CN111047079B - 一种风电场风速时间序列预测方法及系统 - Google Patents

一种风电场风速时间序列预测方法及系统 Download PDF

Info

Publication number
CN111047079B
CN111047079B CN201911167123.3A CN201911167123A CN111047079B CN 111047079 B CN111047079 B CN 111047079B CN 201911167123 A CN201911167123 A CN 201911167123A CN 111047079 B CN111047079 B CN 111047079B
Authority
CN
China
Prior art keywords
node
wind speed
communities
speed time
community
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.)
Expired - Fee Related
Application number
CN201911167123.3A
Other languages
English (en)
Other versions
CN111047079A (zh
Inventor
骆超
刘雪怡
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN201911167123.3A priority Critical patent/CN111047079B/zh
Publication of CN111047079A publication Critical patent/CN111047079A/zh
Application granted granted Critical
Publication of CN111047079B publication Critical patent/CN111047079B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了一种风电场风速时间序列预测方法及系统，包括：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；信息粒构造：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；基于相邻信息粒之间的转移关系，构建有向加权网络；对有向加权网络进行社团划分，得到若干个社团；利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。

Description

一种风电场风速时间序列预测方法及系统
技术领域
本公开涉及风速预测技术领域，特别是涉及一种风电场风速时间序列预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
随着风能的快速发展，很多风电场将被纳入电网的统筹管理，风电在电网所占的作用也越来越大，但是目前风电厂负荷超过设定阈值也会严重影响整个电网的稳定运行，而对于风速的准确预测，就能够减少风电场设备的投入，可以帮助电力调度部门及时作出调整规划，从而减轻风能对电网的冲击。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
目前，风电场领域风速预测的主要方法有很多，但是目前的方法均存在风速预测准确度低的技术问题。
发明内容
为了解决现有技术的不足，本公开提供了一种风电场风速时间序列预测方法及系统；
第一方面，本公开提供了一种风电场风速时间序列预测方法；
一种风电场风速时间序列预测方法，包括：
利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
信息粒构造：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
基于相邻信息粒之间的转移关系，构建有向加权网络；对有向加权网络进行社团划分，得到若干个社团；
利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
第二方面，本公开还提供了一种风电场风速时间序列预测系统；
一种风电场风速时间序列预测系统，包括：
风速时间序列获取模块，其被配置为：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
信息粒构造模块，其被配置为：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
社团划分模块，其被配置为：基于相邻信息粒之间的转移关系，构建有向加权网络；对有向加权网络进行社团划分，得到若干个社团；
风速时间序列预测模块，其被配置为：利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
本公开将风速时间序列按一定的方式划分为多个信息粒，然后将风速时间序列与有向加权网络结合，将信息粒作为节点利用相邻节点之间的转移关系来构建有向加权网络，对有向加权网络进行进一步的社团检测及划分，了解社团间的转移关系，进而利用马尔可夫链对网络中的社团关系进行分析，从而获得风速时间序列的波动规律。
本公开主要贡献是将风速时间序列与有向加权网络结合，根据有向加权网络的社团划分利用马尔可夫转移分析每个社团间的转移情况，进而了解原始风速时间序列中的波动情况。
本公开从有向加权网络出发探索风速时间序列的波动情况，避免了风速时间序列高噪声、非线性的干扰，从整体出发把握局部特点，具有很好的应用价值。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的构造信息粒示意图；
图3为第一个实施例的有向加权网络；
图4为第一个实施例的社团结构；
图5为第一个实施例的节点间关系示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了一种风电场风速时间序列预测方法；
如图1所示，一种风电场风速时间序列预测方法，包括：
S1：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
S2：信息粒构造：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
S3：基于相邻信息粒之间的转移关系，构建有向加权网络；对有向加权网络进行社团划分，得到若干个社团；
S4：利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
作为一个或多个实施例，如图2所示，所述信息粒构造的具体步骤包括：
S201：设定滑动时间窗口长度为ω，即滑动时间窗口包含数据点的数目，同时设定滑动窗口每次向后滑动的数据个数m；从风速时间序列第一个数据开始取ω个连续数据作为第一个时间窗口，然后向后移动m个数据，再取ω个连续数据作为第二个时间窗口，依次类推，直到时间序列中的数据全部取完；
S202：建立各时间序列窗口的二次拟合方程；
第i个时间窗口的二次拟合方程表示为：
Pt i＝ait2+bit+ci；
其中，t表示时间，ai、bi和ci是二次拟合方程中第i个时间窗口的三个参数，
Figure BDA0002287751580000051
表示第i个时间窗口在t时刻的数值；
然后，得到每个时间窗口中三个参数的集合{[a1,b1,c1],[a2,b2,c2],...,[am,bm,cm]}，每个集合代表不同的信息粒；
S203：对所有时间窗口的参数集合进行FCM聚类，将每一个类作为一个节点。
应理解的，所述S2的有益效果是：采用信息粒化的思想对数据进行预处理，可以帮助我们在大量周期性的数据中找到每一段时间内数据的总体波动情况，同时使用滑动窗口进行信息粒化，有利于保证时间序列内在传递性和时序特征。我们将数据先用信息粒化进行预处理后，再对粒化的数据进行聚类分组，在聚类的分组结果中，同一类内的数据对象之间应具有较高的相似度，而不同类内的对象之间相似度低，有利于分析类与类之间的联系，从而对应波动状态之间的联系。
本公开利用滑动窗口来处理数据，也就是将时间序列划分成若干个小的子序列，再将其作为操作窗口，然后，利用拟合函数对每个操作窗口进行二次拟合，提取拟合后的关键信息后利用FCM进行聚类，利用聚类分析可以使具有相似波动状态的信息粒作为一类，同一类中的信息粒具有相似的特征，有利于分析整体时间序列的波动规律，为后续网络的构建提供基础。
作为一个或多个实施例，基于相邻信息粒之间的转移关系，构建有向加权网络；
将每一个类作为一个节点，每一个节点中包括若干个信息粒，将信息粒与信息粒之间的转移对应到类与类之间的转移；类与类之间的转移次数即节点与节点之间的转移次数，节点与节点之间的转移次数作为两个节点之间连线的权重，从而构建有向加权网络。
如图3所示，以一个例子来详细说明构建有向加权网络的步骤：
假设有10个连续信息粒分别为G1，G2，G3，G4，G5，G6，G7，G8，G9，G10，这10个信息粒分别属于类cluster 1，cluster 1，cluster 2，cluster 1，cluster 3，cluster 3，cluster 1，cluster 3，cluster 2，cluster 2。
首先计算相邻信息粒之间的转移G1→G2，G2→G3，G3→G4，G4→G5，G5→G6，G6→G7，G7→G8，G8→G9，G9→G10；
然后可以得到每个信息粒所对应类之间的转移cluster1→cluster1，cluster1→cluster2，cluster2→cluster1，cluster1→cluster3，cluster3→cluster3，cluster3→cluster1，cluster1→cluster3，cluster3→cluster2，cluster2→cluster2；
将类与类之间的转移关系转换为下列形式cluster1→cluster1,cluster2,cluster3,cluster3，cluster2→cluster1,cluster2，cluster3→cluster3,cluster1,cluster2。
最后，统计上述类与类之间转移次数，得到cluster1→cluster1的转移次数为1，即节点1到节点1方向的权重为1；cluster1→cluster2的转移次数为1，即节点1到节点2方向的权重为1；cluster1→cluster3的转移次数为2，即节点1到节点3方向的权重为2；cluster2→cluster1的转移次数为1，即节点2到节点1方向的权重为1；cluster2→cluster2的转移次数为1，即节点2到节点2方向的权重为1；cluster2→cluster3的转移次数为0，即节点2到节点3方向没有连接；cluster3→cluster1的转移次数为1，即节点3到节点1方向的权重为1；cluster3→cluster2的转移次数为1，即节点3到节点2方向的权重为1；cluster3→cluster3的转移次数为1，即节点3到节点3方向的权重为1。
作为一个或多个实施例，所述对有向加权网络进行社团划分，是利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分。
作为一个或多个实施例，利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分，得到若干个社团；具体步骤包括：
S301：根据有向加权网络的邻接矩阵A和节点亲密度计算公式Iij得到网络的亲密度关系矩阵I；
S302：从第一个节点开始，依次找与其具有最大亲密度的节点，将该节点与其具有最大的亲密度的节点放入同一社团中，共得到n个社团；
S303：依次计算n个社团中任意两个社团间的亲密度，当任意两个社团间的亲密度
Figure BDA0002287751580000071
时，合并两个社团；其中，0<q<1；
S304：社团合并过程中，计算模块度Q*，并记录合并过程中出现的最大模块度与出现的最大模块度时所对应的社团划分状态；
S305：重复S303和S304，直到所有社团间的亲密度
Figure BDA0002287751580000072
得到若干个社团。
作为一个或多个实施例，S301中，节点亲密度计算公式为：
Figure BDA0002287751580000081
其中，Dij＝1-dij，dij为节点vi和节点vj之间的最短距离，最短距离根据迪杰斯特拉算法计算得到。
作为一个或多个实施例，S303中，任意两个社团间的亲密度的计算公式为：
Figure BDA0002287751580000082
其中，
Figure BDA0002287751580000083
表示社团Ci与社团Cj间的亲密度
Figure BDA0002287751580000084
Figure BDA0002287751580000085
表示社团Ci中所有节点的权重之和，即
Figure BDA0002287751580000086
作为一个或多个实施例，S304中，模块度的计算公式为：
Figure BDA0002287751580000087
其中，A代表有向网络的邻接矩阵，其中Aij＝wij，
Figure BDA0002287751580000088
和
Figure BDA0002287751580000089
分别为节点i的出向权重和入向权重，即
Figure BDA00022877515800000810
Ci和Cj分别为节点vi和节点vj所属的社团，
Figure BDA00022877515800000811
W为整个网络的总权值。当节点vi和节点vj同属于同一社团时，δ(Ci,Cj)＝1，否则，其值为0。
应理解的，所述S3的有益效果是：通过相邻信息粒之间的转移关系来构建有向加权网络，对向加权网络进行社团检测。因为社团结构反映的是有向加权网络中个体行为间的局部关系，所以分析社团结构的行为有利于进一步了解整个网络中各元素间的交互关系，从而有利于分析整体风速时间序列的波动规律。
应理解的，所述S3的社团划分：社团结构是有向加权网络中重要的拓扑结构，每个社团内部的节点之间的连接相对非常紧密,但是各个社团之间的连接却相对来说比较稀疏，如图4所示。图4中的网络包含3个社团，分别对应图中3个大圆圈包围的部分。在同一社团中，节点之间的联系非常紧密，而不同社团间节点之间的联系就稀疏得多。
为了检测大规模有向加权网络中的社团结构，人们提出了许多算法。但大多针对无向无权网络，而社会中有向加权网络也较为普遍，如电力传输系统网络，网络节点间存在着电力传输的方向和流量等问题。对于有向加权网络中的社团划分算法，2015年，Paul等人提出了一种基于边相似度的层次聚类算法(IC)，该算法通过有向加权网络中边的相似关系来挖掘网络中的社团结构。有向加权网络中，网络的方向性使得两节点间的关系具有不对称性，本实施例便从节点间关系的不对称性出发，探索节点间的关系，进而检测社团结构。
针对有向加权网络的社团划分，本实施例提出了一种基于距离的节点亲密度社团发现算法。通常来说，网络中两节点之间的连接方式有两种，一种是直接相连，另一种是间接相连，直接相连表示两节点间有直接的关系，间接相连表示有间接的关系，但两节点间更多的是间接的关系。如图5所示，节点c，d，e，f可以看作是节点a，b间关系的桥梁节点，这四个节点或多或少的间接增强了节点a和b之间的联系。由于权重与方向的关系，这四个节点对a、b的影响程度又有所区别。以邮件传输系统为例，用户a向c发送邮件，频繁程度为0.1，而用户c又向b发送邮件，频繁程度为0.2，则用户c可作为用户a与b联系的中间节点，同理，f也可作为用户b与a联系的中间节点。但当a、b同时向某个用户发送邮件，如用户e，或a、b同时收到某个用户的邮件，如用户d，这种间接增强关系就没有那么强烈，甚至有可能a与b互不认识。所以，在本算法中，只考虑类似于节点c与f的间接增强关系，而忽略类似节点d和e的增强关系。
应理解的，本实施例用G(V，E，W)来表示有向加权网络，V表示网络中节点的集合，E表示网络中边的集合，W为网络中边的权重，即两节点间联系的频繁程度。对于有向加权网络，边eij和边eji具有不同的含义，需要区别对待。wij为节点vi和节点vj之间连边eij的权值，值越大，表明两节点间的联系越频繁。本实施例中，对于所有边的权值均归一化为0-1范围内，即0<wij≤1。Wi包括所有入度的边权值总和Wi in和所有出度的边的权值的总和Wi out，即为节点vi的总权值，因此Wi＝Wi in+Wi out，其中Wi in和Wi out又可以表示为
Figure BDA0002287751580000101
在有向图中，节点间的亲密度属于单向关系，如果用I(A→B)表示节点A对节点B的亲密度，则有I(A→B)≠I(B→A)。因此，节点vi和节点vj之间的非对称亲密度Iij定义如下：
Figure BDA0002287751580000102
其中，Dij＝1-dij，Iij为节点i和节点j之间的亲密度；wij为节点i到节点j的权重；wji为节点j到节点i的权重；Dij指节点i、j之间的距离；
Figure BDA0002287751580000103
指节点i所发出的所有边的权重集合；
Figure BDA0002287751580000104
指进入节点j的所有边的权重集合；
Figure BDA0002287751580000105
指节点j所发出的所有边的权重集合；
Figure BDA0002287751580000106
指进入节点i的所有边的权重集合；Wi指节点i的总权值。
dij为节点vi和节点vj之间的最短距离，此最短距离根据迪杰斯特拉算法计算得到，例如计算节点1到节点5的最短距离，利用迪杰斯特拉算法可得到节点1到5最短路径为
Figure BDA0002287751580000107
由此可计算节点1到5的最短距离为0.1+0.1+0.2+0.1＝0.5，本实施例中，所有节点之间的最短距离也归一化为0-1范围内，同时，为使距离与亲密度成正比例关系，将距离转化为Dij＝1-dij。
Figure BDA0002287751580000111
和
Figure BDA0002287751580000112
为节点vi和节点vj的加权向量，加权向量的表示方法与IC算法中的表示方法相同，即，
Figure BDA0002287751580000113
其中，Aij为边eij的权值，即
Figure BDA0002287751580000114
所以，
Figure BDA0002287751580000115
可以理解为有向加权网络的邻接矩阵的行向量，
Figure BDA0002287751580000116
为邻接矩阵的列向量。公式中wij和wji表示节点vi和节点vj之间的直接连接关系，
Figure BDA0002287751580000117
和
Figure BDA0002287751580000118
则表示节点vi和节点vj之间的间接连接关系。例如，在图5中，
Figure BDA0002287751580000119
Figure BDA00022877515800001110
所以
Figure BDA00022877515800001111
所以
Figure BDA00022877515800001112
从公式中可以看出，当边权值0<wij≤1时，节点间的亲密度0<I≤1，且I的值越大表明两节点间的联系越紧密，属于同一个社团的概率越大，根据这一思想，本算法利用节点之间的亲密度，判断两个节点是否属于同一个社团。
应理解的，模块度是一种用来衡量网络社区结构强度的方法，可以定量地衡量社团结构的划分质量，其取值范围为0-1，也就是说，模块度的值越接近于1，网络的社团结构越明显，划分算法也就越好。最早由Newman定义的无向无权网络下的模块度公式如下：
Figure BDA00022877515800001113
对于有向加权网络，模块度的定义为：
Figure BDA00022877515800001114
其中，A代表有向网络的邻接矩阵，其中Aij＝wij，
Figure BDA00022877515800001115
和
Figure BDA00022877515800001116
分别为节点i的出向权重和入向权重，即
Figure BDA00022877515800001117
Ci和Cj分别为节点vi和节点vj所属的社团，
Figure BDA00022877515800001118
为整个网络的总权值。当节点vi和节点vj同属于同一社团时，δ(Ci,Cj)＝1，否则，其值为0。Q*值越高表明社团划分的质量越好，通常情况下，模块度Q*>0.3时，就认为网络有明显的社团结构；W为整个网络的总权值；N为社团的个数；Aij为网络邻接矩阵中节点i、j间的权重；
Figure BDA0002287751580000121
为节点i的入向权重；
Figure BDA0002287751580000122
为节点j的出向权重；W为网络的总权值；δ为0、1判断；Ci指节点i所属的社团；Cj指节点j所属的社团。
作为一个或多个实施例，所述S5中，利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果；具体步骤包括：
S501：假设将风速时间序列分成N个社团，令状态集为C＝{C1,C2,C3,…,CN}；
S502：利用公式
Figure BDA0002287751580000123
计算各状态不同步长的转移频率，从而得到状态转移概率矩阵，其中ni为落在状态Ci的序列个数，而
Figure BDA0002287751580000124
表示上一时刻序列落在Ci，而下k个时刻序列落在Cj的序列的总数；ni为落在状态Ci的序列个数；
Figure BDA0002287751580000125
表示上一时刻序列落在Ci，而下k个时刻序列落在Cj的序列的个数；
S503：根据状态转移概率矩阵检验序列的马氏性，若
Figure BDA0002287751580000126
就认为序列具有马氏性，则继续利用马尔可夫模型对序列进行后续分析，否则该序列不可作为马尔可夫链来处理；
Figure BDA0002287751580000127
为转移频数矩阵，
Figure BDA0002287751580000128
表示转移频数矩阵的第j列之和同各行各列的总和的比值，pij表示状态i转移到状态j的概率。α为置信度，选取α＝0.05，n为社团个数；
S504：计算各阶自相关系数r，对各阶自相关系数规范化作为权重ω，给定序列初始状态，结合每个状态相应的状态转移概率矩阵来计算下一时刻所处的社团状态的概率Pi'；
S505：则依据Pi'大小判断下一时刻序列的状态Cj，将最大概率值所对应的状态作为下一时刻序列的状态，即：
Pmax＝max(Pi') (10)。
其中，
Figure BDA0002287751580000131
进一步地，引入概率转移矩阵来计算有向加权网络中每个社团状态之间的转移情况，根据社团转移更方便的分析原始时间序列波动情况之间的转移。
若
Figure BDA0002287751580000132
则称pij(n)＝p{Xn+1＝j|Xn＝i}为马尔可夫链{Xn,n≥0}在时刻n的一步转移概率。
若
Figure BDA0002287751580000133
pij(n)＝pij，即马尔可夫链{Xn,n≥0}的转移概率pij(n)与时刻n无关，则称马尔可夫链是齐次的。
记p＝(pij)，p为马尔可夫链{Xn,n≥0}的一步转移概率矩阵。
马尔可夫链{Xn,n≥0}的n步转移概率如下式所示：
Figure BDA0002287751580000134
并称
Figure BDA0002287751580000135
为马尔可夫链的n步转移概率矩阵。
进一步地，检验随机变量是否具有马氏性是应用马尔可夫链模型分析和解决实际问题的必要前提，所以，我们在利用马尔可夫对社团状态进行转移分析时首先检验马氏性，通常离散序列的马尔可夫链是用χ2统计量来检验的。具体步骤如下：
1)计算下式
Figure BDA0002287751580000136
Figure BDA0002287751580000137
其中，nij表示X1,X2,...,Xn从状态Ci经过一步转移到状态Cj的频数，(nij)n×n为转移频数矩阵，
Figure BDA0002287751580000141
表示转移频数矩阵的第j列之和同各行各列的总和的比值，pij表示状态i转移到状态j的概率。
2)当n较大时，统计量服从自由度为(n-1)2的χ2分布。选定置信度α，查表得
Figure BDA0002287751580000142
令
Figure BDA0002287751580000143
若
Figure BDA0002287751580000144
就认为{Xi}具有马氏性，否则该序列不可作为马尔可夫链来处理。
应理解的，本实施例试图在风速波动分析中引入马尔科夫分析方法，建立风速波动分析模型，而马尔可夫的一个重要步骤是状态的划分，本实施例利用有向加权网络中社团划分所得到的社团状态作为马尔可夫模型的划分状态，是一种新的状态划分方法。
风速在不同时间段形成的时间序列是一组随机变量，如果将风速变化的时间序列视为马尔可夫链，则可按转移概率根据当前的状态分析以后的状态，为工作人员提供有价值的信息，这就是运用马氏链方法进行风速波动分析的基本思想。
实施例二，本实施例还提供了一种风电场风速时间序列预测系统；
一种风电场风速时间序列预测系统，包括：
风速时间序列获取模块，其被配置为：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
信息粒构造模块，其被配置为：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
社团划分模块，其被配置为：基于相邻信息粒之间的转移关系，构建有向加权网络；对有向加权网络进行社团划分，得到若干个社团；
风速时间序列预测模块，其被配置为：利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述方法的步骤。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述方法的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种风电场风速时间序列预测方法，其特征是，包括：
利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
信息粒构造：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
基于相邻信息粒之间的转移关系，构建有向加权网络，包括：将信息粒与信息粒之间的转移对应到类与类之间的转移；类与类之间的转移次数即节点与节点之间的转移次数，节点与节点之间的转移次数作为两个节点之间连线的权重，从而构建有向加权网络；
利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分，得到若干个社团，具体步骤包括：
S301：根据有向加权网络的邻接矩阵A和节点亲密度计算公式Iij得到网络的亲密度关系矩阵I，节点亲密度计算公式为：
Figure FDA0003473405460000011
其中，Dij＝1-dij，dij为节点i和节点j之间的最短距离，最短距离根据迪杰斯特拉算法计算得到；Iij为节点i和节点j之间的亲密度；wij为节点i到节点j的权重；wji为节点j到节点i的权重；Dij指节点i、j之间的距离；
Figure FDA0003473405460000012
指节点i所发出的所有边的权重集合；
Figure FDA0003473405460000013
指进入节点j的所有边的权重集合；
Figure FDA0003473405460000014
指节点j所发出的所有边的权重集合；
Figure FDA0003473405460000015
指进入节点i的所有边的权重集合；Wi指节点i的总权值；
S302：从第一个节点开始，依次找与其具有最大亲密度的节点，将该节点与其具有最大的亲密度的节点放入同一社团中，共得到n个社团；
S303：依次计算n个社团中任意两个社团间的亲密度，当任意两个社团间的亲密度
Figure FDA0003473405460000016
时，合并两个社团；其中，0<q<1；
S304：社团合并过程中，计算模块度Q*，并记录合并过程中出现的最大模块度与出现的最大模块度时所对应的社团划分状态；
S305：重复S303和S304，直到所有社团间的亲密度
Figure FDA0003473405460000017
得到若干个社团；
利用马尔科夫预测模型对社团之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
2.如权利要求1所述的方法，其特征是，所述信息粒构造的具体步骤包括：
S201：设定滑动时间窗口长度为ω，即滑动时间窗口包含数据点的数目，同时设定滑动时间窗口每次向后滑动的数据个数m；从风速时间序列第一个数据开始取ω个连续数据作为第一个时间窗口，然后向后移动m个数据，再取ω个连续数据作为第二个时间窗口，依次类推，直到风速时间序列中的数据全部取完；
S202：建立各时间序列窗口的二次拟合方程；
第i个时间窗口的二次拟合方程表示为：
Pt i＝ait2+bit+ci；
其中，t表示时间，ai、bi和ci是二次拟合方程中第i个时间窗口的三个参数，
Figure FDA0003473405460000021
表示第i个时间窗口在t时刻的数值；
然后，得到每个时间窗口中三个参数的集合{[a1,b1,c1],[a2,b2,c2],...,[am,bm,cm]}，每个集合代表不同的信息粒；
S203：对所有时间窗口的参数集合进行FCM聚类，将每一个类作为一个节点。
3.如权利要求1所述的方法，其特征是，
S303中，任意两个社团间的亲密度的计算公式为：
Figure FDA0003473405460000022
其中，
Figure FDA0003473405460000023
表示社团Ci与社团Cj间的亲密度
Figure FDA0003473405460000024
Figure FDA0003473405460000025
表示社团Ci中所有节点的权重之和，即
Figure FDA0003473405460000026
S304中，模块度的计算公式为：
Figure FDA0003473405460000027
其中，A代表有向加权网络的邻接矩阵，Aij＝wij，
Figure FDA0003473405460000028
Ci和Cj分别为节点i和节点j所属的社团，
Figure FDA0003473405460000031
W为整个网络的总权值；当节点i和节点j属于同一社团时，δ(Ci,Cj)＝1，否则，其值为0；N为社团的个数；Aij为网络邻接矩阵中节点i、j间的权重；
Figure FDA0003473405460000032
为节点i的入向权重；
Figure FDA0003473405460000033
为节点j的出向权重。
4.如权利要求1所述的方法，其特征是，利用马尔科夫预测模型对社团之间的转移情况进行分析，输出最终的风速时间序列的预测结果,具体步骤包括：
S501：假设将风速时间序列分成N个社团，令状态集为E＝{E1，E2，E3，…，EN}；
S502：利用公式
Figure FDA0003473405460000034
计算各状态不同步长的转移频率，从而得到状态转移概率矩阵，其中ni为落在状态Ei的序列个数，而
Figure FDA0003473405460000035
表示上一时刻序列落在Ei，而下k个时刻序列落在Ej的序列的总数；
S503：根据状态转移概率矩阵检验序列的马氏性，若
Figure FDA0003473405460000036
就认为序列具有马氏性，则继续利用马尔科夫模型对序列进行后续分析，否则该序列不可作为马尔科夫链来处理；
S504：计算各阶自相关系数r，对各阶自相关系数规范化作为权重ω，给定序列初始状态，结合每个状态相应的状态转移概率矩阵来计算下一时刻所处的社团状态的概率Pi'；
S505：则依据Pi'大小判断下一时刻序列的状态Ej，将最大概率值所对应的状态作为下一时刻序列的状态，即：
Pmax＝max(Pi') (10)。
5.一种风电场风速时间序列预测系统，其特征是，包括：
风速时间序列获取模块，其被配置为：利用风速采集仪每间隔设定时间记录一次同一个地区的风速数据，获得风速时间序列；
信息粒构造模块，其被配置为：预定义滑动窗口的长度；利用预定义的滑动窗口将风速时间序列划分为若干个间隔，对每个间隔中的风速时间序列建立二次拟合方程，从二次拟合方程中提取方程系数，对方程系数进行聚类，将每一个类作为一个节点，每一类中包括若干个信息粒；
社团划分模块，其被配置为：基于相邻信息粒之间的转移关系，构建有向加权网络,包括：将信息粒与信息粒之间的转移对应到类与类之间的转移；类与类之间的转移次数即节点与节点之间的转移次数，节点与节点之间的转移次数作为两个节点之间连线的权重，从而构建有向加权网络；利用基于距离的节点亲密度社团发现算法对有向加权网络进行社团划分，得到若干个社团，具体步骤包括：
S301：根据有向加权网络的邻接矩阵A和节点亲密度计算公式Iij得到网络的亲密度关系矩阵I，节点亲密度计算公式为：
Figure FDA0003473405460000041
其中，Dij＝1-dij，dij为节点i和节点j之间的最短距离，最短距离根据迪杰斯特拉算法计算得到；Iij为节点i和节点j之间的亲密度；wij为节点i到节点j的权重；wji为节点j到节点i的权重；Dij指节点i、j之间的距离；
Figure FDA0003473405460000042
指节点i所发出的所有边的权重集合；
Figure FDA0003473405460000043
指进入节点j的所有边的权重集合；
Figure FDA0003473405460000044
指节点j所发出的所有边的权重集合；
Figure FDA0003473405460000045
指进入节点i的所有边的权重集合；Wi指节点i的总权值；
S302：从第一个节点开始，依次找与其具有最大亲密度的节点，将该节点与其具有最大的亲密度的节点放入同一社团中，共得到n个社团；
S303：依次计算n个社团中任意两个社团间的亲密度，当任意两个社团间的亲密度
Figure FDA0003473405460000046
时，合并两个社团；其中，0<q<1；
S304：社团合并过程中，计算模块度Q*，并记录合并过程中出现的最大模块度与出现的最大模块度时所对应的社团划分状态；
S305：重复S303和S304，直到所有社团间的亲密度
Figure FDA0003473405460000047
得到若干个社团；
风速时间序列预测模块，其被配置为：利用马尔科夫预测模型对社团彼此之间的转移情况进行分析，输出最终的风速时间序列的预测结果。
6.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项所述的方法的步骤。
7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述的方法的步骤。
CN201911167123.3A 2019-11-25 2019-11-25 一种风电场风速时间序列预测方法及系统 Expired - Fee Related CN111047079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167123.3A CN111047079B (zh) 2019-11-25 2019-11-25 一种风电场风速时间序列预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167123.3A CN111047079B (zh) 2019-11-25 2019-11-25 一种风电场风速时间序列预测方法及系统

Publications (2)

Publication Number Publication Date
CN111047079A CN111047079A (zh) 2020-04-21
CN111047079B true CN111047079B (zh) 2022-05-13

Family

ID=70233298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167123.3A Expired - Fee Related CN111047079B (zh) 2019-11-25 2019-11-25 一种风电场风速时间序列预测方法及系统

Country Status (1)

Country Link
CN (1) CN111047079B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536584B (zh) * 2021-07-23 2022-04-15 河北工业大学 基于概率模型与多时间窗自相关校验的风速逆向生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243593A (zh) * 2015-08-04 2016-01-13 电子科技大学 基于混合测度的加权网络社区聚类方法
CN105404709A (zh) * 2015-10-22 2016-03-16 水利部南京水利水文自动化研究所 基于复杂网络的堤坝健康监测敏感测点分析方法
CN109118009A (zh) * 2018-08-24 2019-01-01 山东师范大学 基于极坐标模糊信息粒的时间序列预测方法、系统及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10361926B2 (en) * 2017-03-03 2019-07-23 Nec Corporation Link prediction with spatial and temporal consistency in dynamic networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243593A (zh) * 2015-08-04 2016-01-13 电子科技大学 基于混合测度的加权网络社区聚类方法
CN105404709A (zh) * 2015-10-22 2016-03-16 水利部南京水利水文自动化研究所 基于复杂网络的堤坝健康监测敏感测点分析方法
CN109118009A (zh) * 2018-08-24 2019-01-01 山东师范大学 基于极坐标模糊信息粒的时间序列预测方法、系统及介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"An upper approximation based community detection algorithm for complex networks";Pradeep Kumar et al.;《Decision Support Systems》;20170430;第96卷;第103-118页 *
"Fuzzy cognitive maps in the modeling of granular time series";Froelich W et al.;《Knowledge-Based Systems》;20170131;第115卷(第1期);第110-122页 *
"The modeling of time series based on fuzzy information granules";Wei Lu et al.;《Expert Systems with Applications》;20140615;第41卷(第8期);第3799-3808页 *
"伴随二元关系信息粒粗化的社团挖掘方法";黄瑶 等;《计算机工程与设计》;20170430;第38卷(第04期);第946-951页 *
"信息粒化和相似数据结合的短期风速预测";廖玲珑 等;《电力系统及其自动化学报》;20160430;第28卷(第04期);第12-17页 *
"基于节点亲密度和度的社会网络社团发现方法";刘瑶 等;《计算机研究与发展》;20151031;第52卷(第10期);第2363-2372页 *

Also Published As

Publication number Publication date
CN111047079A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN110149237B (zh) 一种Hadoop平台计算节点负载预测方法
Juszczyszyn et al. Link prediction based on subgraph evolution in dynamic social networks
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
CN109686402B (zh) 基于动态加权相互作用网络中关键蛋白质识别方法
Aladag et al. A new seasonal fuzzy time series method based on the multiplicative neuron model and SARIMA
CN112363896A (zh) 日志异常检测系统
CN107169871B (zh) 一种基于关系组合优化和种子扩张的多关系社区发现方法
Li et al. A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting
CN101740029B (zh) 应用于基于矢量量化的说话人识别的三粒子协同优化方法
CN116776260A (zh) 基于机器学习的岩爆等级双模型分步预测方法
CN116318924A (zh) 一种小样本入侵检测方法、系统、介质、设备及终端
CN111047079B (zh) 一种风电场风速时间序列预测方法及系统
Lee et al. Probabilistic wind power forecasting based on the laplace distribution and golden search
CN109345011A (zh) 一种基于深度回归森林的空调负荷预测方法及系统
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN117235510A (zh) 节理粗糙度预测方法与节理粗糙度预测模型训练方法
Zhang et al. Online community detection by spectral cusum
CN113298296A (zh) 一种自下而上的输电变电站日前负荷概率预测方法
CN111159768B (zh) 社交网络链接隐私保护效果的评价方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN107577896A (zh) 基于混合Copula理论的风电场多机聚合等值方法
Wei et al. Assessing Uncertainty in Space Weather Forecasting Using Quantile Regression and Complex Nonlinear Systems Identification Techniques
Zhou et al. Finding decomposable models for efficient distributed inference over sensor networks
CN111859164A (zh) 基于局部结构的微博网络重要节点发现方法、装置及介质
Krishnamurthy et al. Segregation in social networks: Markov bridge models and estimation

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220513

CF01 Termination of patent right due to non-payment of annual fee