CN116992274B - 基于改进主成分回归模型的短期风速预测方法及系统 - Google Patents

基于改进主成分回归模型的短期风速预测方法及系统 Download PDF

Info

Publication number
CN116992274B
CN116992274B CN202311264560.3A CN202311264560A CN116992274B CN 116992274 B CN116992274 B CN 116992274B CN 202311264560 A CN202311264560 A CN 202311264560A CN 116992274 B CN116992274 B CN 116992274B
Authority
CN
China
Prior art keywords
wind speed
matrix
principal component
regression model
detection
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
Application number
CN202311264560.3A
Other languages
English (en)
Other versions
CN116992274A (zh
Inventor
孟学艺
王为国
王海波
张鹏
孙启泽
付雪影
赵玉敬
扈晓明
杨亚男
田松
王同同
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.)
Bincheng Power Supply Co Of State Grid Shandong Electric Power Co
Original Assignee
Bincheng Power Supply Co Of State Grid Shandong Electric Power Co
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 Bincheng Power Supply Co Of State Grid Shandong Electric Power Co filed Critical Bincheng Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202311264560.3A priority Critical patent/CN116992274B/zh
Publication of CN116992274A publication Critical patent/CN116992274A/zh
Application granted granted Critical
Publication of CN116992274B publication Critical patent/CN116992274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及速度预测技术领域，具体提供一种基于改进主成分回归模型的短期风速预测方法及系统，包括：定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。本发明在降低计算量的同时提升了风速预测精度。

Description

基于改进主成分回归模型的短期风速预测方法及系统
技术领域
本发明属于速度预测技术领域，具体涉及一种基于改进主成分回归模型的短期风速预测方法及系统。
背景技术
风电作为一种清洁高效的能源形式。但是，风能具有间歇性、波动性和不确定性等特点，大规模风电并网会对电力系统的安全稳定运行带来不利影响。提高风速预测的精准度是风电系统实现大规模并网的前提和安全保障。
从目前研究成果看，因为风速兼有随机波动性和趋势性，加大了短期风速预测的难度，虽然一些神经网络模型具有学习和预测的功能，但是由于风速样本数据的高波动性，导致模型训练存在难以收敛，而通过设置迭代次数来降低训练迭代次数，就会导致模型预测精度下降。
发明内容
针对现有技术的上述不足，本发明提供一种基于改进主成分回归模型的短期风速预测方法及系统，以解决上述技术问题。
第一方面，本发明提供一种基于改进主成分回归模型的短期风速预测方法，包括：
定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；
将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
在一个可选的实施方式中，定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵，包括：
将同一检测点的检测风速按照采集时间先后保存为初始数据序列；
根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；
将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
在一个可选的实施方式中，所述改进主成分回归模型的改进方法包括：
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度；
从数据库提取多个检测点的检测风速，将各检测点的检测风速按照采集时间先后排序得到各检测点的数据序列；
根据设定的矩阵维数，从各检测点的数据序列中截取同时段的检测风速整合为训练输入矩阵；
根据设定的预测时间长度从各检测点的数据序列中截取与训练输入矩阵的时段对应的检测风速作为实际风速矩阵；
利用所述隶属度函数对所述训练输入矩阵中的元素进行隶属度计算得到模糊矩阵，对所述模糊矩阵进行标准化处理得到第一矩阵；
对所述实际风速矩阵进行标准化处理，得到第二矩阵；
将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
在一个可选的实施方式中，将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息，包括：
将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；
预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；
根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
在一个可选的实施方式中，所述方法还包括：
记录改进主成分回归模型的预测风速；
获取与所述预测风速的时间点对应的实际风速；
基于预测风速和实际风速计算相对误差和平均绝对百分误差；
若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
第二方面，本发明提供一种基于改进主成分回归模型的短期风速预测系统，包括：
数据采集模块，用于定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
模型调用模块，用于将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；
报警提示模块，用于将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
在一个可选的实施方式中，所述数据采集模块包括：
初始处理单元，用于将同一检测点的检测风速按照采集时间先后保存为初始数据序列；
序列截取单元，用于根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；
标准处理单元，用于将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
在一个可选的实施方式中，所述改进主成分回归模型的改进方法包括：
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度；
从数据库提取多个检测点的检测风速，将各检测点的检测风速按照采集时间先后排序得到各检测点的数据序列；
根据设定的矩阵维数，从各检测点的数据序列中截取同时段的检测风速整合为训练输入矩阵；
根据设定的预测时间长度从各检测点的数据序列中截取与训练输入矩阵的时段对应的检测风速作为实际风速矩阵；
利用所述隶属度函数对所述训练输入矩阵中的元素进行隶属度计算得到模糊矩阵，对所述模糊矩阵进行标准化处理得到第一矩阵；
对所述实际风速矩阵进行标准化处理，得到第二矩阵；
将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
在一个可选的实施方式中，所述报警提示模块包括：
风速计算单元，用于将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；
预先配置单元，用于预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；
数据调取单元，用于根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
在一个可选的实施方式中，所述系统还包括：
预测记录模块，用于记录改进主成分回归模型的预测风速；
实际获取模块，用于获取与所述预测风速的时间点对应的实际风速；
误差计算模块，用于基于预测风速和实际风速计算相对误差和平均绝对百分误差；
模型修正模块，用于若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，本发明提供的基于改进主成分回归模型的短期风速预测方法及系统，利用基于模糊集隶属度改进的主成分回归模型进行短期风速预测，能够充分挖掘原始数据中隐含的有用信息，有效解决了传统模型中周期算法的邻近数据失效的问题，也考虑了近期数据对风速预测结果的较大影响，从而在降低计算量的同时提升了风速预测精度。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供的基于改进主成分回归模型的短期风速预测方法由计算机设备执行，相应地，基于改进主成分回归模型的短期风速预测系统运行于计算机设备中。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种基于改进主成分回归模型的短期风速预测系统。根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
如图1所示，该方法包括：
步骤110，定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
步骤120，将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；
步骤130，将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
为了便于对本发明的理解，下面以本发明基于改进主成分回归模型的短期风速预测方法的原理，结合实施例中对风速进行短期预测的过程，对本发明提供的基于改进主成分回归模型的短期风速预测方法做进一步的描述。
具体的，所述基于改进主成分回归模型的短期风速预测方法包括：
S1、定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵。
将同一检测点的检测风速按照采集时间先后保存为初始数据序列；根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
例如检测点1的初始数据序列为，检测点2的初始数据序列为，检测点3的初始数据序列为/>，其中n表示最近一次检测的风速。
若设定的维数位3维，则构建矩阵
对该矩阵中的风速值进行归一化处理，得到检测矩阵。
S2、将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型。
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度。
在构建训练用的数据集时，从历史数据库中采集多个检测点的历史检测风速，将各检测点的历史检测风速按照时间先后排序得到各检测点的历史数据序列；根据设定的矩阵维数，从各检测点的历史数据序列中截取同时段的历史检测风速整合为训练输入矩阵；根据设定的预测时间长度从各检测点的历史数据序列中截取与训练输入矩阵的时段对应的历史检测风速作为实际风速矩阵。
例如，步骤S1中的数据序列中提取检测点1的，检测点2的初始数据序列为/>，检测点3的初始数据序列为/>，组合为训练输入矩阵，若每10min采集一次检测风速，预测30min后的风速，则从步骤S1中的数据序列中提取检测点1的/>，检测点2的初始数据序列为/>，检测点3的初始数据序列为/>，构建实际风速矩阵/>。
将所述训练输入矩阵中的所有元素进行归一化处理，得到第一矩阵X。
对所述实际风速矩阵进行隶属度计算和标准化处理，得到第二矩阵；将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
利用隶属度函数对实际风速矩阵中的元素进行重新赋值，并进行归一化处理得到第二矩阵。首先对/>进行隶属度计算，k取3，g取4，则/>的隶属度为=/>的隶属度为/>=/>。/>的隶属度为/>=/>。
和/>的隶属度与/>相同，/>和/>的隶属度与/>相同，/>和/>的隶属度与/>相同。对实际风速矩阵进行模糊隶属度处理，可得到矩阵
对该矩阵中的所有元素进行归一化处理，即可得到第二矩阵Y。
利用第一矩阵和第二矩阵对主成分回归模型进行训练时，将第一矩阵通过高斯核函数映射到高维空间之中去，获得其对应的核矩阵并进行标准化处理，计算标准化的核矩阵的得分矩阵和与输出矩阵的系数矩阵构造主成分回归模型。
将第一矩阵X通过非线性变换φ(x)映射到高维空间；利用高斯核函数，求出第一矩阵X的核矩阵K，公式如下：
其中，i,j=1,2…，c是高斯核函数参数。
通过高斯核函数最终得到的核矩阵K。同样的，将得到的核矩阵K进行标准化处理，得到标准化后的核矩阵。
标准化处理公式为
将标准的核矩阵进行主成分分析，获得主成分个数以及得到其得分矩阵；计算方法为：
求出标准化核矩阵的特征值，将/>的特征值λ从大到小排列，取出前A个特征值组成对角矩阵/>以及特征值对应的特征向量，A为大于0的特征值λ的个数。
通过标准化核矩阵的前A维的特征值和特征向量，求出对应的得分矩阵T，计算方法为：
对得分矩阵T和矩阵Y进行最小二乘回归，即求出得分矩阵T和Y回归系数Q：
对于新的输入样本，对应Y的预测值为:
S3、将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
此外，将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
由此可以实现风速的及时预警和应对，提升并网稳定性。
S4、记录改进主成分回归模型的预测风速；获取与所述预测风速的时间点对应的实际风速；基于预测风速和实际风速计算相对误差和平均绝对百分误差；若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
通过监督训练，提升模型预测精度。
在一些实施例中，所述基于改进主成分回归模型的短期风速预测系统可以包括多个由计算机程序段所组成的功能模块。所述基于改进主成分回归模型的短期风速预测系统中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）基于改进主成分回归模型的短期风速预测的功能。
本实施例中，所述基于改进主成分回归模型的短期风速预测系统根据其所执行的功能，可以被划分为多个功能模块，如图2所示。系统200的功能模块可以包括：数据采集模块210、模型调用模块220、报警提示模块230。本发明所称的模块是指一种能够被至少一个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，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
数据采集模块，用于定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
模型调用模块，用于将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；
报警提示模块，用于将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息。
可选地，作为本发明一个实施例，所述数据采集模块包括：
初始处理单元，用于将同一检测点的检测风速按照采集时间先后保存为初始数据序列；
序列截取单元，用于根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；
标准处理单元，用于将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
可选地，作为本发明一个实施例，所述改进主成分回归模型的改进方法包括：
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度；
从历史数据库中采集多个检测点的历史检测风速，将各检测点的历史检测风速按照时间先后排序得到各检测点的历史数据序列；
根据设定的矩阵维数，从各检测点的历史数据序列中截取同时段的历史检测风速整合为训练输入矩阵；
根据设定的预测时间长度从各检测点的历史数据序列中截取与训练输入矩阵的时段对应的历史检测风速作为实际风速矩阵；
将所述训练输入矩阵与所述隶属度函数的乘积作为模糊矩阵，对所述模糊矩阵进行标准化处理得到第一矩阵；
对所述实际风速矩阵进行标准化处理，得到第二矩阵；
将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
可选地，作为本发明一个实施例，所述报警提示模块包括：
风速计算单元，用于将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；
预先配置单元，用于预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；
数据调取单元，用于根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
可选地，作为本发明一个实施例，所述系统还包括：
预测记录模块，用于记录改进主成分回归模型的预测风速；
实际获取模块，用于获取与所述预测风速的时间点对应的实际风速；
误差计算模块，用于基于预测风速和实际风速计算相对误差和平均绝对百分误差；
模型修正模块，用于若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的基于改进主成分回归模型的短期风速预测方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
因此，本发明利用基于模糊集隶属度改进的主成分回归模型进行短期风速预测，能够充分挖掘原始数据中隐含的有用信息，有效解决了传统模型中周期算法的邻近数据失效的问题，也考虑了近期数据对风速预测结果的较大影响，从而在降低计算量的同时提升了风速预测精度，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中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一个存储介质中如U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于改进主成分回归模型的短期风速预测方法，其特征在于，包括：
定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加隶属度，所述数据序列用于训练主成分回归模型；
将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息；
所述改进主成分回归模型的改进方法包括：
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度；
从数据库提取多个检测点的检测风速，将各检测点的检测风速按照采集时间先后排序得到各检测点的数据序列；
根据设定的矩阵维数，从各检测点的数据序列中截取同时段的检测风速整合为训练输入矩阵；
根据设定的预测时间长度从各检测点的数据序列中截取与训练输入矩阵的时段对应的检测风速作为实际风速矩阵；
利用所述隶属度函数对所述训练输入矩阵中的元素进行隶属度计算得到模糊矩阵，对所述模糊矩阵进行标准化处理得到第一矩阵；
对所述实际风速矩阵进行标准化处理，得到第二矩阵；
将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
2.根据权利要求1所述的方法，其特征在于，定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵，包括：
将同一检测点的检测风速按照采集时间先后保存为初始数据序列；
根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；
将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
3.根据权利要求2所述的方法，其特征在于，将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息，包括：
将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；
预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；
根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
记录改进主成分回归模型的预测风速；
获取与所述预测风速的时间点对应的实际风速；
基于预测风速和实际风速计算相对误差和平均绝对百分误差；
若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
5.一种基于改进主成分回归模型的短期风速预测系统，其特征在于，包括：
数据采集模块，用于定期采集多个检测点的检测风速，并将多个检测点的检测风速整合为检测矩阵；
模型调用模块，用于将所述检测矩阵输入预先构建的改进主成分回归模型，所述改进主成分回归模型的改进方法包括为数据序列添加随时间递减的隶属度，所述数据序列用于训练主成分回归模型；
报警提示模块，用于将所述改进主成分回归模型输出的预测风速与预设的风速阈值进行比对，若所述预测风速超过所述风速阈值则生成报警提示信息；
所述改进主成分回归模型的改进方法包括：
构建隶属度函数，其中/>=0.01，/>为数据序列中第g位元素对第k位元素的隶属度；
从数据库提取多个检测点的检测风速，将各检测点的检测风速按照采集时间先后排序得到各检测点的数据序列；
根据设定的矩阵维数，从各检测点的数据序列中截取同时段的检测风速整合为训练输入矩阵；
根据设定的预测时间长度从各检测点的数据序列中截取与训练输入矩阵的时段对应的检测风速作为实际风速矩阵；
利用所述隶属度函数对所述训练输入矩阵中的元素进行隶属度计算得到模糊矩阵，对所述模糊矩阵进行标准化处理得到第一矩阵；
对所述实际风速矩阵进行标准化处理，得到第二矩阵；
将第一矩阵作为自变量、第二矩阵作为输出量对主成分回归模型进行训练，得到改进主成分回归模型。
6.根据权利要求5所述的系统，其特征在于，所述数据采集模块包括：
初始处理单元，用于将同一检测点的检测风速按照采集时间先后保存为初始数据序列；
序列截取单元，用于根据预设的维数从各检测点的初始数据序列截取相应位数的检测风速作为各检测点的风速序列；
标准处理单元，用于将各检测点的风速序列组合为矩阵，并对矩阵中的检测风速进行归一化处理，得到检测矩阵，保存归一化系数。
7.根据权利要求6所述的系统，其特征在于，所述报警提示模块包括：
风速计算单元，用于将改进主成分回归模型输出的预测值除以所述归一化系数，得到预测风速；
预先配置单元，用于预先设置多个风速阈值，并为每个风速阈值设置对应的并网系统调整方案；
数据调取单元，用于根据所述预测风速达到的风速阈值调取对应的并网系统调整方案，将对应的并网系统调整方案作为结果数据输出至管理终端。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括：
预测记录模块，用于记录改进主成分回归模型的预测风速；
实际获取模块，用于获取与所述预测风速的时间点对应的实际风速；
误差计算模块，用于基于预测风速和实际风速计算相对误差和平均绝对百分误差；
模型修正模块，用于若相对误差或平均绝对百分误差超过设定的误差阈值，则重新对改进主成分回归模型进行训练。
CN202311264560.3A 2023-09-28 2023-09-28 基于改进主成分回归模型的短期风速预测方法及系统 Active CN116992274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311264560.3A CN116992274B (zh) 2023-09-28 2023-09-28 基于改进主成分回归模型的短期风速预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311264560.3A CN116992274B (zh) 2023-09-28 2023-09-28 基于改进主成分回归模型的短期风速预测方法及系统

Publications (2)

Publication Number Publication Date
CN116992274A CN116992274A (zh) 2023-11-03
CN116992274B true CN116992274B (zh) 2024-02-02

Family

ID=88534289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311264560.3A Active CN116992274B (zh) 2023-09-28 2023-09-28 基于改进主成分回归模型的短期风速预测方法及系统

Country Status (1)

Country Link
CN (1) CN116992274B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952283A (zh) * 2024-03-27 2024-04-30 国网山东省电力公司滨州市滨城区供电公司 基于隶属度的短期负荷预测方法、系统、终端及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258142A (zh) * 2013-06-04 2013-08-21 哈尔滨工业大学 基于天气模式的风电场短期风速预测方法
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
CN109523084A (zh) * 2018-11-23 2019-03-26 东北大学 一种基于主元分析和机器学习的风电功率超短期预测方法
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
CN112381272A (zh) * 2020-10-30 2021-02-19 国网山东省电力公司滨州市沾化区供电公司 一种电网负荷预测方法、系统、终端及存储介质
CN113822492A (zh) * 2021-10-11 2021-12-21 国网山东省电力公司滨州市滨城区供电公司 一种短期电力负荷预测方法、设备及可读存储介质
CN115630316A (zh) * 2022-10-24 2023-01-20 国网河南省电力公司电力科学研究院 基于改进长短期记忆网络的超短期风速预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258142A (zh) * 2013-06-04 2013-08-21 哈尔滨工业大学 基于天气模式的风电场短期风速预测方法
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
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
CN109523084A (zh) * 2018-11-23 2019-03-26 东北大学 一种基于主元分析和机器学习的风电功率超短期预测方法
CN112381272A (zh) * 2020-10-30 2021-02-19 国网山东省电力公司滨州市沾化区供电公司 一种电网负荷预测方法、系统、终端及存储介质
CN113822492A (zh) * 2021-10-11 2021-12-21 国网山东省电力公司滨州市滨城区供电公司 一种短期电力负荷预测方法、设备及可读存储介质
CN115630316A (zh) * 2022-10-24 2023-01-20 国网河南省电力公司电力科学研究院 基于改进长短期记忆网络的超短期风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
关于风力发电系统短期风速预测仿真;王玲;程耕国;袁志强;蒋维;;计算机仿真(第11期);全文 *
基于模糊理论和逆推算法改进均值生成函数的短期风速预测研究;王为国;窦震海;刘小煜;刘伟;申晋;;电测与仪表(第13期);全文 *

Also Published As

Publication number Publication date
CN116992274A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN116992274B (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN114386537B (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN111198799A (zh) 一种基于lstm的机房功耗预警方法、系统、终端及存储介质
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN115840881B (zh) 空气数据处理方法、装置及相关设备
CN116187552A (zh) 异常检测方法、计算设备及计算机存储介质
CN112330078A (zh) 用电量预测方法、装置、计算机设备和存储介质
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN116579447A (zh) 一种基于分解机制和注意力机制的时间序列预测方法
CN118174297A (zh) 一种基于多模型融合的光伏功率预测方法、系统、终端及介质
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN111783827B (zh) 一种基于负荷数据的企业用户分类方法和装置
CN116049658B (zh) 一种风电机组异常数据识别方法、系统、设备及介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN114495137B (zh) 票据异常检测模型生成方法与票据异常检测方法
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备
CN115146997A (zh) 基于电力数据的评估方法、装置、电子设备及存储介质
CN114876731A (zh) 风电场低效运行风电机组排查方法、系统、设备和介质
CN114841457B (zh) 电力负荷估计方法及系统、电子设备及存储介质
CN114841458B (zh) 电力负荷预测方法及系统、电子设备及存储介质
CN117194576B (zh) 一种电网客户信息数据整合处理方法及系统
CN116415510B (zh) 基于相空间重构和神经网络的断路器温升预测方法及系统
CN118376974B (zh) 电能表的故障监测方法、装置、设备及存储介质

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