CN115796231B - 一种时态分析的超短期风速预测方法 - Google Patents
一种时态分析的超短期风速预测方法 Download PDFInfo
- Publication number
- CN115796231B CN115796231B CN202310041861.3A CN202310041861A CN115796231B CN 115796231 B CN115796231 B CN 115796231B CN 202310041861 A CN202310041861 A CN 202310041861A CN 115796231 B CN115796231 B CN 115796231B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- sequence data
- speed sequence
- decomposition
- components
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012731 temporal analysis Methods 0.000 title claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 165
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风速预测的技术领域，揭露了一种时态分析的超短期风速预测方法，所述方法包括：对原始风速序列数据进行相似性类别聚类；对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；将相似性较高的风速序列数据分解分量进行重构合并；使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。本发明将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测。
Description
技术领域
本发明涉及风速预测的技术领域，尤其涉及一种时态分析的超短期风速预测方法。
背景技术
近年来，我国风电装机容量迅速增长，并网规模不断扩大。但由于风能的间歇性和波动性等特点导致并网回馈的电能会对电网的安全运行产生负面影响，造成该影响的重要原因在于无法对风能进行快速精准预测导致无法及时反馈控制，若不能减少风力发电波动带来的负面影响，会对风力发电产生较大影响。针对该问题，本发明提出一种时态分析的超短期风速预测方法，缓解电力系统调峰、调频的压力，增强电网安全运行稳定性。
发明内容
有鉴于此，本发明提供一种时态分析的超短期风速预测方法，目的在于：利用相似性类别方法对原始风速序列数据进行聚类处理，将相似风速数据合并为一类，并构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，减少数据维度，提高后续的风速预测效率；利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息，分解得到的风速序列数据分解分量蕴含了更多的风速信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测，提高预测结果的准确性，并将不同尺度的预测结果进行叠加，得到最终的超短期风速预测结果。
实现上述目的，本发明提供的一种时态分析的超短期风速预测方法，包括以下步骤：
S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；
S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；
S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；
S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；
S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集原始风速序列数据，包括：
利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：
其中：
表示采集到/>时刻的风速数据。
在本发明实施例中，所选取风速传感器为三杯风速传感器。
可选地，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：
对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：
S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据/>中未被选取的n-k个时刻的风速数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和；
S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；
S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的风速序列数据集合，/>表示第k个类别的风速序列数据，其中每个类别的风速序列数据包含若干个时刻的风速数据，按照时序顺序对风速进行排序，得到该类别的风速序列数据。
可选地，所述S2步骤中分别对不同类别中的风速序列数据进行多尺度谱密度分解，包括：
对K个类别的风速序列数据集合中任意第k个类别的风速序列数据/>进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：
S21：将风速序列数据转换为轨迹矩阵/>：
其中：
表示风速序列数据/>中的第/>个风速数据，/>表示风速序列数据中风速数据的总数；
表示轨迹矩阵/>的轨迹窗口大小，/>；
S22：计算矩阵，其中T表示转置；
S23：计算矩阵的协方差矩阵/>：
S24：计算得到协方差矩阵的第u个特征值/>：
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵最大的N个特征值/>，其中/>，特征值/>所对应的特征向量/>为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值/>所对应尺度的风速序列数据分解分量/>为：
所述构建得到的r个尺度的风速序列数据分解分量集合为：；
S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：
其中：
表示风速序列数据/>的残余分量；
所述风速序列数据的多尺度谱密度分解结果/>为：
所述K个类别的风速序列数据的多尺度谱密度分解结果为。
可选地，所述S3步骤中选取最优类别的风速序列数据分解分量和残余分量，包括：
计算不同类别风速序列数据的价值，其中风速序列数据的价值为：
其中：
表示第k个类别的风速序列数据/>的价值；
表示风速序列数据/>中风速数据的总数；
将价值最大的类别作为最优类别，所述最优类别/>所对应的风速序列数据为，多尺度谱密度分解结果为/>，其中表示风速序列数据/>在第j个特征值尺度上的风速序列数据分解分量，/>表示风速序列数据/>的残余分量。
可选地，所述S3步骤中构建风速序列数据分解分量相似性度量模型，将最优类别中相似性较高的风速序列数据分解分量进行重构合并，包括：
构建风速序列数据分解分量相似性度量模型，其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量，输出为输入风速序列数据分解分量的相似性，将相似性较高的风速序列数据分解分量进行重构合并，其中重构合并方法为叠加风速序列数据分解分量；
将中任意两个风速序列数据分解分量/>输入到风速序列数据分解分量相似性度量模型中，其中/>，所述相似性度量流程为：
S31：计算风速序列数据分解分量的长度L，所述任意风速序列数据分解分量的长度均为L；
S32：计算风速序列数据分解分量之间的分量距离：
其中：
表示风速序列数据分解分量/>中的第z个值，/>表示风速序列数据分解分量/>中的第z个值；
S33：对于任意，/>，计算/>的风速序列数据分解分量数量为/>，其中/>表示容许偏差，并令；
S34：计算风速序列数据分解分量之间的相似度：
若，则令/>，得到合并后的风速序列数据分解分量，其中/>表示相似阈值。
可选地，所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，包括：
构建超短期风速预测识别模型，利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测；
所述超短期风速预测识别模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括风速序列数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的风速预测结果。在本发明实施例中，所述记忆层的结构为LSTM模型，通过采集历史风速数据对LSTM模型进行训练，得到可用模型，所述模型参数的训练方法为ADAM算法。
可选地，所述S5步骤中将各分量的预测结果进行叠加，得到超短期风速预测结果，包括：
所述基于风速序列分解分量的风速预测结果为，所述基于残余分量的风速预测结果为/>，所述各分量的预测结果叠加公式为：
其中：
表示超短期风速预测结果。
为了解决上述问题，本发明提供一种时态分析的超短期风速预测装置，所述装置包括：
数据采集处理模块，用于采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类；
风速分解模块，用于对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量，选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；
风速预测模块，用于构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的时态分析的超短期风速预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的时态分析的超短期风速预测方法。
相对于现有技术，本发明提出一种时态分析的超短期风速预测方法，该技术具有以下优势：
首先，本方案提出一种风速序列数据分解方法，对K个类别的风速序列数据集合中任意第k个类别的风速序列数据/>进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：将风速序列数据/>转换为轨迹矩阵/>：
其中：表示风速序列数据/>中的第/>个风速数据，/>表示风速序列数据/>中风速数据的总数；/>表示轨迹矩阵/>的轨迹窗口大小，/>；计算矩阵，其中T表示转置；计算矩阵/>的协方差矩阵/>：
计算得到协方差矩阵的第u个特征值/>：
其中：I表示单位矩阵；选取所计算得到的协方差矩阵最大的N个特征值，其中/>，特征值/>所对应的特征向量/>为：
将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值/>所对应尺度的风速序列数据分解分量/>为：
所述构建得到的r个尺度的风速序列数据分解分量集合为：；将其余特征值以及特征向量构建为风速序列数据/>的残余分量：
其中：表示风速序列数据/>的残余分量；所述风速序列数据/>的多尺度谱密度分解结果/>为：
所述K个类别的风速序列数据的多尺度谱密度分解结果为。本方案利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息，分解得到的风速序列数据分解分量蕴含了更多的风速信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测，提高预测结果的准确性，并将不同尺度的预测结果进行叠加，得到最终的超短期风速预测结果。
同时，本方案提出一种数据降维方法，将相似风速数据分解分量合并为一类，减少数据维度，提高后续的风速预测效率，将中任意两个风速序列数据分解分量输入到风速序列数据分解分量相似性度量模型中，其中，所述相似性度量流程为：计算风速序列数据分解分量的长度L；计算风速序列数据分解分量/>之间的分量距离/>：
其中：表示风速序列数据分解分量/>中的第z个值，/>表示风速序列数据分解分量/>中的第z个值；对于任意/>，/>，计算的风速序列数据分解分量数量为/>，其中/>表示容许偏差，并令/>；计算风速序列数据分解分量/>之间的相似度：
若，则令/>，得到合并后的风速序列数据分解分量，其中/>表示相似阈值。
附图说明
图1为本发明一实施例提供的一种时态分析的超短期风速预测方法的流程示意图；
图2为本发明一实施例提供的时态分析的超短期风速预测装置的功能模块图；
图3为本发明一实施例提供的实现时态分析的超短期风速预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种时态分析的超短期风速预测方法。所述时态分析的超短期风速预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述时态分析的超短期风速预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据。
所述S1步骤中采集原始风速序列数据，包括：
利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：
其中：
表示采集到/>时刻的风速数据。
所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：
对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：
S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据/>中未被选取的n-k个时刻的风速数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和；
S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；
S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的风速序列数据集合，/>表示第k个类别的风速序列数据，其中每个类别的风速序列数据包含若干个时刻的风速数据，按照时序顺序对风速进行排序，得到该类别的风速序列数据。
S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量。
所述S2步骤中分别对不同类别中的风速序列数据进行多尺度谱密度分解，包括：
对K个类别的风速序列数据集合中任意第k个类别的风速序列数据/>进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：
S21：将风速序列数据转换为轨迹矩阵/>：
其中：
表示风速序列数据/>中的第/>个风速数据，/>表示风速序列数据中风速数据的总数；
表示轨迹矩阵/>的轨迹窗口大小，/>；
S22：计算矩阵，其中T表示转置；
S23：计算矩阵的协方差矩阵/>：
S24：计算得到协方差矩阵的第u个特征值/>：
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵最大的N个特征值/>，其中/>，特征值/>所对应的特征向量/>为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值/>所对应尺度的风速序列数据分解分量/>为：
所述构建得到的r个尺度的风速序列数据分解分量集合为：；
S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：
其中：
表示风速序列数据/>的残余分量；
所述风速序列数据的多尺度谱密度分解结果/>为：
所述K个类别的风速序列数据的多尺度谱密度分解结果为。
S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量。
所述S3步骤中构建风速序列数据分解分量相似性度量模型，将最优类别中相似性较高的风速序列数据分解分量进行重构合并，包括：
构建风速序列数据分解分量相似性度量模型，其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量，输出为输入风速序列数据分解分量的相似性，将相似性较高的风速序列数据分解分量进行重构合并，其中重构合并方法为叠加风速序列数据分解分量；
将中任意两个风速序列数据分解分量/>输入到风速序列数据分解分量相似性度量模型中，其中/>，所述相似性度量流程为：
S31：计算风速序列数据分解分量的长度L，所述任意风速序列数据分解分量的长度均为L；
S32：计算风速序列数据分解分量之间的分量距离：
其中：
表示风速序列数据分解分量/>中的第z个值，/>表示风速序列数据分解分量/>中的第z个值；
S33：对于任意，/>，计算/>的风速序列数据分解分量数量为/>，其中/>表示容许偏差，并令；
S34：计算风速序列数据分解分量之间的相似度：
若，则令/>，得到合并后的风速序列数据分解分量，其中/>表示相似阈值。
S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测。
所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，包括：
构建超短期风速预测识别模型，利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测；
所述超短期风速预测识别模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括风速序列数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的风速预测结果。在本发明实施例中，所述记忆层的结构为LSTM模型，通过采集历史风速数据对LSTM模型进行训练，得到可用模型，所述模型参数的训练方法为ADAM算法。
S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
所述S5步骤中将各分量的预测结果进行叠加，得到超短期风速预测结果，包括：
所述基于风速序列分解分量的风速预测结果为，所述基于残余分量的风速预测结果为/>，所述各分量的预测结果叠加公式为：
其中：
表示超短期风速预测结果。
实施例2：
如图2所示，是本发明一实施例提供的时态分析的超短期风速预测装置的功能模块图，其可以实现实施例1中的时态分析的超短期风速预测方法。
本发明所述时态分析的超短期风速预测装置100可以安装于电子设备中。根据实现的功能，所述时态分析的超短期风速预测装置可以包括数据采集处理模块101、风速分解模块102及风速预测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
数据采集处理模块101，用于采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类；
风速分解模块102，用于对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量，选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；
风速预测模块103，用于构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
详细地，本发明实施例中所述时态分析的超短期风速预测装置100中的所述各模块在使用时采用与上述的图1中所述的时态分析的超短期风速预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现时态分析的超短期风速预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于超短期风速预测的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；
分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；
选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；
构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；
将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种时态分析的超短期风速预测方法，其特征在于，所述方法包括：
S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；
S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量，包括：
对K个类别的风速序列数据集合中任意第k个类别的风速序列数据/>进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：
S21：将风速序列数据转换为轨迹矩阵/>：
；
其中：
表示风速序列数据/>中的第/>个风速数据，/>表示风速序列数据/>中风速数据的总数；
表示轨迹矩阵/>的轨迹窗口大小，/>；
S22：计算矩阵，其中T表示转置；
S23：计算矩阵的协方差矩阵/>：
；
S24：计算得到协方差矩阵的第u个特征值/>：
；
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵最大的N个特征值/>，其中，特征值/>所对应的特征向量/>为：
；
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值/>所对应尺度的风速序列数据分解分量为：
；
所述构建得到的r个尺度的风速序列数据分解分量集合为：；
S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：
；
其中：
表示风速序列数据/>的残余分量；
所述风速序列数据的多尺度谱密度分解结果/>为：
；
所述K个类别的风速序列数据的多尺度谱密度分解结果为；
S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；
构建风速序列数据分解分量相似性度量模型，其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量，输出为输入风速序列数据分解分量的相似性，将相似性较高的风速序列数据分解分量进行重构合并，其中重构合并方法为叠加风速序列数据分解分量；
将中任意两个风速序列数据分解分量/>输入到风速序列数据分解分量相似性度量模型中，其中/>，所述相似性度量流程为：
S31：计算风速序列数据分解分量的长度L，任意风速序列数据分解分量的长度均为L；
S32：计算风速序列数据分解分量之间的分量距离/>：
；
其中：
表示风速序列数据分解分量/>中的第z个值，/>表示风速序列数据分解分量/>中的第z个值；
S33：对于任意，/>，计算/>的风速序列数据分解分量数量为/>，其中/>表示容许偏差，并令/>；
S34：计算风速序列数据分解分量之间的相似度：
；
若，则令/>，得到合并后的风速序列数据分解分量，其中/>表示相似阈值；
S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；
S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
2.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中采集原始风速序列数据，包括：
利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：
；
其中：
表示采集到/>时刻的风速数据。
3.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：
对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：
S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据/>中未被选取的n-k个时刻的风速数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和；
S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；
S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的风速序列数据集合，/>表示第k个类别的风速序列数据，其中每个类别的风速序列数据包含若干个时刻的风速数据，按照时序顺序对风速进行排序，得到该类别的风速序列数据。
4.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S3步骤中选取最优类别的风速序列数据分解分量和残余分量，包括：
计算不同类别风速序列数据的价值，其中风速序列数据的价值为：
；
其中：
表示第k个类别的风速序列数据/>的价值；
表示风速序列数据/>中风速数据的总数；
将价值最大的类别作为最优类别，所述最优类别/>所对应的风速序列数据为/>，多尺度谱密度分解结果为/>，其中/>表示风速序列数据/>在第j个特征值尺度上的风速序列数据分解分量，/>表示风速序列数据的残余分量。
5.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，包括：
构建超短期风速预测识别模型，利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测；
所述超短期风速预测识别模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括风速序列数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的风速预测结果。
6.如权利要求5所述的一种时态分析的超短期风速预测方法，其特征在于，所述S5步骤中将各分量的预测结果进行叠加，得到超短期风速预测结果，包括：
基于风速序列分解分量的风速预测结果为，基于残余分量的风速预测结果为/>，所述各分量的预测结果叠加公式为：
；
其中：
表示超短期风速预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310041861.3A CN115796231B (zh) | 2023-01-28 | 2023-01-28 | 一种时态分析的超短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310041861.3A CN115796231B (zh) | 2023-01-28 | 2023-01-28 | 一种时态分析的超短期风速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115796231A CN115796231A (zh) | 2023-03-14 |
| CN115796231B true CN115796231B (zh) | 2023-12-08 |
Family
ID=85429001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310041861.3A Active CN115796231B (zh) | 2023-01-28 | 2023-01-28 | 一种时态分析的超短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796231B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195059B (zh) * | 2023-11-06 | 2024-02-27 | 上海炯测环保技术有限公司 | 一种供水管网水体污染快速检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539822A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种短期风速预测方法 |
| JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
| CN109657646A (zh) * | 2019-01-07 | 2019-04-19 | 哈尔滨工业大学（深圳） | 生理时间序列的特征表示与提取方法、装置及存储介质 |
| CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
| CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
| EP3709250A1 (en) * | 2019-03-14 | 2020-09-16 | Kabushiki Kaisha Toshiba | Prediction device, prediction method, and computer program |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN112948462A (zh) * | 2021-02-26 | 2021-06-11 | 武汉大学 | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 |
| CN113673452A (zh) * | 2021-08-25 | 2021-11-19 | 南京航空航天大学 | 一种辛几何模态分解的感应屑末传感器特征信号提取方法 |
| CN114139777A (zh) * | 2021-11-15 | 2022-03-04 | 北京华能新锐控制技术有限公司 | 一种风电功率预测方法及装置 |
| CN115456312A (zh) * | 2022-11-09 | 2022-12-09 | 广东电网有限责任公司肇庆供电局 | 基于辛几何模态分解的短期电力负荷预测方法及系统 |
-
2023
- 2023-01-28 CN CN202310041861.3A patent/CN115796231B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539822A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种短期风速预测方法 |
| JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
| CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
| CN109657646A (zh) * | 2019-01-07 | 2019-04-19 | 哈尔滨工业大学（深圳） | 生理时间序列的特征表示与提取方法、装置及存储介质 |
| EP3709250A1 (en) * | 2019-03-14 | 2020-09-16 | Kabushiki Kaisha Toshiba | Prediction device, prediction method, and computer program |
| CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN112948462A (zh) * | 2021-02-26 | 2021-06-11 | 武汉大学 | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 |
| CN113673452A (zh) * | 2021-08-25 | 2021-11-19 | 南京航空航天大学 | 一种辛几何模态分解的感应屑末传感器特征信号提取方法 |
| CN114139777A (zh) * | 2021-11-15 | 2022-03-04 | 北京华能新锐控制技术有限公司 | 一种风电功率预测方法及装置 |
| CN115456312A (zh) * | 2022-11-09 | 2022-12-09 | 广东电网有限责任公司肇庆供电局 | 基于辛几何模态分解的短期电力负荷预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting;Ping Jiang;Measurement;第395-412页 * |
| Yachao Zhang.A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing.Energy.2018,第168卷第558-572页. * |
| 基于谱分析的大规模风电场功率超短期概率区间预测研究;刘蕾;中国优秀硕士论文全文数据库工程科技Ⅱ辑;C042-355 * |
| 辛几何模态分解方法及其分解能力研究;程正阳;《振动与冲击》;第39卷(第13期);第27-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115796231A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN115796231B (zh) | 一种时态分析的超短期风速预测方法 | |
| CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
| CN114998838B (zh) | 一种危化品智能存储柜实时监测方法与装置 | |
| CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN115619005A (zh) | 一种智能用电网络资源优化配置方法及系统 | |
| CN116630457A (zh) | 图片生成模型的训练方法、装置、电子设备及存储介质 | |
| CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN116934098A (zh) | 一种技术性贸易措施风险量化评估方法 | |
| CN116910625A (zh) | 一种精准脑机信号监测识别方法 | |
| CN116720101A (zh) | 一种水下推进器螺旋桨在线故障智能监测方法及装置 | |
| CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
| CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
| CN114660468A (zh) | 一种退役电池荷电状态预测方法、装置及电子设备 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN111667340A (zh) | 基于大数据的目标物推荐方法、装置及计算机可读存储介质 | |
| CN117743810B (zh) | 一种脑电信号监测的意图理解分析方法 | |
| CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
| CN112734205A (zh) | 模型置信度分析方法、装置、电子设备及计算机存储介质 | |
| CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
| CN112528935A (zh) | 线上资源排序方法、装置、电子设备及存储介质 | |
| CN111414452A (zh) | 搜索词匹配方法、装置、电子设备及可读存储介质 | |
| CN115167641B (zh) | 一种惯性自适应温控方法及系统 | |
| CN114895196B (zh) | 一种基于人工智能的新能源电池故障诊断方法 |
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 |