[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

本發明提出了一種風速區間預測方法、模型和系統。所述風速區間預測方法包括根據復雜度將實測風速數據分解后的固有模態分量IMF分類為復雜度較高的高頻分量和復雜度較低的低頻分量，然后針對每個高頻分量預測風速區間，針對每個低頻分量獲取風速的點預測值，然后結合所述風速區間和點預測值獲得最終風速預測區間。本發明通過所述點預測值與所述風速區間復合形成最終風速預測區間，縮小了最終風速預測區間的寬度。通過區間和點值的方式賦予高頻分量和低頻分量不同的特征學習方式，使得最終風速預測區間的獲得對高頻分量和低頻分量進行了充分而精準的學習，保證了最終風速預測區間的精確。

技術領域

本發明涉及風速預測技術領域，尤其涉及一種風速區間預測方法、模型和系統。

背景技術

能源是世界經濟發展的推動器，人類對石油、煤炭等化石能源的需求也是與日俱增，但是地球上可供人類使用的化學能源是一定的，而且大部分都是不可再生的，供不應求的矛盾日益激化，為了解決上述問題，研究人員開始將目光轉向一些可再生能源，風能是新興的可再生能源之一。但由于風能本身高度的波動性、隨機性，大規模的風電接入電網將會對電力系統的安全、穩定運行以及保證電能質量帶來嚴峻挑戰。風速預測在風能開發和利用中起到關鍵作用，近年來，隨著深度學習在人工智能等領域的成功應用，研究人員開始將深度學習引入到風速預測中，長短時記憶網絡(LSTM)在循環神經網絡的基礎上增加了門控單元和記憶結構，為了解決時間序列中的長距離依賴問題，能夠使歷史風速信息在神經元中保留較長時間。一般風速預測都是以預測點值的形式呈現的，但預測點值結果必定會存在誤差，如果能夠給出預測值的變化范圍，就能更好的描述風速的不確定性，為決策者提供更多的信息。所以風速區間預測有著巨大的研究意義。但現有的風速區間預測方法要么區間寬度太大，要么區間覆蓋率低，效果均不理想。

發明內容

為了解決上述現有技術中的風速區間預測方法難以兼顧預測精度和區間覆蓋率的缺陷，本發明提出了一種風速區間預測方法，提高了風速預測區間的精度。

本發明提出的一種風速區間預測方法，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。

優選的，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。

優選的，S3中，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。

優選的，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。

優選的，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。