CN111563236A - 一种短期风速预测方法及装置 - Google Patents
一种短期风速预测方法及装置 Download PDFInfo
- Publication number
- CN111563236A CN111563236A CN202010314222.6A CN202010314222A CN111563236A CN 111563236 A CN111563236 A CN 111563236A CN 202010314222 A CN202010314222 A CN 202010314222A CN 111563236 A CN111563236 A CN 111563236A
- Authority
- CN
- China
- Prior art keywords
- data
- wind speed
- imf
- neural network
- value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Ecology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种短期风速预测方法及装置,其中方法包括:对采集的风电场风速数据进行预处理;对预处理后的风速数据进行经验模态分解;对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。本发明的方法及装置无需考虑风速与各种影响因素的物理关系,所需数据简单,不仅易于实现,还提高了预测精度。
Description
技术领域
本发明涉及风速预测技术领域,具体涉及一种短期风速预测方法及装置。
背景技术
随着国家对新能源的日益重视,风能作为一种可再生的清洁能源受到了越来越多的关注,风电发电厂的数量和规模不断扩大,风力发电在电网中的比重越来越大由于风力本身具有相当强的不确定性,对于风力进行预测就显得极其重要,准确的风力预测有助于调度部门调整计划,采取正确的调度决策,降低风力发电系统的运行成本。短期风速预测对于风能预测具有重要意义。风速本身受到地形、海拔、湿度等等多种因素影响,具有相当强的随机性与波动性。诚然我们可以研究风速与这些影响因素的物理关系,由此来预测风速。但是在实际中,不少风电厂往往只有风速这一种数据,这就需要我们利用实际风速来进行预测。
现有技术中基于风速进行未来风速预测的方法是将风速视为时间序列,通过各种模型,比如自回归滑动平均模型,卡尔曼滤波法模型、神经网络模型,支持向量机模型等,然而由于风电数据往往呈现出高度的复杂性,具有非线性和非平稳性的特点,上述方法往往不能进行精确的风速预测。
发明内容
为了克服上述缺陷,本发明的目的在于提供了一种无需考虑风速与各种影响因素的物理关系,且预测精度高的短期风速预测方法及装置。
本发明的目的是采用下述技术方案实现的:
一种短期风速预测方法,其改进之处在于,包括:
对采集的风电场风速数据进行预处理;
对预处理后的风速数据进行经验模态分解;
对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
优选的,所述采集的风电场风速数据包括实时测风数据;所述实时测风数据的频率为15min/点,数据长度≥1个月。
优选的,所述对采集的风电场风速数据进行预处理,包括:
删除风速数据中小于0的风速值,删除风速数据中大于预设值的风速值,删除风速数据中因输入错误产生的值;
对齐时间刻度,无数据时通过上下数据取平均值补齐数据,将补齐后的风速数据按小时平均得到小时平均风速。
优选的,所述对预处理后的风电场风速数据进行经验模态分解包括:
获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
当达到预设分解次数后,得到所有IMF分量和残差值;
所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
优选的,所述分解后的数据包括IMF分量和残差值;
所述对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而确定未来风速预测结果,包括:
对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
将所有imf分量和残差值的预测值进行加和,得到未来风速预测结果。
优选的,所述elman神经网络模型的训练方法包括:
计算未通过平稳性校验的imf分量和残差值的自相关系数;
根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
本发明还提供了一种短期风速预测装置,其改进之处在于,包括:
预处理单元,用于对采集的风电场实时风速数据进行预处理;
分解单元,用于对预处理后的风速数据进行经验模态分解;
预测单元,用于对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
优选的,所述实时风速数据的频率为15min/点,数据长度≥1个月。
优选的,所述预处理单元,具体用于:
删除风速数据中小于0的风速值,删除风速数据中大于预设值的风速值,删除风速数据中因输入错误产生的值;
对齐时间刻度,无数据时通过上下数据取平均值补齐数据,将补齐后的风速数据按小时平均得到小时平均风速。
优选的,所述分解单元,具体用于:
获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
当达到预设分解次数后,得到所有IMF分量和残差值;
所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
优选的,所述分解后的数据包括IMF分量和残差值;
所述预测单元,具体用于:
对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
将所有imf分量和残差值的预测值进行加和,得到未来风速预测结果。
优选的,所述装置还包括模型训练模块,具体用于:
计算未通过平稳性校验的imf分量和残差值的自相关系数;
根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
与现有技术相比,本发明的有益效果是:
本发明提出的技术方案,包括:对采集的风电场风速数据进行预处理;对预处理后的风速数据进行经验模态分解;对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。本发明无需考虑风速与各种影响因素的物理关系,所需数据简单,不仅易于实现,还提高了预测精度。
附图说明
图1是本发明短期风速预测方法的流程图;
图2是使用自回归滑动平均方法预测和elman神经网络方法预测的示意图;
图3是本发明短期风速预测方法的结构示意图。
具体实施方式
为了更好地理解本发明,下面结合附图和实施例对本发明做进一步详细的说明。
实施例1
本发明实施例提供了一种基于实际风速的短期风速预测方法,如图1所示,包括如下步骤:
S1、对采集的风电场风速数据进行预处理;
S2、对预处理后的风速数据进行经验模态分解;
S3、对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
步骤S1中,采集的风电场风速数据包括实时测风数据Vt;
实时测风数据Vt的频率为15min/点,数据长度≥1个月。
步骤S1可以包括如下步骤:
S11、删除风速数据中小于0的风速值,删除风速数据中明显过大(即风速数据中大于预设值)的风速值,删除风速数据中因输入错误产生的值;
S12、对齐时间刻度,无数据时通过上下数据取平均值补齐数据,将补齐后的风速数据按小时平均得到小时平均风速Vh。
本实施例中,以得到的小时平均风速Vh有2000个数据为例进行说明。
步骤S2可以包括如下步骤:
S21、获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
S22、分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
S23、首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
S24、非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
S25、重复步骤S24,直至达到预设分解次数后,得到所有分解后的数据,包括IMF分量和残差值;
其中,IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
下面对步骤S2进行举例说明:
2-1获得初始化残差r0,有r0=Vh;
2-2获得初始化经验模态数据H0,有H0=Vh;
2-3取H0的全部局部极大值点和全部局部极小值点;
2-4对H0的全部局部极大值点进行三次样条函数差值拟合,得到上包络线函数eup(t);
2-5对H0的全部局部极小值点进行三次样条函数差值拟合,得到下包络线函数elow(t);
2-6求上下包络线函数的平均值m(t),即
m(t)=[eup(t)+elow(t)]/2 (1)
2-7用Vh减去m(t)得到H1(t),即
H1(t)=H0-m(t) (2)
2-8检查H1(t)是否存在负的局部极大值和正的局部极小值,若不存在,转到2-9若存在,取H0=H1(t),重复步骤2-3至2-8;
2-9取IMF1=H1,r1=r0-IMF1,取H0=r1,重复2-3至2-8,得到新的H1(t),记IMF2=H1;
2-10重复上述步骤N次,N是一个预设值,就可以得到满足下式的经验模态分解的IMF分量和残差值:
Vh=IMF1+…+IMFN+rN (3)
在本实施例中,N=8,故而得到8个经验模态分解IMF1,……,IMF8和1个残差r8
如图2所示,步骤S3可以包括如下步骤:
S31、对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
S32、采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
S33、将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
S34、将所有IMF分量和残差值的预测值进行加和,得到未来风速预测结果。
下面对步骤S3进行举例说明:
3-1对于IMFi,i=1,…,N,进行ADF检验,取置信区间为5%;
其中,所述elman神经网络模型的训练方法包括:
S41、计算未通过平稳性校验的imf分量和残差值的自相关系数;
S42、选取自相关系数≥预设值的数值作为elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
S43、利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
在本例中,假设IMF1,IMF2通过ADF检验,其余未通过ADF检验,则以IMF3为例进行详细说明:
计算IMF3的自相关系数,得到其中大于0.2的阶数为{1,2,3,5,6},故而对于IMF3的数据{x1,x2,…,x2000},对应输出项xn的输入项为{xn-6,xn-5,xn-3,xn-2,xn-1},n=7,…,2000,这样就可以训练elman神经网络。在预测中,对于提前1小时预测,将{x1995,x1996,x1998,x1999,x2000}代入训练好的神经网络既可以得到一小时后的预测对于提前2小时预测,将{x1996,x1997,x1999,x2000,}代入训练好的神经网络即可以得到为提前2小时预测,依次类推即可得到提前各个小时的预测。
可以通过计算平均绝对误差来对通过上述方法预测得到的风速进行评价,平均绝对误差越小,即代表预测结果越好。
平均绝对误差表达式为:
对本发明实施例的方法与现有技术中基于ARMA方法进行对比,分别取提前1小时、3小时、6小时风速预测结果,结果如表1所示:
表1评价指标计算结果
通过上述比较可以看出:本发明提出的基于经验模态分解的短期风速预测方法的结果在提前1小时、提前3小时和提前6小时的预测精度上都要优于现有的ARMA方法。此外,本发明无需考虑风速与各种影响因素的物理关系,所需数据简单,易于实现,能够更好地帮助调度部门调整计划,采取正确的调度决策。
实施例2
基于同一发明构思,本发明还提供了一种短期风速预测装置,如图3所示,包括如下单元:
预处理单元,用于对采集的风电场实时风速数据进行预处理;
分解单元,用于对预处理后的风速数据进行经验模态分解;
预测单元,用于对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
优选的,实时风速数据的频率可以为15min/点,数据长度≥1个月。
优选的,预处理单元,具体可以用于:
删除风速数据中小于0的风速值,删除风速数据中大于预设值的风速值,删除风速数据中因输入错误产生的值;
对齐时间刻度,无数据时通过上下数据取平均值补齐数据,将补齐后的风速数据按小时平均得到小时平均风速。
其中,分解单元,具体可以用于:
获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
重复非首次分解过程,直至达到预设分解次数后,得到所有IMF分量和残差值;
其中,IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
优选的,预测单元,具体可以用于:
对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
将所有imf分量和残差值的预测值进行加和,得到未来风速预测结果。
优选的,本发明实施例的装置还包括模型训练模块,具体可以用于:
计算未通过平稳性校验的imf分量和残差值的自相关系数;
选取自相关系数≥预设值的数值作为elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种短期风速预测方法,其特征在于,包括:
对采集的风电场风速数据进行预处理;
对预处理后的风速数据进行经验模态分解;
对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
2.如权利要求1所述的方法,其特征在于,所述采集的风电场风速数据包括实时测风数据;所述实时测风数据的频率为15min/点,数据长度≥1个月。
3.如权利要求1所述的方法,其特征在于,所述对采集的风电场风速数据进行预处理,包括:
删除风速数据中小于0的风速值,删除风速数据中大于预设值的风速值,删除风速数据中因输入错误产生的值;
对齐时间刻度,无数据时通过上下数据取平均值补齐数据,将补齐后的风速数据按小时平均得到小时平均风速。
4.如权利要求1所述的方法,其特征在于,所述对预处理后的风电场风速数据进行经验模态分解包括:
获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
当达到预设分解次数后,得到所有IMF分量和残差值;
所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
5.如权利要求1所述的方法,其特征在于,所述分解后的数据包括IMF分量和残差值;
所述对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而确定未来风速预测结果,包括:
对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
将所有imf分量和残差值的预测值进行加和,得到未来风速预测结果。
6.如权利要求5所述的方法,其特征在于,所述elman神经网络模型的训练方法包括:
计算未通过平稳性校验的imf分量和残差值的自相关系数;
根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
7.一种短期风速预测装置,其特征在于,包括:
预处理单元,用于对采集的风电场实时风速数据进行预处理;
分解单元,用于对预处理后的风速数据进行经验模态分解;
预测单元,用于对分解后的数据进行平稳性检验,通过平稳性检验的数据采用自回归滑动平均方法进行预测,未通过平稳性检验的数据采用训练好的elman神经网络进行预测,进而得到未来风速预测结果。
8.如权利要求7所述的装置,其特征在于,所述分解单元,具体用于:
获取风速数据的所有局部极大值点和局部极小值点,并按采集时间顺序进行排序得到风速数据序列;
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线,并根据上、下包络线的均值得到均值曲线;
首次分解过程中,判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
非首次分解过程中,判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件,若满足,则将数据序列作为非首次分解的IMF分量;否则重新确定均值曲线,直至满足IMF约束条件为止;
当达到预设分解次数后,得到所有IMF分量和残差值;
所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。
9.如权利要求7所述的装置,其特征在于,所述分解后的数据包括IMF分量和残差值;
所述预测单元,具体用于:
对分解后的IMF分量和残差值进行ADF平稳性校验,若满足预设置信区间要求,则IMF分量和残差值通过平稳性校验,否则未通过平稳性校验;
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计,得到通过平稳性校验的IMF分量和残差值的预测值;
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型,得到未通过平稳性校验的IMF分量和残差值的预测值;
将所有imf分量和残差值的预测值进行加和,得到未来风速预测结果。
10.如权利要求9所述的装置,其特征在于,所述装置还包括模型训练模块,具体用于:
计算未通过平稳性校验的imf分量和残差值的自相关系数;
根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn,进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn,确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn;
利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数,直至网络损失函数收敛或达到预设迭代次数,得到训练好的elman神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314222.6A CN111563236B (zh) | 2020-04-20 | 2020-04-20 | 一种短期风速预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314222.6A CN111563236B (zh) | 2020-04-20 | 2020-04-20 | 一种短期风速预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563236A true CN111563236A (zh) | 2020-08-21 |
CN111563236B CN111563236B (zh) | 2021-07-02 |
Family
ID=72074330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010314222.6A Active CN111563236B (zh) | 2020-04-20 | 2020-04-20 | 一种短期风速预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563236B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114926082A (zh) * | 2022-06-07 | 2022-08-19 | 平安科技(深圳)有限公司 | 基于人工智能的数据波动预警方法及相关设备 |
CN115204461A (zh) * | 2022-06-02 | 2022-10-18 | 国网江苏省电力有限公司淮安供电分公司 | 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179443A1 (en) * | 2010-12-16 | 2012-07-12 | Shell Oil Company | Dynamic grid refinement |
CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN110083864A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于经验模态分解的短期风速预测方法 |
-
2020
- 2020-04-20 CN CN202010314222.6A patent/CN111563236B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179443A1 (en) * | 2010-12-16 | 2012-07-12 | Shell Oil Company | Dynamic grid refinement |
CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN110083864A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于经验模态分解的短期风速预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115204461A (zh) * | 2022-06-02 | 2022-10-18 | 国网江苏省电力有限公司淮安供电分公司 | 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法 |
CN115204461B (zh) * | 2022-06-02 | 2024-05-07 | 国网江苏省电力有限公司淮安供电分公司 | 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法 |
CN114926082A (zh) * | 2022-06-07 | 2022-08-19 | 平安科技(深圳)有限公司 | 基于人工智能的数据波动预警方法及相关设备 |
CN114926082B (zh) * | 2022-06-07 | 2024-07-09 | 平安科技(深圳)有限公司 | 基于人工智能的数据波动预警方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111563236B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563236B (zh) | 一种短期风速预测方法及装置 | |
US11888316B2 (en) | Method and system of predicting electric system load based on wavelet noise reduction and EMD-ARIMA | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN105305426B (zh) | 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法 | |
CN108829718B (zh) | 一种数据处理的方法和装置 | |
CN103295075A (zh) | 一种超短期电力负荷预测与预警方法 | |
CN110276491A (zh) | 粉丝预测管理方法、装置、计算机设备及存储介质 | |
CN110991725B (zh) | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 | |
CN113837488B (zh) | 能源消耗数据预测方法、系统、设备 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN108984304A (zh) | 基于回归方程的服务器扩容计算方法及装置 | |
CN114049162B (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
CN108805388A (zh) | 一种未来年负荷时间序列场景的确定方法和装置 | |
CN110929922A (zh) | 一种基于时间序列数据的指标趋势预测方法及装置 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN109460893B (zh) | 一种光伏电站天气类型相关性指标计算方法和系统 | |
CN109116183B (zh) | 谐波模型参数辨识方法、装置、存储介质及电子设备 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
Matania et al. | Transfer across different machines by transfer function estimation | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN117196695A (zh) | 一种目标产品的销量数据的预测方法及装置 | |
CN117196257A (zh) | 配电网工程辅助结算系统 | |
CN109816149B (zh) | 一种风电场随机出力场景生成方法及装置 |
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 |