[發明專利]一種基于組合模型的風速預測方法及系統

有效

• 申請號: 202110772591.4
• 申請日: 2021-07-08
• 公開（公告）號: CN113343590B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 王旭光;張可;蘇杰;任歡
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F113/06;G06F119/02
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

本發明提出了一種基于組合模型的風速預測方法及系統，涉及風力發電風速預測領域，該方法包括：采集歷史風速數據，構建原始風速數據集；利用變分模態分解算法將所述原始風速數據集的風速時間序列分解為N個模態分量；所述N個模態分量包括K個固有模態分量和1個殘余分量；將各個所述模態分量分別單獨輸入到預先訓練好的改進Transformer模型中進行預測，得到所述固有模態分量的預測結果和所述殘余分量的預測結果；將所述固有模態分量的預測結果和所述殘余分量的預測結果進行疊加，得到最終的風速預測結果。通過將變分模態分解法和Transformer模型進行組合，可有效提升風速預測的準確性和可靠性。

技術領域

本發明涉及風力發電風速預測領域，特別是涉及一種基于組合模型的風速預測方法及系統。

背景技術

目前，風速預測方法可分為物理方法、統計方法和人工智能方法三大類。其中，物理方法依靠大量物理學定律，建立風速和溫度、濕度和氣壓等關系表達式，根據所測地區的風力數據，利用計算機進行數值計算，得到風速預測結果。這種方法對數據和硬件要求苛刻，計算量巨大，不適合推廣使用。統計方法需要采集大量風速數據，經過處理分析后對風速進行預測，相較于物理方法，統計方法更容易實現，但是風速序列具有非平穩性，單一的統計方法的預測精度并不高。人工智能方法利用機器學習模型或深度學習模型等神經網絡模型進行風速預測，但單一的機器學習模型或深度學習模型無法充分學習風速時間序列的整體特征，其預測精度也不高。所以，現有的風速預測方法普遍存在預測精度低的問題。基于此，目前亟需一種精度更高的風速預測方法。

發明內容

本發明的目的是提供一種基于組合模型的風速預測方法及系統，將變分模態分解法和Transformer模型進行組合，利用變分模態分解法將非平穩的風速時間序列分解為多個模態分量，再利用改進的Transformer模型分別對每個模態分量進行預測，可有效提升風速預測精度。

為實現上述目的，本發明提供了一種基于組合模型的風速預測方法，包括：

采集歷史風速數據，構建原始風速數據集；

利用變分模態分解算法將所述原始風速數據集的風速時間序列分解為N個模態分量；所述N個模態分量包括K個固有模態分量和1個殘余分量；

將各個所述模態分量分別單獨輸入到預先訓練好的改進Transformer模型中進行預測，得到所述固有模態分量的預測結果和所述殘余分量的預測結果；

將所述固有模態分量的預測結果和所述殘余分量的預測結果進行疊加，得到最終的風速預測結果。

可選的，所述采集歷史風速數據，構建原始風速數據集，包括：

按照預設的采樣周期，對風速待預測區域的所述歷史風速數據進行采樣，得到風速采樣數據；

根據所述風速采樣數據，構建所述原始風速數據集；所述原始風速數據集包括所述風速時間序列，所述風速時間序列用于表征風速-時間信息。

可選的，所述利用變分模態分解算法將所述原始風速數據集的風速時間序列分解為N個模態分量；所述N個模態分量包括K個固有模態分量和1個殘余分量，具體包括：

采用所述變分模態分解算法對所述原始風速數據集的所述風速時間序列進行分解，得到N個所述模態分量；

N個所述模態分量等于K個所述固有模態分量和1個所述殘余分量的和；其中，K的取值采用觀察中心頻率法確定。

可選的，所述K的取值采用觀察中心頻率法確定具體包括：

在通過所述變分模態分解算法對所述風速時間序列進行分解的同時，將所述固有模態分量的數量K由小到大取值；