理器801执行所述计算机程序803时实现上述各个风速预测方法实施例中的步骤,例如图1所示的步骤S101至步骤S104。或者,所述处理器801执行所述计算机程序803时实现上述各装置实施例中各模块/单元的功能,例如图7所示输入单元701、分解单元702和预测单元703的功能。
所述计算机程序803可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器802中,并由所述处理器801执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序803在所述终端设备800中的执行过程。例如,所述计算机程序803可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。
所述终端设备800可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器801、存储器802。本领域技术人员可以理解,图8仅仅是终端设备800的示例,并不构成对终端设备800的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器802可以是所述终端设备800的内部存储单元,例如终端设备800的硬盘或内存。所述存储器802也可以是所述终端设备800的外部存储设备,例如所述终端设备800上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器802还可以既包括所述终端设备800的内部存储单元也包括外部存储设备。所述存储器802用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器802还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种风速预测方法,其特征在于,包括:
获取小时平均风速信号;
根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号;
根据预设的预测模型计算对应的所述分量信号的风速预测向量;
根据各个所述分量信号的风速预测向量,计算总风速预测向量。
2.如权利要求1所述的风速预测方法,其特征在于,所述根据所述小时平均风速信号的能量,在频域对所述小时平均风速信号进行分解,得到四个分量信号,包括:
计算所述小时平均风速信号对应的频谱;所述频谱为去除直流分量的频谱;
根据预设的能量阈值,将所述频谱划分为四部分,得到对应的四个频段;
根据预设的小波滤波器分别对所述四个频段的信号进行滤波,得到对应的四个分量信号。
3.如权利要求2所述的风速预测方法,其特征在于,所述根据预设的能量阈值,将所述频谱划分为四部分,包括:
对所述频谱进行初始划分,并计算经初始划分所得的各个频段的能量;
当经初始划分所得的各个频段的能量不满足预设的能量阈值时,对所述频谱进行重新划分,直至经重新划分所得的各个频段的能量满足预设的能量阈值;
通过
计算所述频谱或由所述频谱划分的各个频段的能量;
其中,E为所述频谱或由所述频谱划分的任一频段的能量;为所述频谱或由所述频谱划分的任一频段;[ω1,ω2]为所述频谱或由所述频谱划分的任一频段的频率范围。
4.如权利要求1所述的风速预测方法,其特征在于,在所述根据预设的预测模型计算对应的所述分量信号的风速预测向量之前,所述风速预测方法还包括:
分别获取与所述分量信号对应的预测模型;所述预测模型与所述分量信号一一对应;
通过相空间重构和核极限学习机构建所述预测模型;
其中,对于给定分量信号{y(i)}=y(1),y(2),…,y(N),通过相空间重构得到
其中,m为维数,τ为延迟时间,M=N-mτ+1;
得到训练样本(xi,y(i+mτ)),i=1,2,…,M-1。通过核极限学习机得到
其中,y=[y1,y2,…,yM-1]为预测目标值向量;K(xi,xj)是核函数,K(xi,xj)=exp(-γ||xi,xj||2),γ是核参数;I表示对角矩阵;C是正则化参数;ΩELM是核矩阵,ΩELM(i,j)=K(xi,xj);y(x)是输出。
KELM预测模型确定后,将xM输入到模型中即可得到y(N+1),实现单步预测。
5.如权利要求4所述的风速预测方法,其特征在于,在所述分别获取与所述分量信号对应的预测模型之后,以及在所述根据预设的预测模型计算对应的所述分量信号的风速预测向量之前,所述风速预测方法还包括:
根据鸟群算法对所述预测模型中的参数进行优化;
相应的,所述根据预设的预测模型计算对应的所述分量信号的风速预测向量,为:
根据优化后的预测模型计算对应的所述分量信号的风速预测向量。
6.如权利要求1至5中任一项所述的风速预测方法,其特征在于,在所述计算总风速预测向量之后,所述风速预测方法还包括:
对所述总风速预测向量进行误差分析。
7.如权利要求6所述的风速预测方法,其特征在于,所述对所述总风速预测向量进行误差分析,包括:
获取与所述总风速预测向量对应的实际风速向量;
根据所述总风速预测向量和所述实际风速向量,计算对应的平均绝对误差、均方根误差、平均相对误差。
8.一种终端设备,其特征在于,包括:
输入单元,用于获取小时平均风速信号;
分解单元,用于根据所述小时平均风速信号的能量,对所述小时平均风速信号进行分解,生成至少两个分量信号;
预测单元,用于根据预设的预测模型计算对应的所述分量信号的风速预测向量;以及用于根据各个所述分量信号的风速预测向量,计算总风速预测向量。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548974.6A CN110288150A (zh) | 2019-06-24 | 2019-06-24 | 风速预测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548974.6A CN110288150A (zh) | 2019-06-24 | 2019-06-24 | 风速预测方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288150A true CN110288150A (zh) | 2019-09-27 |
Family
ID=68004403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548974.6A Pending CN110288150A (zh) | 2019-06-24 | 2019-06-24 | 风速预测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288150A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475942A (zh) * | 2020-04-03 | 2020-07-31 | 上海电气风电集团股份有限公司 | 风资源质量的评估方法、系统、介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN103699800A (zh) * | 2013-12-31 | 2014-04-02 | 哈尔滨工业大学 | 基于频域多尺度风速信号可预报性的超短期风速预测方法 |
CN105046044A (zh) * | 2015-05-29 | 2015-11-11 | 上海大学 | 基于最优小波包变换的非平稳风速预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
-
2019
- 2019-06-24 CN CN201910548974.6A patent/CN110288150A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN103699800A (zh) * | 2013-12-31 | 2014-04-02 | 哈尔滨工业大学 | 基于频域多尺度风速信号可预报性的超短期风速预测方法 |
CN105046044A (zh) * | 2015-05-29 | 2015-11-11 | 上海大学 | 基于最优小波包变换的非平稳风速预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
Non-Patent Citations (2)
Title |
---|
LING XIANG ET AL.: ""Forecasting Short-Term Wind Speed Based on IEWT-LSSVM Model Optimized by Bird Swarm Algorithm"", 《IEEE ACCESS》 * |
宋琦如,宋辉: "《生产性毒物的检测与毒性鉴定》", 宁夏人民出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475942A (zh) * | 2020-04-03 | 2020-07-31 | 上海电气风电集团股份有限公司 | 风资源质量的评估方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Extreme learning machine and its applications | |
CN108959187A (zh) | 一种变量分箱方法、装置、终端设备及存储介质 | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
CN103077253B (zh) | Hadoop框架下高维海量数据GMM聚类方法 | |
CN109886464B (zh) | 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 | |
CN101852871A (zh) | 基于经验模态分解和数值集合预报的短期气候预测方法 | |
CN110163361A (zh) | 一种计算装置及方法 | |
CN105096297A (zh) | 一种图数据分割的方法及装置 | |
CN109885584A (zh) | 分布式数据分析平台的实现方法及终端设备 | |
Zhang et al. | Load prediction based on hybrid model of VMD-mRMR-BPNN-LSSVM | |
Green II et al. | Intelligent state space pruning for Monte Carlo simulation with applications in composite power system reliability | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
Rodriguez et al. | A review of parallel heterogeneous computing algorithms in power systems | |
CN110288150A (zh) | 风速预测方法、终端设备及存储介质 | |
CN108154380A (zh) | 基于大规模评分数据对用户进行商品在线实时推荐的方法 | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN116127447A (zh) | 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN115545164A (zh) | 光伏发电功率预测方法、系统、设备及介质 | |
CN115358314A (zh) | 风电功率预测模型的训练和功率预测的方法、装置和设备 | |
CN113947237A (zh) | 一种基于ams-tcn的风电功率误差修正方法 | |
CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
Zuo et al. | A modified multiparameter linear programming method for efficient power system reliability assessment | |
CN113673742A (zh) | 配电变压器台区负荷预测方法、系统、装置及介质 | |
Xiao-lan et al. | Short-term wind speed forecast of wind farm based on V-system and LSSVM |
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 |