一种短期风速多步预测方法及装置制造方法及图纸

本发明专利技术公开了一种短期风速多步预测方法及装置，包括：利用启发式分割算法将原始风速时间序列分割成多个平稳子序列；利用自适应可变模式分解技术将每个平稳子序列分解为一系列有限带宽的子模式；通过基于COOK距离的遗忘因子的鲁棒在线极限学习机，对每个子模式建立基本预测模型，采用带有自适应变异机制的纵横交叉优化算法对预测模型进行参数优化；利用在线集成学习方法和有序聚合技术，通过对多个基本预测模型加权聚合获取最终预测值；可见，通过基于COOK距离的遗忘因子的鲁棒在线极限学习机根据风速的变化更新模型，使用有序聚合进行在线集成学习技术OEOA对多个基本预测模型加权聚合获取最终预测值，使多步预测精度有较大的提高。

Method and device for multi-step prediction of short-term wind speed

The invention discloses a short-term wind speed multi step prediction method and device, including: using the heuristic segmentation algorithm of the original wind speed time series is divided into a plurality of stationary sequences; decomposition of each stable sequence is decomposed into a series of limited bandwidth model using adaptive variable model; robust online learning machine by forgetting factor limit based on the COOK distance, establish the basic prediction model for each sub model, using the cross optimization algorithm with adaptive mutation mechanism to optimize the prediction model; ensemble learning method and orderly use of online aggregation technology, based on several basic prediction model of weighted polymerization to obtain the final predictive value; visible through robust online limit forgetting factor the COOK distance based learning machine according to the change of wind speed update model, using ordered aggregation set online As a learning technique, OEOA obtains the final prediction value by weighted aggregation of multiple basic prediction models, which improves the prediction accuracy greatly.

【技术实现步骤摘要】
一种短期风速多步预测方法及装置
本专利技术涉及风速预测
，更具体地说，涉及一种短期风速多步预测方法及装置。
技术介绍
目前，短期风速预测对于风电场管理和电力系统运行具有重要的意义，但是风速的随机性、波动性和间歇性使风速预测的难度增加。近年来在风速预测领域提出的方法往往结构复杂且计算量大，且大部分研究都是离线模式，没法实时的追踪风速的变化。因此，如何实时追踪风速的变化，是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种短期风速多步预测方法及装置，以实现实时追踪风速的变化，提高风速预测精度。为实现上述目的，本专利技术实施例提供了如下技术方案：一种短期风速多步预测方法，包括：利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列；利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式；通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化；利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS-ORELM基本预测模型加权聚合获取最终预测值。其中，所述利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列，包括：确定所述原始风速时间序列中除起点和终点之外其他目标点的左平均值和右平均值，根据每个目标点的左平均值和右平均值确定每个目标点的统计值；根据每个目标点的统计值计算每个目标点的统计显著性，将统计显著性大于预定阈值的目标点作为分割点，并利用所述分割点，对所述原始风速时间序列进行分割，形成多个平稳子序列。其中，所述利用所述分割点，对所述原始风速时间序列进行分割之后，还包括：判断分割后的左右两部分序列是否均大于最小分割长度；若否，则取消对所述原始风速时间序列的分割。其中，所述利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式，包括：利用经验模态分解技术EMD确定对目标平稳子序列进行分解的模态数K，并通过可变模式分解技术VDM将所述目标平稳子序列分解为K个模态；通过消除趋势波动分析法DFA确定每个模态的波动参数，并根据每个模态的波动参数对所述目标平稳子序列进行去噪重构。其中，所述通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化，包括：利用初始训练数据集创建初始预测模型，通过10折交叉验证法确定始预测模型隐含层节点个数，并计算模型参数；所述模型参数包括隐含层输出矩阵及初始输出权值；计算COOK距离，根据所述COOK距离确定遗忘因子λ，通过所述遗忘因子λ更新模型参数，并通过带有自适应变异机制的纵横交叉优化算法CSO-SAM对模型参数进行优化，得到基本预测模型；所述基本预测模型包括与平稳子序列对应的多个预测模型。其中，所述利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS-ORELM基本预测模型加权聚合获取最终预测值，包括：对每个平稳子序列对应的多个预测模型进行均方根误差更新，并根据更新结果选择预定数量个模型作为最优模型集合；对所述最优模型集合中的每个预测模型分配权值，计算每个平稳子序列的预测值，并根据每个平稳子序列的预测值确定最终预测值。其中，所述根据每个平稳子序列的预测值确定最终预测值之后，包括：当获取到下一时刻的风速时间序列后，根据本时刻的真实值更新所述初始训练数据集，得到更新后的训练数据集；根据本时刻的真实值，计算所述最优模型集合中的每个预测模型的预测误差，若存在预测误差大于误差阈值的预测模型，则通过所述更新后的训练数据集建立训练模型，替换所述最优模型集合中预测误差大于所述误差阈值的预测模型。一种短期风速多步预测装置，包括：平稳子序列分割模块，用于利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列；分解模块，用于利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式；预测模型建立模块，用于通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化；预测模块，用于利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS-ORELM基本预测模型加权聚合获取最终预测值。其中，所述平稳子序列分割模块，包括：统计值确定单元，用于确定所述原始风速时间序列中除起点和终点之外其他目标点的左平均值和右平均值，根据每个目标点的左平均值和右平均值确定每个目标点的统计值；分割单元，用于根据每个目标点的统计值计算每个目标点的统计显著性，将统计显著性大于预定阈值的目标点作为分割点，并利用所述分割点，对所述原始风速时间序列进行分割，形成多个平稳子序列。其中，所述预测模型建立模块，包括：初始预测模型确定单元，用于利用初始训练数据集创建初始预测模型，通过10折交叉验证法确定始预测模型隐含层节点个数，并计算模型参数；所述模型参数包括隐含层输出矩阵及初始输出权值；基本预测模型确定单元，用于计算COOK距离，根据所述COOK距离确定遗忘因子λ，通过所述遗忘因子λ更新模型参数，并通带有自适应变异机制的纵横交叉优化算法CSO-SAM对模型参数进行优化，得到基本预测模型；所述基本预测模型包括与平稳子序列对应的多个预测模型。通过以上方案可知，本专利技术实施例提供的一种短期风速多步预测方法，包括：利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列；利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式；通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化；利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS-ORELM基本预测模型加权聚合获取最终预测值。可见，在本方案中，可通过基于COOK距离的遗忘因子的鲁棒在线极限学习机根据风速的变化来更新模型，并使用有序聚合进行在线集成学习技术OEOA，通过对多个λCDFFOS-ORELM加权聚合获取最终预测值，使多步预测精度有较大的提高；本专利技术还公开了一种短期风速多步预测装置，同样能实现上述技术效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例公开的一种短期风速多步预测方法流程示意图；图2为本专利技术实施例公开的去噪流程示意图；图3为本专利技术实施例公开的一种聚义的短期风速多步预测方法流程示意图；图4为本专利技术实施例公开的一风速时间序列示意图；图5为本专利技术实施例公开的另一风速时间序列示意图；图6为本专利技术实施例公开的另一风速时间序列示意图；图7为本发本文档来自技高网...

【技术保护点】
一种短期风速多步预测方法，其特征在于，包括：利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列；利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式；通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS‑ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO‑SAM对预测模型进行参数优化；利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS‑ORELM基本预测模型加权聚合获取最终预测值。

【技术特征摘要】
1.一种短期风速多步预测方法，其特征在于，包括：利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列；利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式；通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化；利用在线集成学习和有序聚合技术OEOA，通过对多个λCDFFOS-ORELM基本预测模型加权聚合获取最终预测值。2.根据权利要求1所述的短期风速多步预测方法，其特征在于，所述利用启发式分割算法BGA将原始风速时间序列分割成多个平稳子序列，包括：确定所述原始风速时间序列中除起点和终点之外其他目标点的左平均值和右平均值，根据每个目标点的左平均值和右平均值确定每个目标点的统计值；根据每个目标点的统计值计算每个目标点的统计显著性，将统计显著性大于预定阈值的目标点作为分割点，并利用所述分割点，对所述原始风速时间序列进行分割，形成多个平稳子序列。3.根据权利要求2所述的短期风速多步预测方法，其特征在于，所述利用所述分割点，对所述原始风速时间序列进行分割之后，还包括：判断分割后的左右两部分序列是否均大于最小分割长度；若否，则取消对所述原始风速时间序列的分割。4.根据权利要求1所述的短期风速多步预测方法，其特征在于，所述利用自适应可变模式分解技术SAVMD将每个平稳子序列分解为一系列有限带宽的子模式，包括：利用经验模态分解技术EMD确定对目标平稳子序列进行分解的模态数K，并通过可变模式分解技术VDM将所述目标平稳子序列分解为K个模态；通过消除趋势波动分析法DFA确定每个模态的波动参数，并根据每个模态的波动参数对所述目标平稳子序列进行去噪重构。5.根据权利要求1所述的短期风速多步预测方法，其特征在于，所述通过基于COOK距离的遗忘因子的鲁棒在线极限学习机λCDFFOS-ORELM，对每个系列子模式建立基本预测模型，并采用带有自适应变异机制的纵横交叉优化算法CSO-SAM对预测模型进行参数优化，包括：利用初始训练数据集创建初始预测模型，通过10折交叉验证法确定始预测模型隐含层节点个数，并计算模型参数；所述模型参数包括隐含层输出矩阵及初始输出权值；计算COOK距离，根据所述COOK距离确定遗忘因子λ，通过所述遗忘因子λ更新模型参数，并通过带有自适应变异机制的纵横交叉优化算法CSO-SAM对模型参数进行优化，得到基本预测模型；所述基本预测模型包括与平稳子序列对应的多个预测模型。6.根据权利要求5所述的短期风速多步预测方法，其特征在于，所述利用在线集成学习...

【专利技术属性】
技术研发人员：彭显刚，郑伟钦，王星华，鲁迪，张丹，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44