[發明專利]一種融合編碼解碼和線性回歸的短期風速預測方法

有效

• 申請號: 201811252433.0
• 申請日: 2018-10-25
• 公開（公告）號: CN109840613B
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 彭來湖;婁杰麗;吳震宇
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 紹興市越興專利事務所(普通合伙) 33220
• 代理人: 魯超

本發明公開了一種融合編碼解碼和線性回歸的風速預測方法。首先，將原始風速序列做標準化處理，以此提高收斂速度并且減少模型訓練的時間。接著，將標準化處理之后的風速序列分成D1、D2兩個樣本數據集，樣本數據集D1、D2的不同之處在于D1的預測問題是一個回歸問題，而D2用于解決分類問題。其次，根據樣本數據集D1、D2，分別建立線性回歸風速預測模型和編碼解碼風速預測模型，得到2組風速預測值。最后，對2個風速預測模型的輸出值進行疊加，獲得最終的預測值。本發明提供的方法可以提高短期風速預測的精度。

技術領域

本發明涉及一種短期風速預測方法，尤其涉及的是一種融合編碼解碼和線性回歸的短期風速預測方法。

背景技術

作為一種可再生能源，風能展示出明顯的效益和良好的前景。雖然，將風能并入電力系統具有許多優勢，但風電的不確定性和間接性也給電力系統帶來了一系列的挑戰。例如：當電力需求低于風電輸出功率時，會出現電力資源過剩的現象，從而導致電網的不穩定。風能的輸出與風速的質量和變化直接相關。如果能對風速進行提前預知，有利于對電力資源的合理調度，從而保障電力系統的運行安全，并且可以獲得低旋轉備用和最佳運行成本。因此，對風速的準確預測，是電力系統建設和運行的重要前提。

根據已有的專家知識，風速預測模型可以分為四大類：物理模型、空間相關模型、統計模型和人工智能模型。物理模型主要采用數值天氣預報模型進行風速預測，數值計算時需要考慮地形、溫度、壓力等因素。空間相關模型通過處理相鄰站點風速的空間關系，建立風速預測模型。統計模型包括自回歸模型、滑動平均模型、自回歸—滑動平均模型、累積式自回歸—滑動平均模型等。人工智能算法主要有最小二乘支持向量機、人工神經網絡、遞歸神經網絡。

針對短期風速時間序列預測的問題，提出了基于遞歸神經網絡的風速預測模型。由于簡單的遞歸神經網絡存在梯度消失的問題，難以捕捉長期時間關聯，因此采用長短期記憶網絡型遞歸神經網絡解決這個問題。此外，編碼—解碼結構用以實現風速預測模型的多時刻輸出。并且，為了打破前一時刻的風速數值與預測值的相關性，將回歸預測問題轉化為多分類預測問題。最后，融合線性回歸短期風速預測模型的輸出值，進一步提高模型的預測精度。

發明內容

本發明的目的在于提供一種融合編碼解碼和線性回歸的短期風速預測方法，使短期風速預測的精度更高。

為實現上述目的，本發明具體提供的技術方案為：包括以下步驟：

(1)獲取原始風速序列，并對原始風速序列進行Z-Score標準化處理；

(2)采用等距分段方法，將連續的標準化處理后的風速序列轉化為離散形式；

(3)建立樣本數據集D1、D2，并按照一定比例將樣本數據集劃分為訓練數據集和測試數據集；

(4)針對樣本數據集D1，建立線性回歸風速預測模型；

(5)針對樣本數據集D2，建立編碼解碼風速預測模型；

(6)對每個風速預測模型的輸出值進行疊加，獲得最終的預測值；

(7)結合實際風速值，用均方誤差對預測模型進行評估；

進一步地，步驟(1)中對原始風速序列進行標準化處理，所述標準化公式為：

式中：x^*為標準化處理之后的風速序列，x為原始風速時間序列，μ為序列x的均值，σ為序列x的標準差；

進一步地，步驟(2)采用等距分段方法，將標準化處理后的風速信號轉化為離散形式，所述等距分段方法為：

3.1根據步長h將風速序列分為n等分，第i個等分的風速值范圍是[(i-1)×h,i×h]，其中i的范圍是[1,n]；