[發明專利]一種風速區間預測方法、模型和系統

在審

• 申請號: 202210592257.5
• 申請日: 2022-05-27
• 公開（公告）號: CN114862044A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 郅倫海;訾勇;李毅;周康
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 合肥和瑞知識產權代理事務所(普通合伙) 34118
• 代理人: 金宇平

1.一種風速區間預測方法，其特征在于，包括以下步驟：

S1、將實測風速數據分解為多個固有模態分量IMF；

S2、將固有模態分量IMF根據復雜度分類為高頻分量和低頻分量，任一高頻分量的復雜度均高于所有低頻分量的復雜度；

S3、通過設定的分量預測模型獲取高頻分量對應的各預測點的風速預測區間和低頻分量對應的各預測點的點預測值；

S4、構建指定的置信度下各預測點的最終風速預測區間，最終風速預測區間的上限等于該指定的置信度下所有高頻分量對應的風速預測區間的上限值與所有低頻分量的點預測值之和，最終風速預測區間的下限等于該指定的置信度下所有高頻分量對應的風速預測區間的下限值與所有低頻分量的點預測值之和。

2.如權利要求1所述的風速區間預測方法，其特征在于，S3中，分量預測模型包括高頻分量預測子模型和低頻分量預測子模型，兩個子模型均基于神經網絡模型構建并訓練獲得，高頻分量預測子模型用于獲取作為輸入數據的高頻分量在指定的置信度下的風速預測區間；低頻分量預測子模型用于獲取作為輸入數據的低頻分量的點預測值。

3.如權利要求2所述的風速區間預測方法，其特征在于，高頻分量預測子模型包括區間預測模塊和區間反歸一化模塊，區間預測模塊的輸入數據為高頻分量歸一化處理后的數據和分位數設計參數，區間預測模塊的輸出為歸一化預測范圍；區間反歸一化模塊的輸入為區間預測模塊的輸出，區間反歸一化模塊的輸出為關聯有置信度的風速預測區間，置信度由分位數設計參數決定。

4.如權利要求2所述的風速區間預測方法，其特征在于，S3中，低頻分量預測子模型包括預測模塊和反歸一化模塊，預測模塊的輸入數據為低頻分量歸一化處理后的數據，預測模塊的輸出為歸一化預測值；反歸一化模塊的輸入為預測模塊的輸出，反歸一化模塊的輸出為點預測值。

5.如權利要求1所述的風速區間預測方法，其特征在于，S2中計算各固有模態分量IMF的樣本熵，將固有模態分量IMF的樣本熵與設定的復雜度閾值比較，樣本熵高于復雜度閾值，則判定該固有模態分量IMF為高頻分量；反之，則為低頻分量。

6.如權利要求1所述的風速區間預測方法，其特征在于，S1中采用VMD算法將實測風速數據分解為多個固有模態分量IMF。

7.如權利要求1所述的風速區間預測方法，其特征在于，還包括步驟S5：計算各置信度下最終風速預測區間的區間覆蓋率PICP和平均帶寬PINAW；

式中，P是預測點個數，c_p是布朗函數，定義為：

表示α置信度下第p個預測點的風速區間下限，表示α置信度下第p個預測點的風速區間上限，表示α置信度下第p個預測點的實測值；

R是所有預測區間上限的最大值減去下限的最小值，即：

8.一種風速區間預測模型，其特征在于，包括數據分解模塊、IMF分類模塊、風速區間預測模塊和區間重構模塊；

所述數據分解模塊用于將實測風速數據分解為多個固有模態分量IMF；

所述風速IMF分類模塊與數據分解模塊連接，用于根據復雜度將固有模態分量IMF分類為高頻分量和低頻分量，任一高頻分量的復雜度均高于所有低頻分量的復雜度；

風速區間預測模塊基于神經網絡模型構建，用于獲取作為輸入數據的固有模態分量IMF在指定的置信度下的風速預測區間；

區間重構模塊分別連接IMF分類模塊和風速區間預測模塊，區間重構模塊用于構建指定的置信度下的最終風速預測區間，最終風速預測區間的上限等于該指定的置信度下所有高頻分量對應的風速預測區間的上限值與所有低頻分量的點預測值之和，最終風速預測區間的下限等于該指定的置信度下所有高頻分量對應的風速預測區間的下限值與所有低頻分量的點預測值之和。

9.如權利要求8所述的風速區間預測模型，其特征在于，風速區間預測模塊基于長短時記憶網絡和分位數回歸算法構建。

10.一種風速區間預測系統，其特征在于，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器用于執行所述計算機程序以實現如權利要求1至7任一項所述的風速區間預測方法。