时空风速预测方法、装置及介质制造方法及图纸

本发明专利技术公开了一种时空风速预测方法、装置及介质，所述方法包括：将风速序列分解为n个模态分量(IMF)；计算每个IMF的样本熵，并根据样本熵将n个IMF整合为m个In‑IMF，其中m<n。将最高频率的In‑IMF<subgt;1</subgt;二次分解为k个模态；基于一次分解和二次分解得到的所有子序列分别建立第一模型和第二模型，并进行预测。将经过第一模型和第二模型得到的每个子序列的预测值合并，得到最终的预测结果。本发明专利技术可以解决风速复杂的时空相关性和非线性使得风速预测的准确性始终不理想的问题，实验表明，本发明专利技术能够有效提高风速预测的准确性。

【技术实现步骤摘要】

本专利技术属于风速预测，更具体地，涉及一种时空风速预测方法、装置及介质。

技术介绍

1、随着化石能源的枯竭和环境污染的进一步加剧，风能作为一种清洁的可再生能源，受到世界各国的重视。由于风能具有随机性和间歇性的特点，风电的大规模接入会对电力系统的稳定性产生巨大影响。因此，准确预测风速对于风电相关部门提前制定合理的调度和维护计划至关重要。

2、近年来，一些学者将人工智能应用于风速预测，并通过不断发展和创新来提高预测精度。时间序列分解算法和时间序列模型结合能有效的提高风速预测的精度。文献[王俊,李霞,周昔东,等.基于vmd和lstm的超短期风速预测[j].电力系统保护与控制,2020,48(11):45-52.]构建了基于变分模态分解(vmd)和长短期记忆网络(lstm)的超短期风速预测模型，并在超短期风速预测方面表现出了良好的性能。文献[wang c,liu z,wei h,etal.hybrid deep learning model for short-term wind speed forecasting based ontime serie本文档来自技高网...

【技术保护点】

1.一种时空风速预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述将风速序列分解为n个IMF，具体包括：

3.根据权利要求1所述的方法，其特征在于，所述计算每个IMF的样本熵，并根据样本熵将IMF整合为m个In-IMF，具体包括：

4.根据权利要求1所述的方法，其特征在于，所述将最高频率的In-IMF1二次分解为k个模态，具体包括：

5.根据权利要求1所述的方法，其特征在于，所述第一模型使用前向和后向LSTM来提取序列的特征，计算过程如式(16)和式(17)：

6.根据权利要求1所述的方法，其特...

【技术特征摘要】

1.一种时空风速预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述将风速序列分解为n个imf，具体包括：

3.根据权利要求1所述的方法，其特征在于，所述计算每个imf的样本熵，并根据样本熵将imf整合为m个in-imf，具体包括：

4.根据权利要求1所述的方法，其特征在于，所述将最高频率的in-imf1二次分解为k个模态，具体包括：

5.根据权利要求1所述的方法，其特征在于，所述第一模型使用前向和后向lstm来提取序列的特征，计算过程如式(16)和式(17)：

6.根据权利要求1所...

【专利技术属性】
技术研发人员：贵向泉，曹洁，张聚礼，张建林，陈作汉，李立，孟攀龙，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：