[發明專利]一種超短期風速預測方法及裝置

在審

• 申請號: 202111370814.0
• 申請日: 2021-11-18
• 公開（公告）號: CN114202107A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 季天瑤;姜雨滋;吳青華
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F16/2458
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭宏謀

本發明公開了一種超短期風速預測方法及裝置，其中方法包括：獲取風速時間數據，對風速時間數據進行間隔采樣，獲得時間序列；將采樣獲得的時間序列分解為近似序列和細節序列；對近似序列和細節序列的高階張量進行漢克化處理，獲得三階張量；對三階張量沿著時間維度切片，并對每一個時刻的二階張量切片使用塔克分解，獲得低秩高階時間序列；將核心張量時間序列送入長短期記憶網絡進行學習，訓練得到最優網絡參數，并預測得到未來時刻的二階核心張量切片；對二階核心張量切片進行變換處理，獲得未來的風速預測值。本發明在數據處理環節先分解一維風速時間序列，獲得高頻特征和低頻特征；有效提高預測能力，可廣泛應用于風電場的風速預測領域。

技術領域

本發明涉及風電場的風速預測和經濟調度領域，尤其涉及一種超短期風速預測方法及裝置。

背景技術

隨著風電技術的發展，風能已經成為最具有發展潛力的可再生能源之一。然而，由于風能的非線性、間歇性和混沌性，風能大規模并網可能對電力系統的安全性和穩定性產生很大影響，給能量管理和經濟調度造成諸多困難。如果風能的預測值高于實際值，那么電力系統中的旋轉備用容量會不足，導致系統無法調節到穩態運行方式；如果風能的預測值低于實際值，那么系統的備用容量會過于充足，導致系統的經濟成本增加。為了有效地解決這一問題，學者們在風速預測領域進行了大量的研究，高精度風速預測可為風電場能源調度管理提供有效參考。因此，提出一種能夠準確預測風速變化趨勢的模型具有重要意義。

在風速預測的歷史上，有兩種并行的方法，即物理和統計(含機器學習)方法。相較于物理方法，統計方法更適宜用于超短期風速預測，但現有的預測模型，存有以下問題：

(1)以極限學習機(ELM)、自動編碼器和循環神經網絡為代表的機器學習類統計方法。這些方法之所以流行，是因為它們比其他方法具有更好的準確性或更快的計算速度。然而，對于非線性強的風速數據，由于數值模型自身的擬合能力始終有上限，故預測精度仍然有限。

(2)近年來，人們越來越多地考慮混合模型，因為它們被發現能夠最大限度地發揮上述方法的優勢，擴大模型擬合能力。但是這一類模型往往忽略了風速數據本身存在的特性，這一類模型的可解釋性相對較弱。

(3)另外還提出了一些新的工作來實現高維時間序列預測，嘗試從高維挖掘數據非線性的特性，同時提高模型的擬合能力，并加強了模型的可解釋性。考慮壓縮風速的非線性特性，可以用高維嵌入的方法。這些方法就可以提高預測性能，但計算復雜度較高。

發明內容

為至少一定程度上解決現有技術中存在的技術問題之一，本發明的目的在于提供一種超短期風速預測方法及裝置。

本發明所采用的技術方案是：

一種超短期風速預測方法，包括以下步驟：

獲取風速時間數據，對風速時間數據進行間隔采樣，獲得時間序列；

將采樣獲得的時間序列分解為近似序列和細節序列；

對近似序列和細節序列的高階張量進行漢克化處理，獲得近似序列對應的三階張量和細節序列對應的三階張量

對三階張量和三階張量沿著時間維度切片，并對每一個時刻的二階張量切片使用塔克分解，獲得近似序列對應的低秩高階時間序列和細節序列對應的低秩高階時間序列

采樣兩個長短時記憶網絡分別對低秩高階時間序列和低秩高階時間序列進行學習和預測，預測獲得核心張量和核心張量

將核心張量和核心張量進行還原，并拼接到時間序列和時間序列中，得到張量和張量對張量和張量進行漢克化逆變換處理，獲得預測的近似風速f(N₀+1)和細節風速s(N₀+1)，根據近似風速f(N₀+1)和細節風速s(N₀+1)獲得預測的風速。