CN114298133A - 短期风速混合预测方法及装置 - Google Patents
短期风速混合预测方法及装置 Download PDFInfo
- Publication number
- CN114298133A CN114298133A CN202111335701.7A CN202111335701A CN114298133A CN 114298133 A CN114298133 A CN 114298133A CN 202111335701 A CN202111335701 A CN 202111335701A CN 114298133 A CN114298133 A CN 114298133A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- resolution
- speed data
- data
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012935 Averaging Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013144 data compression Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000005065 mining Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种短期风速混合预测方法，包括：获取一定采样间隔的风电场原始高分辨率风速数据，将其划分为训练集和测试集，采用平均法分别获得训练集和测试集的低分辨率风速数据；分别对低分辨率风速数据和高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。通过使用多种方法结合的风速混合预测系统提高风速预测系统的准确性、鲁棒性及系统泛化能力。
Description
技术领域
本公开属于风速预测技术领域，具体涉及一种短期风速混合预测方法及装置。
背景技术
随着化石能源等不可再生资源的不断消耗，世界各国都开始更加重视可再能源的开发和利用。风能作为一种可再生的绿色清洁能源，近年来装机容量不断增加，正逐渐替代传统火力发电形式。但风的混沌性和不稳定性对电力系统的稳定性和安全性都带来了巨大挑战，准确的风速预测可以大大提高风能在工业生产中的利用效率，建立风速预测模型有助于风能的利用，对于风电系统具有重要意义和实用价值，进一步为电网管理和调度提供可靠的依据和有效的保证。
由于风速的波动性、间歇性和混沌性，很难有效捕捉风速变化。地理位置和气象变化等因素的影响也使得风速预测也变得更加困难。在这样的应用背景下，迫切需要一种经济高效的风速预测系统来填补应用空白。近年来，为了提高风速的预测性能，风速预测引起了广泛的研究。一般来说，风速预测可分为四类：物理模型、统计模型、智能模型和混合模型。物理模式主要基于数值天气预报数据，通过模拟风的流动揭示风速变化的内涵，但该过程计算的复杂且较为繁琐性，限制了其发展。统计模型的建立方法更加简单、方便，基于风电场历史风速数据实现风速预测，代表之一是自回归滑动平均模型，但统计模型的简单结构也导致模型性能相对较弱，不同时间尺度下，存在模型精度不够高等问题。随着人工智能技术的迅速崛起，深度学习、神经网络、机器算法等方法广泛被应用在风电领域，多层感知器、Elman神经网络和长短时记忆神经网络等智能模型被相继开发，智能模型实现了在结构简单的同时，保证了模型有较高的性能和较强的泛化能力，有效解决了两者之间难以平衡的问题。但智能模型对内部参数的设置非常敏感，难以获得最佳模型参数，使得模型的预测精度波动较大。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种短期风速混合预测方法及装置。
本公开的一方面，提供一种短期风速混合预测方法，所述方法包括：
获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据；
分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；
对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；
采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
在一些实施方式中，所述训练集的数据量应远大于所述验证集数据量；其中，
所述高分辨率风速数据的数据采样间隔为秒级；
所述低分辨率风速数据采用平均法通过对多个所述高分辨率风速数据求取平均值获得，并且，经平均法获得的低分辨率风速数据的采样间隔为分钟级。
在一些实施方式中，所述对所述低分辨率风速数据进行特征提取和数据压缩，包括：
通过平均法对所述低分辨率风速数据进行特征提取和数据压缩。
在一些实施方式中，所述对所述高分辨率风速数据进行特征提取和数据压缩，包括：
采用收缩自编码器实现原始高分辨率数据的重建，以保证在实现数据降维的同时保持完整的序列信息。
在一些实施方式中，所述建立多分辨率风速数据混合模型，包括：
对于所述低分辨率风速数据，建立平均长短时记忆神经网络模型；
对于所述高分辨率风速数据，建立收缩自编码记忆神经网络模型；
采用多目标粒子群优化算法合理减少由平均法和收缩自编码器特征提取法获得的数据波动信息的损失，为多分辨率数据混合模型选择最优解。
在一些实施方式中，所述对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正，包括：
基于所述多分辨率风速数据混合模型的预测值以及预测误差，采用LBQ测试进行误差的可预测性检测；
建立反向传播神经网络模型来预测所述多分辨率风速数据混合模型的误差，进而达到校正误差的目的。
在一些实施方式中，所述采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测，包括：
在所述多分辨率风速数据混合模型基础上，采用多元宇宙优化算法结合来自多个位置的风速预测结果，全相关挖掘使预测精度再次提高。
本公开的另一方面，提供一种短期风速混合预测装置，所述装置包括：
获取模块，用于获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据；
建立模块，用于分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；
矫正模块，用于对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；
融合模块，用于采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的短期风速混合预测方法及装置，包括众多数据预处理方法及优化算法，共同构成多个模块，最终实现优化预测结果的目的。通过多分辨率数据集合的方法挖掘不同时间尺度所包涵的信息并对其整合利用，深入数据特征挖掘提高模型预测结果精度；通过多误差自适应矫正提高模型泛化能力；最终针多位置混合模型特征权重进行多目标优化，实现短期风速混合预测。与单纯的建模方法不同，通过使用多种方法结合的风速混合预测系统提高风速预测系统的准确性、鲁棒性及系统泛化能力，使其在工程中具有更广泛的实际应用价值，进一步提高风速预测在未来发展中的应用意义。
附图说明
图1为本公开一实施例的短期风速混合预测方法的流程图；
图2为本公开另一实施例的短期风速混合预测方法的流程图；
图3为本公开另一实施例的短期风速混合预测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
风的间歇性特点导致了风速预测的不稳定性，为了进一步提高预测性能，本公开提出一种短期风速混合预测模型，通过对风速序列进行多次前后处理，并最大程度上应用相应的优化方法提高风速预测精度，高精度的风速预测系统有利于解决对能源平衡的需求，并在一定程度上减少发电成本，为电网制定更合理的发电计划和调度决策提供支撑，且对于提高风电系统稳定性，降低大规模风电并网对电力系统安全稳定性造成的不利影响具有重要意义。
以下结合附图及本公开的优选实施例，进一步阐述本公开为达成预定发明目的所采取的技术手段。本公开选取西南某风电场，该风电场共24台风机，装机容量为48MW。为了验证所提出的多分辨率数据混合预测模型的有效性，使用三个实际风速时间序列进行了算例研究，并选取分别来自三个不同位置得风速计历史数据，其中风速数据的原始高分辨率数据的时间间隔为5s，将其划分为训练集和验证集，分别用于预测模型的训练和验证，并采用平均法获得训练集和验证集的低分辨率数据。
具体地，如图1和图2所示，一种短期风速混合预测方法S100，所述方法S100包括：
S110、获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据。
在本步骤中，获取按照一定采样时间完成风电场分辨率风速数据采集，并进行训练集和测试集选取，通过平均法对每分钟高分辨率风速数据的求取平均值获得训练集和测试集的低分辨率风速数据，避免再次收集低分辨率风速数据而大大增加建设成本，为后续建立多分辨率风速数据混合模型提供给数据支撑。
优选地，所述训练集的数据量应远大于所述验证集数据量，以满足模型训练需求；其中，所述高分辨率风速数据的数据采样间隔为秒级；所述低分辨率风速数据采用平均法通过对多个所述高分辨率风速数据求取平均值获得，并且，经平均法获得的低分辨率风速数据的采样间隔为分钟级。
S120、分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型。
具体地，在本步骤中，综合不同分辨率下所建立预测模型各自的优缺点，分别对低分辨率风速数据和高分辨率风速数据进行特征提取和数据压缩，并在此基础上建立多分辨率风速数据混合模型。
低分辨率数据可以通过步骤S110中的平均法已实现特征提取和数据压缩。所述高分辨率风速数据特征提取方法，采用收缩自编码器(Contractive Auto Encoder,CAE)实现原始高分辨率风速数据的重建，以保证在实现数据降维的同时保持完整的序列信息。所述多分辨率风速数据混合模型，对于低分辨率风速数据，建立平均长短时记忆神经网络(Average-Long Short-Term Memory，A-LSTM)模型，对于高分辨率风速数据，建立收缩自编码记忆神经网络(Contractive Auto Encoder-Long Short-Term Memory，CAE-LSTM)模型，采用多目标粒子群优化(Multi-Objective Particle Swarm Optimization,MOPSO)算法合理减少由平均法和CAE特征提取法获得的数据波动信息的损失，为多分辨率风速数据混合模型选择最优解。
更具体地，基于风速序列的非平稳性，采用深度特征提取方法更有利于预测模型的训练，对训练集和测试集中的高分辨率、低分辨率风速数据进行特征提取数据压缩。低分辨率风速数据通过步骤S110中的平均法已实现特征提取和数据压缩，这里采用收缩自编码器(CAE)实现高分辨率数据的特征提取和数据压缩，CAE作为正则自编码器的一种，其非线性降维效果非常好，为了提高对训练集数据点周围小扰动的鲁棒性，收缩自编码器在基础自编码器上添加了正则项，适用于波动性高的非线性高分辨率风速数据。对于训练集Dn，通过最小化重构误差以及对梯度的惩罚来学习自编码器的参数，完整的目标函数如下：
其中，θ为模型参数，L(x,y)为绝对值损失函数，λ是收缩因子，
是作用于编码器函数相关倒数的雅克比矩阵范数，其中h表示编码器隐藏层。
在完成对低分辨率和高分辨率风速数据的特征提取后，基于LSTM神经网络建立不同分辨率下的预测模型。LSTM属于循环神经网络，由于其特殊的记忆结构和门结构，通过门控制和细胞状态对信息进行遗忘和更新，可以反映长期记忆效应，具有优秀的数据挖掘能力，解决了传统RNN在进行反向传播时梯度爆炸和梯度消失的问题。
低分辨率风速数据基于平均法提取数据特征，结合LSTM神经网络，建立平均长短时记忆神经网络模型(A-LSTM)。高分辨率风速数据基于收缩自编码器(CAE)提取数据特征，结合LSTM神经网络，建立收缩自编码记忆神经网络(CAE-LSTM)模型，采用不同分辨率风速数据的训练集作为模型输入，对不同分辨率的预测模型进行训练以及参数寻优，以获得更好的预测模型性能。
为了合理减少由平均法和CAE特征提取法造成的数据波动信息的损失，进一步解决原始信息污染问题，使用多目标粒子群优化算法(MOPSO)优化整体权重，与单目标优化相比，MOPSO的优化目标函数是考虑多个优化目标获得一组较优解，把每个问题的解称为“粒子”，粒子具有位置和速度两个属性，速度代表移动的快慢，位置代表移动的方向，具体实现步骤如下：
step1:随机初始化粒子的速度和位置。
Step2:定义适应度函数，并计算每个粒子的适应度，根据pareto支配原则，确定每个粒子的个体最优解，并从这些个体最优解找到一个全局最优值。
Step3:粒子根据适应度来更新自己的速度和位置。
Step4:重新返回步骤2，直到达到设定迭代次数或全局最优位满足最小界限。
所选案例基于MOPSO优化算法，设置迭代次数为200次，经过迭代后，对上述两者不同分辨率的预测模型的整体权重进行优化集成，通过成功地生成Pareto前沿，将两种分辨率模型进行合并，完成了多分辨率风速数据混合预测模型的初步建立，在此基础上，将不同分辨率风速数据的验证集分别输入到训练好的混合模型中，获得混合模型风速初步预测结果。
S130、对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正。
具体地，在本步骤中，为进一步提高模型预测性能，对初步预测结果中的可预测成分进行二次开发，为有效避免简单粗略的误差校正增加模型中的不可预测分量，降低模型的性能，采用自适应误差校正方法对混合模型的误差进行预测，对预测结果进行矫正，提高混合模型预测精度和模型效率。
更为具体地，在本步骤中，基于多分辨率风速数据混合模型的预测值以及预测误差，采用LBQ测试(Ljung-Box Q-Test，LBQ)进行误差的可预测性检测，避免其影响误差预测结果，建立了反向传播(Back Propagation，BP)神经网络模型来预测多分辨率数据混合模型的误差，进而达到校正误差的目的。
为进一步提高模型预测性能，提出一种自适应纠错方法，对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法尽可能多地校正预测过程中的误差，为了实现多种误差校正策略，采用训练集数据来训练BP神经网络，对误差进行预测，用于实现自适应多误差校正方法，多重校正的过程可以表示为以下步骤：
step1：获取第c次校正中训练集数据部分的预测误差和预测结果，预测误差E计算如下：
E＝Vfore-Vact (2)
其中，Vfore为模型预测风速值，Vact为实际风速值。
Step2：执行正确的误差可预测性检测，基于自动校正功能评估先前模型的结果采用LBQ测试对剩余误差的进行可预测性测试。
Step3：误差预测。建立了BP神经网络模型来预测多分辨数据混合模型的误差。首先，通过LBQ测试检测误差的可预测状态，如果误差是可预测的，BP神经网络模型将使用该误差进行训练，相反，如果误差不可预测，则误差纠正过程将停止。其次，将训练后得到的BP神经网络模型用于误差预测，并在新一轮中引入收缩率r来控制校正的进度，r介于0到1之间。循环迭代直到达到终止条件误差不可预测，或者达到了最大纠错迭代次数N。
利用自适应多重误差校正方法进一步校正多分辨率风速数据混合预测模型在预测过程中预测值与实际值之间的误差，通过检测出预测结果中可预测的分量，自适应地完成迭代校正。案例采用交叉验证选择在BP神经网络预测结果为最佳时确定收缩率r。选择不同校正收缩率以获得更小的均方根误差，所选案例中，随着收缩率校正值的增加，模型的均方根误差值总体呈下降趋势，但当误差校正率过高时，误差中的冗余分量将被注入模型，导致模型性能下降。因此，有必要找到最合适的纠错率。
S140、采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
在本步骤中，鉴于风速的变化受到温度、气压、地形等因素影响，而相邻位置的风速和风向时间序列之间通常有很大的相关性。如果可以利用这些不同位置的数据之间的相关性，可有效提高预测模型的精度和性能。采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，使经过训练的模型更加成熟。本案例采用多宇宙优化(MVO)结合来自三个位置的风速预测结果，实现权重优化以获得更小的平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)，计算公式所示：
其中，Vfore为模型预测风速值，Vact为实际风速值，n为样本个数。
基于MOV的多位置数据融合方法充分考虑影响风速变化的因素不唯一，以及单一因素不足以充分解释风速系列的未来趋势的缺点，将多位置风速数据作为模型输入，相较于单个位置的风速预测结果，多位置数据融合使模型更加完整、高效时，预测性能总是更好，可以得到更具说服力的预测模型。
本实施例的短期风速混合预测方法，包括众多数据预处理方法及优化算法，共同构成多个模块，最终实现优化预测结果的目的。通过多分辨率数据集合的方法挖掘不同时间尺度所包涵的信息并对其整合利用，深入数据特征挖掘提高模型预测结果精度；通过多误差自适应矫正提高模型泛化能力；最终针多位置混合模型特征权重进行多目标优化，实现短期风速混合预测。与单纯的建模方法不同，通过使用多种方法结合的风速混合预测系统提高风速预测系统的准确性、鲁棒性及系统泛化能力，使其在工程中具有更广泛的实际应用价值，进一步提高风速预测在未来发展中的应用意义。
本公开的另一方面，如图3所示，提供一种短期风速混合预测装置100，该装置100可以适用于前文记载的方法，具体可以参考前文相关记载，在此不作赘述。所述装置100包括：
获取模块110，用于获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据；
建立模块120，用于分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；
矫正模块130，用于对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；
融合模块140，用于采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
本实施例的短期风速混合预测装置，包含多分辨率数据混合模型，自适应误差矫正模型，多位置数据融合模型，该混合预测系统有更好的模型性能，能提供更准确的风速预测结果，所述技术方案可以提高风电系统安全性，有利于降低大规模风电并网对电力系统稳定性造成的影响，为电网制定更合理的调度计划提供技术支撑。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种短期风速混合预测方法，其特征在于，所述方法包括：
获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据；
分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；
对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；
采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
2.根据权利要求1所述的方法，其特征在于，所述训练集的数据量应远大于所述验证集数据量；其中，
所述高分辨率风速数据的数据采样间隔为秒级；
所述低分辨率风速数据采用平均法通过对多个所述高分辨率风速数据求取平均值获得，并且，经平均法获得的低分辨率风速数据的采样间隔为分钟级。
3.根据权利要求1所述的方法，其特征在于，所述对所述低分辨率风速数据进行特征提取和数据压缩，包括：
通过平均法对所述低分辨率风速数据进行特征提取和数据压缩。
4.根据权利要求1所述的方法，其特征在于，所述对所述高分辨率风速数据进行特征提取和数据压缩，包括：
采用收缩自编码器实现原始高分辨率数据的重建，以保证在实现数据降维的同时保持完整的序列信息。
5.根据权利要求4所述的方法，其特征在于，所述建立多分辨率风速数据混合模型，包括：
对于所述低分辨率风速数据，建立平均长短时记忆神经网络模型；
对于所述高分辨率风速数据，建立收缩自编码记忆神经网络模型；
采用多目标粒子群优化算法合理减少由平均法和收缩自编码器特征提取法获得的数据波动信息的损失，为多分辨率数据混合模型选择最优解。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正，包括：
基于所述多分辨率风速数据混合模型的预测值以及预测误差，采用LBQ测试进行误差的可预测性检测；
建立反向传播神经网络模型来预测所述多分辨率风速数据混合模型的误差，进而达到校正误差的目的。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测，包括：
在所述多分辨率风速数据混合模型基础上，采用多元宇宙优化算法结合来自多个位置的风速预测结果，全相关挖掘使预测精度再次提高。
8.一种短期风速混合预测装置，其特征在于，所述装置包括：
获取模块，用于获取一定采样间隔的风电场原始高分辨率风速数据，将所述高分辨率风速数据划分为训练集和测试集，采用平均法分别获得所述训练集和所述测试集的低分辨率风速数据；
建立模块，用于分别对所述低分辨率风速数据和所述高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；
矫正模块，用于对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对所述多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；
融合模块，用于采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111335701.7A CN114298133A (zh) | 2021-11-11 | 2021-11-11 | 短期风速混合预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111335701.7A CN114298133A (zh) | 2021-11-11 | 2021-11-11 | 短期风速混合预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298133A true CN114298133A (zh) | 2022-04-08 |
Family
ID=80964232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111335701.7A Pending CN114298133A (zh) | 2021-11-11 | 2021-11-11 | 短期风速混合预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298133A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345367A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨工业大学 | 一种基于实时去噪的大跨度桥梁风速预测方法 |
-
2021
- 2021-11-11 CN CN202111335701.7A patent/CN114298133A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345367A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨工业大学 | 一种基于实时去噪的大跨度桥梁风速预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| CN111400918A (zh) | 基于多场景生成技术的电网新能源消纳能力评估计算方法、装置及系统 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
| CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
| CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| KR20210077474A (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
| CN114298133A (zh) | 短期风速混合预测方法及装置 | |
| CN118157123A (zh) | 基于EMD分解的EMD-BiGRU超短期光伏发电功率预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
| CN117972968A (zh) | 一种面向光伏多点接入的安装容量可行域模型及观测方法 | |
| CN106650293B (zh) | 一种基于am嵌套抽样算法的地下水模型评价方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable 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 |