CN110942170A - 一种基于信息处理的短期风速预测方法及系统 - Google Patents

一种基于信息处理的短期风速预测方法及系统 Download PDF

Info

Publication number
CN110942170A
CN110942170A CN201910805485.4A CN201910805485A CN110942170A CN 110942170 A CN110942170 A CN 110942170A CN 201910805485 A CN201910805485 A CN 201910805485A CN 110942170 A CN110942170 A CN 110942170A
Authority
CN
China
Prior art keywords
wind speed
prediction
model
sequence
modal
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
CN201910805485.4A
Other languages
English (en)
Inventor
张亚刚
陈冰
潘桂芳
韩静怡
王增平
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201910805485.4A priority Critical patent/CN110942170A/zh
Publication of CN110942170A publication Critical patent/CN110942170A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开一种基于信息处理的短期风速预测方法及系统。该方法包括：获取风电场相关环境因素和历史风速数据；计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素；利用能量差法及PSOEO算法优化变分模态分解方法，对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；利用PSOEO算法优化径向基函数神经网络，获取优化后的风速预测模型；利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；累加计算所述分量预测结果，获取最终风速预测结果。本发明的预测方法及系统基于数据处理和方法优化角度进行短期风速预测，能够有效提高风速预测精度以及预测模型的稳定性。

Description

一种基于信息处理的短期风速预测方法及系统
技术领域
本发明涉及风速预测领域，特别是涉及一种基于信息处理的短期风速预测方法及系统。
背景技术
随着全球化石资源不断减少，环境形势日益严峻，煤炭、石油等不可再生能源不再满足全球对能源的需求，因此可再生能源的发展成为世界关注的重点。国际能源署(IEA)发布《2018可再生能源年度报告》指出，虽然可再生能源的发展速度不断加快，但其总量在资源中的占比仍然较低。因此，大力发展可再生能源迫在眉睫。
目前，全球风力发电发展迅速，在可再生能源中占据十分重要的地位。其中，中国在风电装机容量方面领先全球，2017年风电产量增长迅速，新增风电产量占全球新增风电产量的30％。且在全球风能理事会(GWEC)《2018全球风电发展报告》中指出，当前中国装机容量位居世界首位。然而，随着风电开发迅速的同时，风电不确定性对电力系统和电力市场的稳定性、充裕性及经济性的影响也日益彰显，“弃风”现象也大规模出现。精准的风速预测是计划和安排风电系统安全稳定运行的前提，因此需要提高风速预测精度。因此，对于风速的准确预测成为风能大规模开发和利用的关键这一事实，本发明提出一种新的短期风速预测方法。
发明内容
本发明的目的是提供一种基于信息处理的短期风速预测方法及系统，用以准确地把握风速波动特征，获得高精度预测结果，提高预测模型的可靠性。
为实现上述目的，本发明提供了如下方案：
一种基于信息处理的短期风速预测方法，所述方法包括：
获取环境因素和历史风速数据；
计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定；
利用PSOEO算法优化变分模态分解方法，对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；
利用PSOEO算法优化径向基函数神经网络模型，获取优化后的风速预测模型；
利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；
累加计算所述分量预测结果，获取最终风速预测结果。
可选的，所述获取环境因素和历史风速数据，具体包括：
获取风向、温度、湿度等作为影响风速预测的其他环境因素，获取采集的历史风速数据，作为主要因素参与预测。
可选的，所述计算所述影响因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，具体包括：
利用径向基函数神经网络训练所述原始影响因素；
重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；
对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；
根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
可选的，首先利用能量差方法优化变分模态分解方法，获取优化后的变分模态分解方法，具体包括：
在带宽约束值一定的条件下，进行当前模态数目下的变分模态分解；
计算当前模态数下各分量的累加和；
循环上述步骤，计算下一模态数目下的分量之和，并与原始风速进行相减处理；
依据所述能量差方法，选取合适的模态数目。
可选的，利用PSOEO算法优化所述模态数目确定的变分模态分解方法，获取优化后的变分模态分解方法，具体包括：
在所述选取的模态数目条件下，利用PSOEO算法优化参数：适度的带宽约束，具体步骤有：
初始化参数：包括最小、最大速度，每个粒子的初始位置和初始速度，惯性权重，种群规模，最大迭代次数，随机生成初始解；
采用粒子的位置向量来表示所述待优化参数，并计算所述种群中各粒子的适应度函数；寻找所述种群中粒子的个体极值及全局极值；
更新所述全部粒子的速度和位置；
将所述本次迭代中的个体极值与上次迭代中的全局极值进行比较，更新个体极值和全局极值；
根据所述适应度函数值大小对物种排序，选择适应度值最小的物种，按一定概率分布产生随机数来替代所述原有的物种，并更新所述种群，寻找个体极值和全局极值；
如果满足停止准则，则算法停止，输出结果，否则返回更新粒子步骤重新计算。
可选的，利用所述优化的变分模态分解方法对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量，具体包括：
利用所述改进的分解方法，将所述非平稳的风速序列转化为相对平稳的若干分量，具体步骤有：
通过希尔伯特变换计算每个模态函数的解析信号，得到所述模态函数的单边频谱；所述解析信号乘以预估中心频率，将所述各模态的频谱调制到相应的基频带；
估计所述模态分量的带宽，并构造约束变分模型；
引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
利用交替方向乘子算法反复迭代，寻找最优的模态函数和中心频率；
满足收敛条件；若满足，获取所述条件下的分解结果；若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。
可选的，利用PSOEO算法优化径向基函数神经网络模型，获取优化后的短期风速预测模型，具体包括：
通过PSOEO算法优化径向基函数神经网络模型，获取径向基函数网络模型的参数；
利用所述优化后的神经网络预测模型，进行预测。
可选的，利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；累加计算所述分量预测结果，获取最终风速预测结果，具体包括：
通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
累加所有所述分量预测结果，获取最终风速预测结果。可选的，所述利用PSOEO算法优化径向基函数神经网络模型，获取优化后的短期风速预测模型，具体包括：
通过PSOEO算法优化径向基函数神经网络模型，获取径向基函数网络模型的参数；
利用所述优化后的神经网络预测模型，进行预测。
可选的，所述利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；累加计算所述分量预测结果，获取最终风速预测结果，具体包括：
通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
累加所有所述分量预测结果，获取最终风速预测结果。
本发明还提供了一种基于风速特性信息处理的短期风速预测系统，所述预测系统包括：
实验数据获取模块：用于获取环境因素和历史风速数据；
模型输入因素筛选模块：用于计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定；
分解方法优化模块，用于利用能量差法和PSOEO算法优化变分模态分解方法，获取优化后的变分模态分解方法；
风速分解模块，用于对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；
预测模型优化模块，用于利用PSOEO算法优化径向基函数神经网络模型，获取优化后的风速预测模型；
风速分量预测模块，用于利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；
未来风速获取模块，用于累加计算所述分量预测结果，获取最终风速预测结果。
可选的，所述实验数据获取模块，具体包括：
其他环境因素获取单元，用于获取风向、温度、湿度等作为影响风速预测的其他环境因素；
历史风速获取单元，用于获取采集的历史风速数据，作为主要因素参与预测。
可选的，所述模型输入因素筛选模块，具体包括：
神经网络训练单元，用于利用径向基函数神经网络训练所述原始影响因素；
新样本数据获取单元，用于重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；
平均影响值计算单元，用于对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；
输入因素选择单元，用于根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
可选的，所述分解方法优化模块，具体包括：
模态分解单元，用于在带宽约束值一定的条件下，进行当前模态数目下的变分模态分解；
分量和计算单元，计算当前模态数下各分量的累加和；
能量差计算单元，用于循环上述步骤，计算下一模态数目下的分量能量和，并于上一次的能量和相减；
模态数选取单元，用于依据所述能量差方法，选取合适的模态数目；
带宽约束选择单元，用于在所述选取的模态数目条件下，利用PSOEO算法优化参数：适度的带宽约束，具体步骤有：
参数初始化单元，用于初始化参数：包括最小最大速度，每个粒子的初始位置和初始速度，惯性权值，种群规模，最大迭代次数，随机生成初始解；
初始化适度值获取单元，用于采用粒子的位置向量来表示所述待优化参数，并计算所述种群中各粒子的适应度函数。
个体、全局极值获取单元，用于寻找所述种群中粒子的个体极值及全局极值；
粒子更新单元，用于更新所述全部粒子的速度和位置；
个体、全局极值更新单元，用于将所述本次迭代中的个体极值与上次迭代中的个体、全局极值进行比较，更新个体极值和全局极值；
物种排序及更新单元，用于根据所述适应度函数值大小对物种排序，选择适应度值最小的物种，按一定概率分布产生随机数来替代所述原有的物种，并更新所述种群，寻找个体极值和全局极值；
判断单元，用于判断如果满足停止准则，则算法停止，输出结果，否则返回更新粒子步骤重新计算。
可选的，所述风速分解模块，具体包括：
信号转换单元，用于利用希尔伯特变换计算每个模态函数的解析信号，获取所述模态函数的单边频谱；
调制单元，用于所述解析信号乘以预估中心频率，所述各模态的频谱被调制到相应的基频带；
约束变分模型获取单元，用于估计所述模态分量的带宽，构造约束变分模型；
模型转换单元，用于引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
寻优单元，用于利用交替方向乘子算法循环迭代，寻找最优的模态函数和中心频率；
判别单元，用于判断是否满足收敛条件：
停止单元，用于判断若满足，获取所述条件下的分解结果；
返回单元，用于判断若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。
可选的，所述预测模型优化模块，具体包括：
模型参数优化单元，用于通过PSOEO算法优化径向基函数神经网络模型，获取径向基函数网络模型的参数；
预测模型确定单元，用于利用所述优化后的神经网络预测模型，进行预测。
可选的，所述风速分量预测模块及未来风速获取模块，具体包括：
分量预测单元，用于通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
风速预测单元，用于累加所有所述分量预测结果，获取最终风速预测结果。
与现有技术相比，本发明具有以下技术效果：
本发明的风速预测方法及系统为基于信息处理的短期风速预测过程。首先，采集环境因素，并利用平均影响值(MIV)方法选出与输出风速相关性高的因素作为预测因素，以此来降低预测模型的复杂度并提高预测精度。同时，先利用能量差法和PSOEO算法优化变分模态分解(VMD)方法，然后，对于非平稳的历史风速序列，利用优化的VMD方法进行分解，获取相对平稳的若干分量，便于预测。之后，利用PSOEO优化径向基函数(RBF)神经网络模型，提高RBF神经网络模型的预测能力。最后，利用改进模型预测分量序列，并累加分量预测结果，得到最终的风速预测序列。本发明从风速序列的随机性和波动性特点出发对信息进行处理，有效地提高了RBF神经网络模型对短期风速进行预测的能力，提高了短期风速预测的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明风速预测方法的流程图；
图2为本发明预测系统的结构示意图；
图3为本发明实施例的预测方法流程图；
图4为本发明昌马风电场风速分布曲线图；
图5为本发明风速序列分解结果曲线图；
图6为本发明昌马风电场预测结果对比图；
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，基于信息处理的短期风速预测方法包括以下步骤：
步骤11：获取环境因素和历史风速数据。
本发明选取中国甘肃省酒泉市昌马风电场2013年某月份的数据集进行实验，前4/5数据作为训练集，后1/5数据为测试集。其中，选取的影响因素除风速外还包括风向、气温、电机转速、桨距角以及日发电量累计。本发明研究风速预测，风速的变化特征尤其重要，所选取数据集的风速在[2.71m/s，14.69m/s]波动。
步骤111：获取风向、气温、电机转速、桨距角以及日发电量累计作为影响风速预测的其他环境因素；
步骤112：获取采集的历史风速数据，作为主要因素参与预测。
步骤12：计算所述影响因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素。
Dombi等人提出的指标——MIV，能反映神经网络中权重矩阵变化情况，是评价变量间相关性高低的重要指标。RBF神经网络同反向传播(BP)神经网络相比，稳定性更强，利用该网络可以筛选出对输出结果影响显著的因素，排除不显著的因素。该筛选方法的思想是利用RBF神经网络训练数据，应用MIV指标来实现环境变量筛选，并将该方法命名为MIV筛选方法。其中，MIV的数值大小代表每个输入变量对输出变量的相对重要性，正负表示相关的方向。具体步骤如下：
步骤121：利用径向基函数神经网络训练所述原始影响因素S；
步骤122：重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集S1，S2；
步骤123：对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值公式见(1-3)；
S1＝1.1S，S2＝0.9S (1)
IV＝S1-S2 (2)
MIV＝mean(IV) (3)
步骤124：根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
步骤13：利用PSOEO算法优化变分模态分解方法，对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量。
Dragomiretskiy等提出的VMD方法，是一种自适应、准正交、完全非递归的分解方法。该方法根据每个分解分量的中心频率和带宽，实现信号的频域分解以及各分量的有效分离。和经验模态分解(EMD)相比，VMD分解效果更好，鲁棒性强。经研究发现，合适的模态数目和适度的带宽约束对分解结果影响较大，影响分解结果的准确性。为了弥补主观选择影响参数存在的不足，本发明提出一种模态数目优化方法，来克服随机选择模态数目带来的缺陷。并利用PSOEO方法来获取优化后的带宽约束。
从能量角度来说，若VMD分解完全，各分量的累加和等于原信号的值。本发明利用当前模态数目条件下的各分量的分量和与原始风速值相减的误差值作为选取标准，结果越小，说明当前模态数目分解越有效，因此选择误差值小的模态数目作为最佳模态数。之后，利用PSOEO算法优化参数：适度的带宽约束。
1995年，研究者Kennedy和Eberhart博士提出了粒子群(PSO)算法。该算法解非线性问题的能力较强，具有降低算法复杂度、提高收敛速度等优点。但该算法可能出现局部最优、早熟收敛或停滞现象，因此需要进行改进。而极值优化算法的突出特点是它不收敛到一个平衡态，产生的波动性使算法具有更好的持续搜索和跳出局部最优解的能力。该算法易于实现，计算量小。结合二者的优点，本发明提出新的PSOEO算法，来优化VMD和RBF的参数寻优过程，提高VMD的分解效果，以及RBF神经网络的结构性能和预测性能。具体步骤包括：
步骤131：利用能量差方法优化变分模态分解方法的参数：模态数目，此时，选择一个适度的带宽约束定值。；
步骤132：在所述模态数目条件下，进行另一参数优化。利用PSOEO算法选择适度的带宽约束，获取优化后的变分模态分解方法，该参数寻优过程具体如下：
步骤1321：初始化参数，粒子群参数包括最小最大速度vmin，vmax，每个粒子的初始位置和初始速度，惯性权值w，种群规模N，常数C1，C2，最大迭代次数Tmax＝20，随机生成初始解pop；
步骤1322：采用粒子的位置向量来表示待优化参数，并计算种群中各粒子的适应度函数f。
Figure BSA0000189052240000061
式中，
Figure BSA0000189052240000062
x分别表示分量序列叠加结果和原始风速序列。
步骤1323：寻找种群中粒子的个体极值，并将本次迭代中的个体极值与上次迭代中的全局极值进行比较，更新全局极值。
步骤1324：利用公式(5)更新各粒子的速度v和位置pop。
Figure BSA0000189052240000071
其中，t为当前迭代次数，r1，r2为随机数，ibest，gbest为个体和全局极值。
步骤1325：根据适应度函数值大小对物种pop排序，选择f最小的物种xm，按一定概率分布产生随机数rands来替代原有的xm。重新计算rands的适应度值f；若f(rands)＞max(f)，则xmax＝rands，max(f)＝f(rands)，更新种群pop，并寻找个体极值和全局极值。
步骤1326：如果满足停止准则，则算法停止，输出结果，否则返回步骤134循环计算。
步骤1327：根据上述步骤，得到优化后的VMD方法，将其命名为IVMD。
步骤133：利用所述IVMD方法，将所述非平稳的风速序列转化为相对平稳的若干分量。具体步骤有：
步骤1331：通过Hilbert变换计算每个模态函数的解析信号，得到所述模态函数的单边频谱；所述解析信号乘以预估中心频率，将所述各模态的频谱调制到相应的基频带；
步骤1332：估计所述模态分量的带宽，并构造约束变分模型；
步骤1333：引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
步骤1334：利用交替方向乘子算法反复迭代，寻找最优的模态函数和中心频率；
步骤1335：判断是否满足收敛条件；若满足，获取所述条件下的分解结果；若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的最佳分解结果。
步骤14：利用PSOEO算法优化RBF神经网络模型，获取优化后的短期风速预测模型。
1989年，Mody和Darken提出了RBF神经网络。之后，Jackon论证了该网络对非线性连续函数的强的一致逼近性能。由于其具有很强的非线性拟合能力，可映射任意复杂的非线性关系，因此在预测领域具有较广泛地应用，本发明也选择优化该网络来预测风速。
步骤141：通过步骤131所述的PSOEO算法来优化RBF神经网络模型，获取RBF网络模型的初始化参数；
步骤142：利用所述优化后的神经网络预测模型，进行预测。
步骤15：利用所述优化模型，对所有分量序列进行预测，获取所有分量预测结果；累加计算分量预测结果，获取最终风速预测结果，具体包括：
步骤151：通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
步骤152：累加所有所述分量预测结果，获取最终风速预测结果。
图2为本发明风速预测系统的结构示意图。如图2所示，所述预测系统包括：
实验数据获取模块21，用于获取环境因素和历史风速数据。
所述实验数据获取模块21，具体包括：
其他环境因素获取单元，用于获取风向、温度、湿度等作为影响风速预测的其他环境因素；
历史风速获取单元，用于获取采集的历史风速数据，作为主要因素参与预测。
模型输入因素筛选模块22，用于计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定。
所述模型输入因素筛选模块22，具体包括：
神经网络训练单元，用于利用径向基函数神经网络训练所述原始影响因素；
新样本数据获取单元，用于重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；
平均影响值计算单元，用于对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；
输入因素选择单元，用于根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
分解方法优化模块23：用于利用PSOEO算法优化变分模态分解方法，对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量。
所述分解方法优化模块23，具体包括：
参数优化单元，用于利用PSOEO算法优化变分模态分解方法的参数：适度的带宽约束和模态数参数，获取优化后的变分模态分解方法；
风速分解单元，用于利用所述改进的分解方法，将所述非平稳的风速序列转化为相对平稳的若干分量，具体步骤有：
信号转换单元，用于通过Hilbert变换计算每个模态函数的解析信号，得到所述模态函数的单边频谱；所述解析信号乘以预估中心频率，将所述各模态的频谱调制到相应的基频带；
模型转换单元，用于估计所述模态分量的带宽，并构造约束变分模型；引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
寻优单元，用于利用交替方向乘子算法反复迭代，寻找最优的模态函数和中心频率；
收敛判断单元，用于判断是否满足收敛条件；若满足，获取所述条件下的分解结果；若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。
预测模型优化模块24，用于利用PSOEO算法优化RBF神经网络模型，获取优化后的风速预测模型.
所述预测模型优化模块24，具体包括：
模型参数优化单元，用于通过PSOEO优化算法优化RBF神经网络模型，获取RBF网络模型的参数；
预测模型确定单元，用于利用所述优化后的神经网络预测模型，进行预测。
风速分量预测模块和未来风速获取模块25，用于利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；累加计算所述分量预测结果，获取最终风速预测结果。
所述风速分量预测模块及未来风速获取模块25，具体包括：
分量预测单元，用于通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
风速预测单元，用于累加所有所述分量预测结果，获取最终风速预测结果。
为验证所提出方案对实际风速的预测性能，本发明采用中国酒泉昌马风电场的数据进行仿真实验，图3为本实施例提供的预测与结果分析流程图。如图3所示，具体过程如下：
步骤31：原始数据收集与分析
为验证本发明所提出预测方法的性能，本实施例选取中国昌马风电场进行实验。图4为昌马风电场的风速序列，前80％为训练集，后20％为测试集。该风电场风速采集时间为每5分钟一次，环境因素包括风向、气温、电机转速、桨距角以及日发电量累计。从图4可以看出，本风电场风速曲线平稳上升。风电场最大风速和最小风速分别为14.69m/s，2.71m/s，中国风电场风速序列的中位数和平均数分别为11.26m/s，10.09m/s，两者差距不大，可见其风速运动趋势为：缓慢上升。
步骤32：原始风速IVMD分解
(1)确定模态数目
首先，根据能量差法，选择最佳模态数的大小。具体地，本实验设定其他参数不变，改变模态数量，计算所选模态数下的分量之和，并计算与原始风速之间的误差平方和，如表1所示。
表1 误差平方和(10^-3)
Figure BSA0000189052240000091
从上表可以看出，我们分别选择不同数值的带宽约束值，得出不同模态数下的误差平方和，其中误差平方和最小的模态数目都是7。因此，利用能量差法，选择本文VMD分解的模态数目为7。
(2)PSOEO确定适度的带宽约束值
模态数目确定之后，我们利用PSOEO算法优化此时的VMD方法，优化VMD的带宽约束值，寻找适度的带宽约束值；循环迭代后，我们选择带宽约束值为106.21。此时，我们寻找到较合适的参数条件，优化了VMD的分解质量和效果。
(3)利用优化后的IVMD方法分解风速序列
之后，我们利用优化的VMD方法，即IVMD方法对风速序列进行分解，分解结果如图5所示。从图5可以看出，分解后的分量序列周期特征更明显，更易拟合运动趋势和轨迹，从而提高预测精度。
步骤33：RBF筛选环境因素
为进一步提高短期风速预测精度，提高预测效率并降低模型复杂度，本发明采用MIV方法筛选环境因素，即对所有因素进行相关性分析，计算所有因素与风速序列之间的平均影响值，选取MIV绝对值相对较高的因素参与风速预测，结果见表2。在本发明中，我们剔除对预测结果影响小的环境因素，即剔除风向、电机转速、桨距角因素，并将剩余的其他因素作为预测因素组成多变量神经网络风速预测模型。
表2 昌马风电场平均影响值(MIV)
Figure BSA0000189052240000092
步骤34：PSOEO优化RBF模型
RBF神经网络本身的非线性拟合能力较强，但在训练收敛上存在局部收敛问题。该问题可通过PSOEO算法优化RBF模型进行解决，因此本发明利用PSOEO算法优化RBF模型，来对分解后的各风速分量进行预测，提高预测速度的同时提高了预测精度和模型稳定性。
步骤35：预测结果及误差分析
在本实施例中，对比RBF模型、经MIV方法筛选后的RBF模型(MIV-RBF)，经PSOEO优化的MIV-RBF模型(PSOEO-MIV-RBF)，以及经IVMD方法处理的PSOEO-MIV-RBF模型(IVMD-PSOEO-MIV-RBF)，来验证MIV、PSOEO、IVMD的有效性。
(1)风速预测结果
利用本文所述方法进行实验，上述四个对比模型的风速预测曲线如图6所示。该图横坐标表示预测周期，纵坐标表示风速大小。从图6可以看出，实线带Δ曲线、虚线带.曲线、实线带.曲线、--曲线以及实线带*曲线分为代表实际风速、RBF、MIV-RBF、PSOEO-MIV-RBF以及IVMD-PSOEO-MIV-RBF模型的预测结果。我们可以看出，与RBF模型的预测结果相比，MIV-RBF模型的预测结果在波动趋势和预测结果上都更贴近实际。再看PSOEO-MIV-RBF模型的预测曲线，其预测值相比于未经PSOEO处理的更接近实际风速。最后，我们看本发明提出的预测方法，和其他三种模型相比，在波动趋势和预测数值上都非常贴近实际风速序列。因此可验证MIV、PSOEO、IVMD方法的有效性。
(2)误差分析
首先，本发明选择平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分误差(MAPE)对预测结果进行综合评价，见公式6-8。其中，v(t)表示原始风速，
Figure BSA0000189052240000105
表示预测风速，误差结果如表3所示。
Figure BSA0000189052240000101
Figure BSA0000189052240000102
Figure BSA0000189052240000103
从表3可以看出，对比MIV-RBF模型和RBF模型，中国昌马风电场的MAE、RMSE、MAPE预测误差指标分别下降35.73％、38.83％、33.77％。这一对比说明进行利用MIV法筛选预测因素，并进行预测，提高了预测精度。之后，我们对比PSOEO优化前后模型的预测误差，可以发现三个误差指标也均有明显下降。因此，可以验证PSOEO优化RBF模型的有效性以及PSOEO对预测模型的改进效果。对比经IVMD分解前后的模型(PSOEO-MIV-RBF模型与IVMD-PSOEO-MIV-RBF模型)，所选风电场的三个误差(MAE，RMSE，MAPE)指标分别下降52.01％、51.87％，50.92％，且在四种预测模型中，本发明提出的预测方法的预测精度最高，这再次证明了IVMD-PSOEO-MIV-RBF模型具有良好的预测性能。
表3 误差结果
Figure BSA0000189052240000104
本发明利用变量筛选方法选取参与预测的因素，并利用优化的VMD方法处理非平稳风速序列，降低了模型复杂度和预测难度；并利用PSOEO算法优化RBF网络，提高了RBF网络的预测性能，使最终的预测误差更小，达到了最初的目的。
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。对于实施例公开的系统而言，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。
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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种基于信息处理的短期风速预测方法，其特征在于，所述预测方法包括：
获取风电场相关环境因素和历史风速数据；
计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定；
利用能量差法和PSOEO算法优化变分模态分解方法，获取优化后的变分模态分解方法；
利用所述优化的变分模态分解方法对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；
利用PSOEO算法优化径向基函数神经网络模型，获取优化后的风速预测模型；
利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；
累加计算所述分量预测结果，获取最终风速预测结果。
2.根据权利要求1所述的短期风速预测方法，其特征在于，所述获取风电场相关环境因素和历史风速数据，具体包括：
获取风向、温度、湿度等作为影响风速预测的其他环境因素；
获取采集的历史风速数据，作为主要因素参与预测。
3.根据权利要求1所述的短期风速预测方法，其特征在于，所述计算所述影响因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，具体包括：
利用径向基函数神经网络训练所述原始影响因素；
重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；
对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；
根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
4.根据权利要求1所述的短期风速预测方法，其特征在于，所述首先利用能量差方法优化变分模态分解方法，获取优化后的变分模态分解方法，具体包括：
在带宽约束值一定的条件下，进行当前模态数目下的变分模态分解；
计算当前模态数下各分量的累加和；
循环上述步骤，计算下一模态数目下的分量之和，并与原始风速进行相减处理；
依据所述能量差方法，选取合适的模态数目。
5.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用PSOEO算法优化所述模态数目确定的变分模态分解方法，获取优化后的变分模态分解方法，具体包括：
在所述选取的模态数目条件下，利用PSOEO算法优化参数：适度的带宽约束，具体步骤有：
初始化参数：包括最小、最大速度，每个粒子的初始位置和初始速度，惯性权重，种群规模，最大迭代次数，随机生成初始解；
采用粒子的位置向量来表示所述待优化参数，并计算所述种群中各粒子的适应度函数；寻找所述种群中粒子的个体极值及全局极值；
更新所述全部粒子的速度和位置；
将所述本次迭代中的个体极值与上次迭代中的全局极值进行比较，更新个体极值和全局极值；
根据所述适应度函数值大小对物种排序，选择适应度值最小的物种，按一定概率分布产生随机数来替代所述原有的物种，并更新所述种群，寻找个体极值和全局极值；
如果满足停止准则，则算法停止，输出结果，否则返回更新粒子步骤重新计算。
6.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用所述优化的变分模态分解方法对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量，具体包括：
利用所述改进的分解方法，将所述非平稳的风速序列转化为相对平稳的若干分量，具体步骤有：
通过希尔伯特变换计算每个模态函数的解析信号，得到所述模态函数的单边频谱；所述解析信号乘以预估中心频率，将所述各模态的频谱调制到相应的基频带；
估计所述模态分量的带宽，并构造约束变分模型；
引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
利用交替方向乘子算法反复迭代，寻找最优的模态函数和中心频率；
满足收敛条件；若满足，获取所述条件下的分解结果；若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。
7.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用PSOEO算法优化径向基函数神经网络模型，获取优化后的短期风速预测模型，具体包括：
通过PSOEO算法优化径向基函数神经网络模型，获取径向基函数网络模型的参数；
利用所述优化后的神经网络预测模型，进行预测。
8.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；累加计算所述分量预测结果，获取最终风速预测结果，具体包括：
通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
累加所有所述分量预测结果，获取最终风速预测结果。
9.一种基于信息处理的短期风速预测系统，其特征在于，所述预测系统包括：
实验数据获取模块，用于获取环境因素和历史风速数据；
模型输入因素筛选模块，用于计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定；
分解方法优化模块，用于利用能量差法和PSOEO算法优化变分模态分解方法，获取优化后的变分模态分解方法；
风速分解模块，用于对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；
预测模型优化模块，用于利用PSOEO算法优化径向基函数神经网络模型，获取优化后的风速预测模型；
风速分量预测模块，用于利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；
未来风速获取模块，用于累加计算所述分量预测结果，获取最终风速预测结果。
10.根据权利要求9所述的短期风速预测系统，其特征在于，所述实验数据获取模块具体包括：
其他环境因素获取单元，用于获取风向、温度、湿度等作为影响风速预测的其他环境因素；
历史风速获取单元，用于获取采集的历史风速数据，作为主要因素参与预测。
11.根据权利要求9所述的短期风速预测系统，其特征在于，所述模型输入因素筛选模块，具体包括：
神经网络训练单元，用于利用径向基函数神经网络训练所述原始影响因素；
新样本数据获取单元，用于重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；
平均影响值计算单元，用于对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；
输入因素选择单元，用于根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。
12.根据权利要求9所述的短期风速预测系统，其特征在于，所述分解方法优化模块，具体包括：
模态分解单元，用于在带宽约束值一定的条件下，进行当前模态数目下的变分模态分解；
分量和计算单元，计算当前模态数下各分量的累加和；
能量差计算单元，循环上述步骤，计算下一模态数目下的分量之和，并与原始风速进行相减处理；
模态数选取单元，用于依据所述能量差方法，选取合适的模态数目；
带宽约束选择单元，用于在所述选取的模态数目条件下，利用PSOEO算法优化参数：适度的带宽约束，具体步骤有：
参数初始化单元，用于初始化参数：包括最小最大速度，每个粒子的初始位置和初始速度，惯性权值，种群规模，最大迭代次数，随机生成初始解；
初始化适度值获取单元，用于采用粒子的位置向量来表示所述待优化参数，并计算所述种群中各粒子的适应度函数。
个体、全局极值获取单元，用于寻找所述种群中粒子的个体极值及全局极值；
粒子更新单元，用于更新所述全部粒子的速度和位置；
个体、全局极值更新单元，用于将所述本次迭代中的个体极值与上次迭代中的个体、全局极值进行比较，更新个体极值和全局极值；
物种排序及更新单元，用于根据所述适应度函数值大小对物种排序，选择适应度值最小的物种，按一定概率分布产生随机数来替代所述原有的物种，并更新所述种群，寻找个体极值和全局极值；
判断单元，用于判断如果满足停止准则，则算法停止，输出结果，否则返回更新粒子步骤重新计算。
13.根据权利要求9所述的短期风速预测系统，其特征在于，所述风速分解模块快，具体包括：
信号转换单元，用于利用希尔伯特变换计算每个模态函数的解析信号，获取所述模态函数的单边频谱；
调制单元，用于所述解析信号乘以预估中心频率，所述各模态的频谱被调制到相应的基频带；
约束变分模型获取单元，用于估计所述模态分量的带宽，构造约束变分模型；
模型转换单元，用于引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；
寻优单元，用于利用交替方向乘子算法循环迭代，寻找最优的模态函数和中心频率；
判别单元，用于判断是否满足收敛条件：
停止单元，用于判断若满足，获取所述条件下的分解结果；
返回单元，用于判断若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。
14.根据权利要求9所述的短期风速预测系统，其特征在于，所述预测模型优化模块，具体包括：
模型参数优化单元，用于通过PSOEO算法优化径向基函数神经网络模型，获取径向基函数网络模型的参数；
预测模型确定单元，用于利用所述优化后的神经网络预测模型，进行预测。
15.根据权利要求9所述的短期风速预测系统，其特征在于，所述风速分量预测模块及未来风速获取模块，具体包括：
分量预测单元，用于通过所述优化模型对所述分量序列进行预测，获取所有分量预测结果；
风速预测单元，用于累加所有所述分量预测结果，获取最终风速预测结果。
CN201910805485.4A 2019-08-29 2019-08-29 一种基于信息处理的短期风速预测方法及系统 Pending CN110942170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910805485.4A CN110942170A (zh) 2019-08-29 2019-08-29 一种基于信息处理的短期风速预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910805485.4A CN110942170A (zh) 2019-08-29 2019-08-29 一种基于信息处理的短期风速预测方法及系统

Publications (1)

Publication Number Publication Date
CN110942170A true CN110942170A (zh) 2020-03-31

Family

ID=69905733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910805485.4A Pending CN110942170A (zh) 2019-08-29 2019-08-29 一种基于信息处理的短期风速预测方法及系统

Country Status (1)

Country Link
CN (1) CN110942170A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583496A (zh) * 2020-04-30 2020-08-25 厦门快商通科技股份有限公司 基于语音识别的远程门禁系统及其控制方法
CN111911351A (zh) * 2020-07-17 2020-11-10 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
CN112101144A (zh) * 2020-08-27 2020-12-18 云南电网有限责任公司昭通供电局 一种提高变压器振动信号处理精度的自适应方法
CN112782789A (zh) * 2020-12-25 2021-05-11 东营市气象局 一种台风移动的预测方法和装置
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统
CN118378222A (zh) * 2024-06-21 2024-07-23 北京夏初科技集团有限公司 一种风力发电系统中的风速预测方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700156A (zh) * 2015-01-29 2015-06-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机筛选变量的风电功率预测方法
CN105447572A (zh) * 2015-12-21 2016-03-30 广东智造能源科技研究有限公司 一种基于遗传算法优化神经网络的风电功率预测系统及方法
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
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
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法
CN109583588A (zh) * 2018-12-17 2019-04-05 华北电力大学（保定） 一种短期风速预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700156A (zh) * 2015-01-29 2015-06-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机筛选变量的风电功率预测方法
CN105447572A (zh) * 2015-12-21 2016-03-30 广东智造能源科技研究有限公司 一种基于遗传算法优化神经网络的风电功率预测系统及方法
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
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
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法
CN109583588A (zh) * 2018-12-17 2019-04-05 华北电力大学（保定） 一种短期风速预测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YAGANG ZHANG ET AL.: ""A novel hybrid model based on VMD-WT and PCA-BP-RBF neural network for short-term wind speed forecasting"", ELSEVIER *
张坤;马培华;崔志强;田星;齐彩娟;郭宁;: "基于ASD-KDE算法的超短期风电出力区间预测", 宁夏电力 *
张妍;韩璞;王东风;王少蕊;: "基于变分模态分解和LSSVM的风电场短期风速预测", 太阳能学报 *
梁智;孙国强;李虎成;卫志农;臧海祥;周亦洲;陈霜;: "基于VMD与PSO优化深度信念网络的短期负荷预测", 电网技术 *
雷爽;王鹏卉;张亚刚;: "基于集合经验模态分解的组合风速预测方法", 电力科学与工程 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583496A (zh) * 2020-04-30 2020-08-25 厦门快商通科技股份有限公司 基于语音识别的远程门禁系统及其控制方法
CN111911351A (zh) * 2020-07-17 2020-11-10 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
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
CN112101144A (zh) * 2020-08-27 2020-12-18 云南电网有限责任公司昭通供电局 一种提高变压器振动信号处理精度的自适应方法
CN112782789A (zh) * 2020-12-25 2021-05-11 东营市气象局 一种台风移动的预测方法和装置
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统
CN117039895B (zh) * 2023-10-09 2024-01-26 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统
CN118378222A (zh) * 2024-06-21 2024-07-23 北京夏初科技集团有限公司 一种风力发电系统中的风速预测方法和装置

Similar Documents

Publication Publication Date Title
Li et al. Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy
CN110942170A (zh) 一种基于信息处理的短期风速预测方法及系统
Wang et al. Wind power forecasting based on singular spectrum analysis and a new hybrid Laguerre neural network
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
Qu et al. Multi-step wind speed forecasting based on a hybrid decomposition technique and an improved back-propagation neural network
Fu et al. A hybrid approach for multi-step wind speed forecasting based on two-layer decomposition, improved hybrid DE-HHO optimization and KELM
Jiang et al. Short-term wind speed prediction: Hybrid of ensemble empirical mode decomposition, feature selection and error correction
Sun Hybrid model with secondary decomposition, randomforest algorithm, clustering analysis and long short memory network principal computing for short-term wind power forecasting on multiple scales
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
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
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
EP3576029B1 (en) Method and device for determining energy system operating scenarios
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN108717579B (zh) 一种短期风电功率区间预测方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN107844849A (zh) 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法
CN107341581A (zh) 一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN106897794A (zh) 一种基于完备总体经验模态分解和极限学习机的风速预测方法
CN111553510A (zh) 一种短期风速预测方法
CN109583588B (zh) 一种短期风速预测方法及系统
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN114282336A (zh) 一种新能源电站出力场景生成方法及系统
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
Xu et al. A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network

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

Application publication date: 20200331

RJ01 Rejection of invention patent application after publication