【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 series decomposition and gated recurrent unit[j].complex system modelingand simulation,2021,1(4):308-321.]构建了基于自适应噪声完备经验模态分解(ceemdan)、小波分解(wpd)和门控循环单元(gru)的混合深度学习模型，实验结果表明，时间序列分解算法和gru网络显著提高短期风速预
3、随着深度学习的不断发展，学者们对风速预测进行了更加深入的研究。捕捉气象数据中的时空依赖性越来越受到关注。卷积神经网络(cnn)已被广泛用于探索空间相关性，而循环神经网络(rnn)通常用于时间序列的建模。文献[nguyen t h t,phan q b.hourlyday ahead wind speed forecasting based on a hybrid model of eemd,cnn-bi-lstmembedded with ga optimization[j].energy reports,2022,8:53-60.]提出了一种混合深度学习模型用于风速预测，使用ceemdan算法降低原始气象数据中的噪声，然后通过cnn-bilstm提取imf和残差项之间的时空特征，并用遗传算法(ga)进行超参数的优化实验结果表明，该模型具有出色的性能。文献[han y,mi l,shen l,et al.ashort-term wind speedprediction method utilizing novel hybrid deep learning algorithms to correctnumerical weather forecasting[j].applied energy,2022,312:118777.]提出了一种基于时空相关性的风速预测模型，包括ceendan、cnn、bilstm和注意力机制(am)。ceemdan被用于原始风速序列的分解，以减少数据的波动性。cnn用于从这些分解得到的imf中提取复杂的空间特征，并将输出作为bilstm-am的输入，进一步提取时间特征。与单一模型相比，综合应用ceemdan-cnn-bilstm-am模型对风速的预测精度更高。然而，cnn的局部连接特性使其更适合具有良好空间结构的数据，例如具有欧式距离的图像，而实际风速数据中的潜在空间依赖性则不具备这种特点，使用传统的cnn架构无法充分利用实际风速数据中的空间依赖性，从而限制了其预测性能。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此，需要一种时空风速预测方法、装置及介质，在iceemdan分解原始输入序列的基础上，对低频imf直接使用asttn模型进行预测，对高频imf则进行二次分解，然后使用gcn-bilstm模型进行预测，最后将预测结果进行叠加，实现风速的多步预测。实验结果表明，所提出的模型具有更高的预测精度。
2、根据本专利技术的第一方案，提供了一种时空风速预测方法，所述方法包括：
3、将风速序列分解为n个imf；
4、计算每个imf的样本熵，根据样本熵将n个imf整合为m个in-imf，其中m<n。
5、将最高频率的in-imf1二次分解为k个模态；
6、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。
7、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。
8、根据本专利技术的第二技术方案，提供一种时空风速预测装置，所述装置包括：
9、一次分解单元，被配置为将风速序列分解为n个imf；
10、样本熵计算单元，被配置为计算每个imf的样本熵，根据样本熵将n个imf整合为m个in-imf，其中m<n。
11、二次分解单元，被配置为将最高频率的in-imf1二次分解为k个模态；
12、风速预测单元，被配置为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。
13、预测融合单元，被配置为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。
14、根据本专利技术的第三技术方案，提供一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的方法。
15、本专利技术至少具有以下有益效果：
16、1)通过iceemdan分解后的子序列仍具有一定的复杂性，使用vmd进行二次分解能有效提高预测的精度。
17、2)计算每个子序列的样本熵，将样本熵相近的子序列整合，可以有效加快计算速度，缩短建模所需时间。
18、3)单个模型很难对所有子序列做出准确的预测，混合预测模型充分利用了每个单独模型的优势，提高了整体预测的准确性。
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，其特征在于，所述第二模型包括输入层、时空嵌入层、时空注意力块和输出层；
7.根据权利要求6所述的方法，其特征在于，所述时空嵌入层通过如下方法获取时空嵌入：
8.根据权利要求6所述的方法，其特征在于，所述时空注意力块包括两个并行的局部多头注意力模块，通过如下方法同时更新节点在空间和时间域中的嵌入：
9.一种时空风速预测方法装置，其特征在于，所述装置包括：
...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。