一种风速预测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种风速预测方法，能够确定用于预测的风速数据序列，利用小波算法对风速数据序列进行分解和重构，并利用预先训练得到的布谷鸟算法优化的神经网络分别对各个子序列进行预测，得到多个子预测结果，最后根据各个子预测结果确定最终预测结果。可见，该方法根据小波算法能够降低数据波动性的特点，利用小波算法降低了风速数据序列的高度非线性，同时利用经过布谷鸟算法优化神经网络从而有效避免了神经网络陷入局部最优的问题，最终提高了预测精度。本发明专利技术还提供了一种风速预测装置、设备及计算机可读存储介质，其作用与上述方法相对应。

【技术实现步骤摘要】
一种风速预测方法、装置及设备
本专利技术涉及计算机领域，特别涉及一种风速预测方法、装置、设备及计算机可读存储介质。
技术介绍
近年来，随着风能的快速发展与利用，风电装机容量急剧上升，全球风电行业蓬勃发展。然而，由于风力发电的间歇性和随机性，将风力发电与传统电网系统相结合面临诸多挑战，包括能源发电规划和涡轮机维护调度，电网系统安全运行和互连标准的变化等。为了减轻风能接入电力系统造成的上述问题，通过可靠的方法进行准确的动态风速预测正变得越来越重要。风速预测是获取准确信息的重要途径，有助于经济负荷调度规划和风力发电量增减量的决策。目前，文献中大多数模型都集中在点风速预测，这些方法包括物理建模方法NWP(数值天气预报)，时间序列模型，人工智能模型和混合模型。但是，这些模型都具有一些缺点，一方面传统单一的神经网络预测模型易陷入局部最优的问题，不能达到最优的预测效果，另一方面是单一的预测方法很难处理风速数据的高度非线性对预测结果的影响。可见，传统的预测模型容易陷入局部最优，且处理高度非线性的风速数据比较困难。
技术实现思路
本专利技术的目的是提供一种风速预测方法、装置、设备及计算机可读存储介质，用以解决传统的预测模型容易陷入局部最优，且处理高度非线性的风速数据比较困难的问题。为解决上述技术问题，本专利技术提供了一种风速预测方法，包括：确定用于预测的历史风速数据序列；利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；根据各个所述子预测结果，确定最终预测结果。其中，所述利用小波算法将所述历史风速数据序列分解为多个子序列的公式为：分解信号其中，f(u)为所述历史风速数据序列对应的连续函数，a＝2-j，g＝k2-j，k为分解层数，ψ()为母小波函数；所述对各个所述子序列进行重构的公式为：其中Cψ为相容性参数，且Cψ＜∞。其中，所述分解层数k为3，所述子序列的数量为4。其中，所述布谷鸟算法优化的神经网络的训练过程包括：随机生成初始种群所述初始种群包括M个鸟巢，为所述初始种群中的第i个鸟巢，所述鸟巢表示一组需要进行训练的神经网络的权值和阈值；每次迭代开始时，按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新，得到其中1≤t≤T；计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度小于的适应度，则将更新到所在的位置，其中为第t-1代种群中第i个鸟巢；生成随机数r∈(0,1)，并比较r和Pa的大小，其中Pa为预设的发现概率；若r＞Pa，则生成一个随机步长，并以所述随机步长更新得到第t代种群若r＜Pa，则按照对中的各个鸟巢进行更新，得到第t代种群其中，随机维数d1∈(1,D)，随机维数d2∈(1,D)，D为鸟巢的维数；计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度大于的适应度，则将更新到所在的位置；判断t是否等于T；若不等于，则t＝t+1并继续进行迭代；若等于，则确定所述第t代种群中适应度最大的鸟巢将鸟巢作为所述神经网络的权值和阈值，以完成所述布谷鸟算法优化的神经网络的训练。其中，所述以所述随机步长更新的公式具体为：其中，α为步长控制量，L(λ)为随机搜索路径，为点对点乘法。其中，所述确定用于预测的历史风速数据序列包括：确定用于预测的历史风速数据序列，并对所述历史风速数据序列进行预处理。其中，所述根据各个所述子预测结果，确定最终预测结果包括：对各个所述子预测结果求和，得到最终预测结果。相对应的，本专利技术还提供了一种风速预测装置，包括：确定模块：用于确定用于预测的历史风速数据序列；分解重构模块：用于利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；子预测结果确定模块：用于利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；最终预测结果确定模块：用于根据各个所述子预测结果，确定最终预测结果。此外，本专利技术还提供了一种风速预测设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序以实现如上所述的一种风速预测方法的步骤。最后，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种风速预测方法的步骤。本专利技术所提供的一种风速预测方法，能够确定用于预测的风速数据序列，利用小波算法对风速数据序列进行分解和重构，并利用预先训练得到的布谷鸟算法优化的神经网络分别对各个子序列进行预测，得到多个子预测结果，最后根据各个子预测结果确定最终预测结果。可见，该方法根据小波算法能够降低数据波动性的特点，利用小波算法降低了风速数据序列的高度非线性，同时利用经过布谷鸟算法优化神经网络从而有效避免了神经网络陷入局部最优的问题，最终提高了预测精度。本专利技术还提供了一种风速预测装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。附图说明为了更清楚的说明本专利技术实施例或现有技术的技术方案，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的介绍，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为本专利技术提供的一种风速预测方法实施例的实现流程图；图2为本实施例提供的一种布谷鸟优化的神经网络的训练过程示意图；图3为本专利技术提供的一种风速预测装置实施例的结构框图。具体实施方式本专利技术的核心是提供一种风速预测方法、装置、设备及计算机可读存储介质，降低了用于预测的风速数据序列的非线性，还避免了神经网络陷入局部最优的问题，提高了预测精度。为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面对本专利技术提供的一种风速预测方法实施例进行介绍，参见图1，该实施例包括：步骤S101：确定用于预测的历史风速数据序列。具体的，可以获取连续4周的风速数据，时间分辨率可以为1h，即一天包含24个数据点。将数据划分为两个子集，分别用于训练和神经网络和预测风速，具体的，可以将前三周的风速数据作为训练样本，也就是用于训练步骤S103中提到的布谷鸟优化的神经网络的样本，将最后一周的风速数据作为预测样本，也就是步骤S101中所提到的历史风速数据序列。确定历史风速数据序列之后，可以对其进行预处理，以便于进行后续步骤。步骤S102：利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构。现有某些分解技术对提高风速预测精度没有很明显的效果，小波算法是一种自适应信号处理技术，它能获取原始序列的适当组件和详细信息，减少了数据序列的非稳定性。具体的，上述利用小波算法将所述历史风速数据序列分解为多个子序列可以分为以下分解个重构两个部分：分解信号其中，f(u)为所述历史风速数据序列对应的连续函数，a＝2-j，g＝k2-j，k为分解层数，ψ()为母小波函数。所述对各个所述子序列进行重构的公式为：其中本文档来自技高网...

【技术保护点】
1.一种风速预测方法，其特征在于，包括：确定用于预测的历史风速数据序列；利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；根据各个所述子预测结果，确定最终预测结果。

【技术特征摘要】
1.一种风速预测方法，其特征在于，包括：确定用于预测的历史风速数据序列；利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；根据各个所述子预测结果，确定最终预测结果。2.如权利要求1所述的方法，其特征在于，所述利用小波算法将所述历史风速数据序列分解为多个子序列的公式为：分解信号其中，f(u)为所述历史风速数据序列对应的连续函数，a＝2-j，g＝k2-j，k为分解层数，ψ()为母小波函数；所述对各个所述子序列进行重构的公式为：其中Cψ为相容性参数，且Cψ＜∞。3.如权利要求2所述的方法，其特征在于，所述分解层数k为3，所述子序列的数量为4。4.如权利要求1所述的方法，其特征在于，所述布谷鸟算法优化的神经网络的训练过程包括：随机生成初始种群所述初始种群包括M个鸟巢，为所述初始种群中的第i个鸟巢，所述鸟巢表示一组需要进行训练的神经网络的权值和阈值；每次迭代开始时，按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新，得到其中1≤t≤T；计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度小于的适应度，则将更新到所在的位置，其中为第t-1代种群中第i个鸟巢；生成随机数r∈(0,1)，并比较r和Pa的大小，其中Pa为预设的发现概率；若r＞Pa，则生成一个随机步长，并以所述随机步长更新得到第t代种群若r＜Pa，则按照对中的各个鸟巢进行更新，得到第t代种群其中，随机维数d1∈(1,D)，随机维数d2∈(1,D)，D为鸟巢的维数；计算中各个鸟巢...

【专利技术属性】
技术研发人员：曾云，殷豪，孟安波，黄圣权，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44