CN116822374A - 一种风速多步预测方法、装置、计算机设备和存储介质 - Google Patents

一种风速多步预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116822374A
CN116822374A CN202310869475.3A CN202310869475A CN116822374A CN 116822374 A CN116822374 A CN 116822374A CN 202310869475 A CN202310869475 A CN 202310869475A CN 116822374 A CN116822374 A CN 116822374A
Authority
CN
China
Prior art keywords
frequency component
wind speed
prediction
subsequences
data
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
CN202310869475.3A
Other languages
English (en)
Inventor
史志超
皇甫佳辰
刘亚杰
张涛
王锐
黄生俊
黄旭程
李凯文
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310869475.3A priority Critical patent/CN116822374A/zh
Publication of CN116822374A publication Critical patent/CN116822374A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种风速多步预测方法、装置、计算机设备和存储介质。所述方法包括：通过利用改进的完全自适应噪声集成经验模态分解算法将历史风速数据分解为多个子序列；分别计算子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前多步的预测；将各预测结果线性叠加，输出原始风速时间序列的预测值。相比于传统的单步预测方法，本发明方法能够迅速生成更长时间步的预测值，且所需的历史风速数据较少；且本发明方法考虑到了风速信号的复杂程度对预测模型精度的影响，采用不同的预测模型分别预测不同频率的风速子信号，降低了预测误差。

Description

一种风速多步预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及可再生能源预测领域，特别是涉及一种风速多步预测方法、装置、计算机设备和存储介质。
背景技术
风能作为储量巨大、价格低廉的可再生能源，其开发与应用得到了迅速发展。但风电信号固有的随机性、波动性对电力系统的稳定运行与优化调度造成了严峻挑战，致使风能新兴产业的可持续开发受到制约。为了降低风速的不确定性对风能并网的负面影响，学术界与工业界已提出多种风速预测方法以实现对风速的高精度预测。
依据时间分辨率的不同，风速预测可分为超短期、短期、中期长期风速预测；依据模型原理的不同，风速预测可分为基于数值天气预报的物理预测模型、基于统计学的模型、基于人工智能的模型和组合预测模型；依据预测结果表现形式的不同，风速预测可分为确定性点预测与概率预测。目前流行的方法大多集中于风速的单步预测，单步预测的缺陷在于每步只能获得下一步的估计值，若需要获取更远时间步的风速预测值，则需要更多的风速历史数据，不利于电力公司对风电场的调度做出长期的统筹规划。
另外，尽管基于机器学习模型的风速预测方法已经被广泛研究，但是现有的方法大多忽略了风速信号的复杂程度对预测模型精度的影响。事实上对于不同频率的风速信号，预测效果最佳的模型具有差异。如LSTM模型在高频信号上能够达到较高的预测精度，但对频率较低的风速信号则表现出较大的预测误差；SVM模型在预测频率较低的数据集上体现出较好的拟合效果，然而对波动剧烈、复杂程度较高的风速信号的预测效果较差。因此，现有技术存在适应不佳的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现多步预测且能适应不同频率风速子信号的基于样本熵重构与机器学习模型的风速多步预测方法、装置、计算机设备和存储介质。
一种风速多步预测方法，所述方法包括：
获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
将各预测结果线性叠加，输出原始风速时间序列的预测值。
在其中一个实施例中，还包括：将所述历史风速数据转化为n倍时间分辨率的数据集。
在其中一个实施例中，还包括：在所述历史风速数据中加入特定白噪声，得到混合数据为：
x(i)＝x+β0E1(w(i))
其中，x为所述历史风速数据，β0为与加入的噪声信号相乘的系数，E1(w(i))是第i个被引入的白噪声；
计算所述混合数据的局部平均值，求得第一个残差分量为：
其中，N是添加的白噪声序列的数量，M(·)表示混合数据的局部均值函数；
根据所述残差分量得到第一个子序列为：
IMF1＝x-r1
递归循环，得到多个残差分量和对应的子序列为：
IMFp＝rp-1-rp
其中，βp-1为与加入的噪声信号相乘的系数，Ep(w(i))是第i个被引入的白噪声。
在其中一个实施例中，还包括：分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行叠加，重构得到高频分量、中频分量和低频分量。
在其中一个实施例中，还包括：采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前5步的多步预测。
在其中一个实施例中，还包括：采用均方根误差、平均绝对误差与平均绝对百分比误差评估预测值与样本观测值之间的误差。
一种风速多步预测装置，所述装置包括：
数据分解模块，用于获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
重构模块，用于分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
模型预测模块，用于采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
叠加模块，用于将各预测结果线性叠加，输出原始风速时间序列的预测值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
将各预测结果线性叠加，输出原始风速时间序列的预测值。
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实现以下步骤：
获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
将各预测结果线性叠加，输出原始风速时间序列的预测值。
上述风速多步预测方法、装置、计算机设备和存储介质，通过利用改进的完全自适应噪声集成经验模态分解算法将历史风速数据分解为多个子序列；分别计算子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前多步的预测；将各预测结果线性叠加，输出原始风速时间序列的预测值。本发明相比于传统的单步预测方法，本发明所述方法能够迅速生成更长时间步的预测值，且所需的历史风速数据较少；另外，本发明提出的风速多步预测方法考虑到了风速信号的复杂程度对预测模型精度的影响，采用不同的预测模型分别预测不同频率的风速子信号，降低了预测误差。
附图说明
图1为一个实施例中风速多步预测方法的流程示意图；
图2为一个实施例中历史风速数据示意图；
图3为一个实施例中风速多步预测的流程示意图；
图4为一个实施例中ICEEMDAN分解效果示意图；
图5为一个实施例中各子序列样本熵值示意图；
图6为一个实施例中基于测试数据的多步预测结果图；
图7为一个实施例中风速多步预测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种风速多步预测方法，包括以下步骤：
步骤102，获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将历史风速数据分解为多个子序列。
用于分解的历史风速数据来自原始数据集。将原始数据分割与预处理，将分辨率为5分钟的原始数据转化为30分钟分辨率的数据集，以71:9:20的比例划分为训练、验证和测试子集，并归一化处理为介于[-1,1]的值。
通过改进的完全自适应噪声集成经验模态分解算法(Improved CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise，ICEEMDAN)对经预处理所得数据进行分解。所提出的风速多步预测模型主要的输入是历史风速数据，其中所用的数据选取自A国风电数据工具包中Horizon Wind Energy公司旗下位于堪萨斯州北部的克劳德县的风电场，具体为2010年1月1日0点0分至2010年12月31日0点0分、分辨率为5分钟的原始数据，具体的数据如图2所示。ICEEMDAN算法引入了一种特殊的白噪声，在提取第k层IMF时去除该IMF分量中的残余噪声，以减少伪模态分量的数目。本实施例设置分解所得层数k＝7。
在原始信号x中加入特定的高斯白噪声E1(w(i))，如式(1)；计算x(i)的局部平均值，求得第一个残差分量，计算出第一个IMF分量，如式(2)、(3)；递归循环，重复计算各rp，求得第p个本征模态分量IMFp，如式(4)、(5)：
x(i)＝x+β0E1(w(i)) (1)
IMF1＝x-r1 (3)
IMFp＝rp-1-rp (5)
其中i为正整数，w(i)是第i个被引入的白噪声，β0为与加入的噪声信号相乘的系数，N是添加的白噪声序列的数量。如图3为ICEEMDAN分解效果，从上到下依次为IMF1～IMF7子序列。
步骤104，分别计算子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量。
求解IMF1～IMF7的样本熵值，计算方式如下：
对于相同时间间隔采样的一维时间序列Xi＝{x1,x2,……,xN}，将其重构为m维向量，如式(6):
Xi＝{xi,xi+1,……,xi+m-1} (6)
其中i＝{1,2,……,n-m+1}。
以Dm(Xi,Xj)代表时间序列向量Xi与Xj元素中之差的最大的绝对值，如式(7)；计算满足相似容限r>Dm(Xi,Xj)的向量的数目与(N-m)的比值并求各/>的平均值Bm(r)，如式(8)、(9)；将维数m更新为m+1，重复计算以上步骤求解Bm+1(r)，如式(10)；Bm+1(r)与Bm(r)比值负对数的极限即为样本熵SE(m,r)，如式(11)：
其中i≠j。
当N为有限值时，将样本熵化简为如式(12)：
为便于观察各IMF样本熵值的相对大小，将各子序列的样本熵值SEi绘制在折线图中，如图4所示。可以观察到随着信号频率的降低，每个子序列的样本熵逐渐减小，表明了每个分量的复杂程度与随机性依次降低，即每个分量的平稳性逐渐增强，规律性更加明显。
根据各子序列的样本熵SEi的相对大小，选择样本熵值近似的子序列进行重构，生成高频分量fH、中频分量fM和低频分量fL。
由图4中数据，子序列IMF1、IMF2的样本熵SE1、SE2相近，其复杂度较高，故将IMF1、IMF2重构为高频分量，即fH＝IMF1+IMF2；子序列IMF3、IMF4、IMF5的样本熵SE3、SE4、SE5相近，均介于0.4～0.5之间，故将IMF3、IMF4、IMF5重构为中频分量，即fM＝IMF3+IMF4+IMF5；子序列IMF6、IMF7的样本熵SE6、SE7相近，均低于0.2，故将IMF6、IMF7重构为低频分量，即fL＝IMF6+IMF7。
步骤106，采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前多步的预测。
对于频率不同的高频分量fH、中频分量fM、低频分量fL，采用机器学习模型LSTM、BPNN、SVM分别进行提前5步的多步预测。
本发明采用LSTM模型预测高频分量fH。LSTM模型单元的输入门控制是否保留先前的隐藏层状态和当前的输入状态，遗忘门控制数据流中信息的遗忘和丢弃，输出门控制记忆单元的输出值。将高频分量fH表示为H＝(h1,h2,h3,……,hT-1,hT)，时间步t的计算公式如下：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi) (13)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf) (14)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo) (16)
pt＝ot·θ(ct) (17)
其中xt，ht-1和ct-1分别是LSTM在时间t的输入向量、前一个LSTM存储单元于时间步t-1的输出和存储单元于时间步t-1的状态信息。W是相应的权重矩阵，W·x表示前一隐藏层的输入与存储模块间的连接矩阵，W·h是上一隐藏层的输出与存储模块间的连接矩阵，W·c是连结存储模块中三个门与存储单元的对角矩阵。b是偏置项，σ和θ是是两种不同的非线性激活函数，即sigmoid和双曲正切函数。⊙代表两矩阵的Hadamard乘积，即矩阵间的逐元素相乘。
本发明采用BPNN模型预测中频分量fM。反向传播神经网络是一种多层前馈神经网络，由若干互相连结的神经元层组成，包括输入层、隐藏层和若干个输出层。其信号向前传播，从输入层穿过隐藏层到达输出层；误差向后传播，依次调整从隐藏层到输出层和从输入层到隐藏层的权重向量和偏置项。在小样本预测领域，只要神经网络的前向过程可微，BPNN即可通过反向传播算法对模型进行自动优化。同时BPNN的逼近效果好，计算效率高，能够达到较高的预测准确率，不需要建立数学模型，适用于拟合非线性函数。
本发明采用SVM模型预测低频分量fL。SVM是一种机器学习模型，通过非线性映射函数把输入向量映射至高维空间并构建最优决策，可以高效处理高维数据的建模问题，并以其较强的全局泛化能力常用于非线性时间序列的预测研究。取训练样本S作为支持向量机回归预测的训练样本集:
S＝{(x1,y1),……,(xi,yi),……,(xl,yl)}∈Rn×R (18)
其中S表示训练样本集；xi∈Rn表示样本输入信息，yi∈R表示各输入相应的输出，l为训练数据集中的训练样本总数。建立从输入空间Rn到输出R映射f:Rn→R满足f(x)＝y，则线性回归函数为：
其中为把输入数据映射至高维空间的非线性映射函数，ω为权重向量，b为常数。
寻找ω和b的最优组合的过程为：
其中，C表示正则化参数，ξ为松弛变量。建立拉格朗日函数：
αi为拉格朗日乘子。
引入核函数K(x,xi)，取为高斯径向基函数，求解得：
多步预测流程图如图5所示。
步骤108，将各预测结果线性叠加，输出原始风速时间序列的预测值。
如图6为基于测试数据的多步预测结果。
上述风速多步预测方法中，通过利用改进的完全自适应噪声集成经验模态分解算法将历史风速数据分解为多个子序列；分别计算子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前多步的预测；将各预测结果线性叠加，输出原始风速时间序列的预测值。本发明相比于传统的单步预测方法，本发明所述方法能够迅速生成更长时间步的预测值，且所需的历史风速数据较少；另外，本发明提出的风速多步预测方法考虑到了风速信号的复杂程度对预测模型精度的影响，采用不同的预测模型分别预测不同频率的风速子信号，降低了预测误差。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，还包括：采用均方根误差、平均绝对误差与平均绝对百分比误差评估预测值与样本观测值之间的误差。
均方根误差RMSE为预测值和实际值之差平方的平均值的算术平方根，用于衡量观测值同实际值间的偏差，计算公式如式(23)：
平均绝对误差MAE为模型估计值与样本观测值间距离的算术平均值，计算公式如式(24)：
平均绝对百分比误差MAPE是预测值和样本真实值之差占样本真实值的绝对值的均值的百分比，计算公式如式(25)：
其中，N是样本数量，yi是实际值，是预测值。以上三个评价指标的数值越低，预测模型的准确度越高。
在一个实施例中，如图7所示，提供了一种风速多步预测装置，包括：数据分解模块702、重构模块704、模型预测模块706和叠加模块708，其中：
数据分解模块702，用于获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将历史风速数据分解为多个子序列；
重构模块704，用于分别计算子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
模型预测模块706，用于采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前多步的预测；
叠加模块708，用于将各预测结果线性叠加，输出原始风速时间序列的预测值。
数据分解模块702还用于将历史风速数据转化为n倍时间分辨率的数据集。
数据分解模块702还用于在历史风速数据中加入特定白噪声，得到混合数据为：
x(i)＝x+β0E1(w(i))
其中，x为历史风速数据，β0为与加入的噪声信号相乘的系数，E1(w(i))是第i个被引入的白噪声；
计算混合数据的局部平均值，求得第一个残差分量为：
其中，N是添加的白噪声序列的数量，M(·)表示混合数据的均值函数；
根据残差分量得到第一个子序列为：
IMF1＝x-r1
递归循环，得到多个残差分量和对应的子序列为：
IMFp＝rp-1-rp
其中，βp-1为与加入的噪声信号相乘的系数，Ep(w(i))是第i个被引入的白噪声。
重构模块704还用于分别计算子序列的样本熵，选取样本熵值近似的子序列进行叠加，重构得到高频分量、中频分量和低频分量。
模型预测模块706还用于采用LSTM、BPNN和SVM机器学习模型分别对高频分量、中频分量和低频分量进行提前5步的多步预测。
叠加模块708还用于采用均方根误差、平均绝对误差与平均绝对百分比误差评估预测值与样本观测值之间的误差。
关于风速多步预测装置的具体限定可以参见上文中对于风速多步预测方法的限定，在此不再赘述。上述风速多步预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风速多步预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种风速多步预测方法，其特征在于，所述方法包括：
获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
将各预测结果线性叠加，输出原始风速时间序列的预测值。
2.根据权利要求1所述的方法，其特征在于，在利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列之前，还包括：
将所述历史风速数据转化为n倍时间分辨率的数据集。
3.根据权利要求1所述的方法，其特征在于，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列，包括：
在所述历史风速数据中加入特定白噪声，得到混合数据为：
x(i)＝x+β0E1(W(i))
其中，x为所述历史风速数据，β0为与加入的噪声信号相乘的系数，E1(w(i))是第i个被引入的白噪声；
计算所述混合数据的局部平均值，求得第一个残差分量为：
其中，N是添加的白噪声序列的数量，M(·)表示混合数据的局部均值函数；
根据所述残差分量得到第一个子序列为：
IMF1＝x-r1
递归循环，得到多个残差分量和对应的子序列为：
IMFp＝rp-1-rp
其中，βp-1为与加入的噪声信号相乘的系数，Ep(w(i))是第i个被引入的白噪声。
4.根据权利要求3所述的方法，其特征在于，分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量，包括：
分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行叠加，重构得到高频分量、中频分量和低频分量。
5.根据权利要求4所述的方法，其特征在于，采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测，包括：
采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前5步的多步预测。
6.根据权利要求5所述的方法，其特征在于，在将各预测结果线性叠加，输出原始风速时间序列的预测值之后，还包括：
采用均方根误差、平均绝对误差与平均绝对百分比误差评估预测值与样本观测值之间的误差。
7.一种风速多步预测装置，其特征在于，所述装置包括：
数据分解模块，用于获取历史风速数据，利用改进的完全自适应噪声集成经验模态分解算法将所述历史风速数据分解为多个子序列；
重构模块，用于分别计算所述子序列的样本熵，选取样本熵值近似的子序列进行重构，生成高频分量、中频分量和低频分量；
模型预测模块，用于采用LSTM、BPNN和SVM机器学习模型分别对所述高频分量、所述中频分量和所述低频分量进行提前多步的预测；
叠加模块，用于将各预测结果线性叠加，输出原始风速时间序列的预测值。
8.根据权利要求8所述的装置，其特征在于，所述数据分解模块还用于：
将所述历史风速数据转化为n倍时间分辨率的数据集。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
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实现权利要求1至6中任一项所述的方法的步骤。
CN202310869475.3A 2023-07-14 2023-07-14 一种风速多步预测方法、装置、计算机设备和存储介质 Pending CN116822374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310869475.3A CN116822374A (zh) 2023-07-14 2023-07-14 一种风速多步预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310869475.3A CN116822374A (zh) 2023-07-14 2023-07-14 一种风速多步预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116822374A true CN116822374A (zh) 2023-09-29

Family

ID=88112689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310869475.3A Pending CN116822374A (zh) 2023-07-14 2023-07-14 一种风速多步预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116822374A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117829202A (zh) * 2024-03-05 2024-04-05 西安热工研究院有限公司 一种基于双误差的储能辅助黑启动的风速预测方法和系统
CN118228002A (zh) * 2024-05-22 2024-06-21 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117829202A (zh) * 2024-03-05 2024-04-05 西安热工研究院有限公司 一种基于双误差的储能辅助黑启动的风速预测方法和系统
CN117829202B (zh) * 2024-03-05 2024-05-10 西安热工研究院有限公司 一种基于双误差的储能辅助黑启动的风速预测方法和系统
CN118228002A (zh) * 2024-05-22 2024-06-21 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法

Similar Documents

Publication Publication Date Title
Ma et al. A hybrid attention-based deep learning approach for wind power prediction
Li et al. Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy
Ospina et al. Forecasting of PV plant output using hybrid wavelet‐based LSTM‐DNN structure model
Pei et al. Wind speed prediction method based on empirical wavelet transform and new cell update long short-term memory network
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
Khodayar et al. Spatiotemporal behind-the-meter load and PV power forecasting via deep graph dictionary learning
CN116822374A (zh) 一种风速多步预测方法、装置、计算机设备和存储介质
Khan et al. Towards efficient and effective renewable energy prediction via deep learning
Junior et al. Optimized hybrid ensemble learning approaches applied to very short-term load forecasting
Tao et al. Evolutionary gate recurrent unit coupling convolutional neural network and improved manta ray foraging optimization algorithm for performance degradation prediction of PEMFC
Afrasiabi et al. Deep learning architecture for direct probability density prediction of small‐scale solar generation
Chen et al. An innovative method-based CEEMDAN–IGWO–GRU hybrid algorithm for short-term load forecasting
CN116316591A (zh) 基于混合双向门控循环的短期光伏功率预测方法及系统
Fu et al. Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM
Li et al. Short-term wind power prediction based on modal reconstruction and CNN-BiLSTM
Zhang et al. A hybrid deep learning model with error correction for photovoltaic power forecasting
Trong et al. Short-term PV power forecast using hybrid deep learning model and Variational Mode Decomposition
Wang et al. High and low frequency wind power prediction based on Transformer and BiGRU-Attention
Li et al. Prediction of short-term photovoltaic power via self-attention-based deep learning approach
CN116561567A (zh) 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法
Zhang et al. Short-term PV output power forecasting based on CEEMDAN-AE-GRU
Ye et al. SPLNet: A sequence-to-one learning network with time-variant structure for regional wind speed prediction
Qu et al. A D-stacking dual-fusion, spatio-temporal graph deep neural network based on a multi-integrated overlay for short-term wind-farm cluster power multi-step prediction
Ding et al. Regional forecasting of significant wave height and mean wave period using EOF-EEMD-SCINet hybrid model
Zhang et al. Enhancing short-term wind speed prediction based on an outlier-robust ensemble deep random vector functional link network with AOA-optimized VMD

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