[发明专利]一种基于风速特性的短期风速预测方法及系统

权利要求书

1.一种基于风速特性的短期风速预测方法，其特征在于，所述预测方法包括：

获取原始风速序列；对所述风速序列进行奇异值分解，获取去噪序列和噪声余项；

根据模态数优化方法获取对所述去噪序列进行变分模态分解的最优模态数；

根据最优模态数的变分模态分解方法，对所述去噪序列进行分解，获取若干分量序列；

获取影响风速预测的其他环境因素，利用改进的平均影响值法获取所述环境因素中与输出风速相关性高的信息，并结合所述分量序列或余项建立长短期记忆网络模型；

通过改进的极值优化算法优化网络模型，获取优化后的预测模型；

通过所述预测模型对多个所述分量序列进行预测，获取分量预测结果；

通过所述预测模型对所述噪声余项进行预测，获取余项预测结果；

累加各分量和余项预测结果，获取风速预测结果。

2.根据权利要求1所述的短期风速预测方法，其特征在于，所述获取去噪序列和噪声余项，具体包括：

获取原始风速数据；

对所述风速序列构造Hankel矩阵，通过奇异值分解法获取所述Hankel矩阵的奇异值，并对所述奇异值进行从大到小排序；获取上述奇异值的差分谱；

根据所述奇异值差分谱中的最大突变点确定有效奇异值个数，并对所述风速信号进行重构，获取去噪信号和噪声余项。

3.根据权利要求1所述的短期风速预测方法，其特征在于，所述获取对所述去噪序列进行变分模态分解的最优模态数，具体过程包括：

对所述去噪序列构造当前模态数下的约束变分模型；

引入二次惩罚因子和Lagrange乘法算子，将所述约束性问题变为非约束性问题；

通过傅里叶等距变换等过程，实现所述信号的自适应分解；迭代更新，判断模态分量的傅里叶变换是否满足收敛条件；若是，获取该模态数条件下的分解结果；若否，调整所述模态分量的中心频率和带宽，直至所述模态分量的傅里叶变换满足收敛条件，获取所述信号的分解结果。

计算当前模态数下各分量的能量和；

循环上述步骤，计算相邻模态数条件下的能量差，能量差明显增大时所对应的模态数即为获取的变分模态分解的最优模态数。

4.根据权利要求1所述的短期风速预测方法，其特征在于，根据最优模态数的变分模态分解，对所述去噪序列分解获取若干分量序列，具体包括：

对所述去噪序列构造最优模态数条件下的约束变分模型；

引入二次惩罚因子和Lagrange乘法算子，将所述约束性问题变为非约束性问题；

通过傅里叶等距变换等过程，实现所述信号的自适应分解；迭代更新，判断所述模态分量的傅里叶变换是否满足收敛条件；若是，获取所述信号的分解结果；若否，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述信号的若干分量序列。

5.根据权利要求1所述的短期风速预测方法，其特征在于，获取影响风速预测的其他环境因素，利用改进的平均影响值法获取所述环境因素中与输出风速相关性高的信息，并结合所述分量序列或余项建立长短期记忆网络模型，具体包括：

获取影响风速预测的风向、温度等其他环境因素，对所环境因素建立径向基函数神经网络模型；

所述各环境因素加上和减去10％，获取新的样本；对所述样本进行径向基神经网络训练，并获取所述因素与模型输出变量之间的平均影响值；

根据所述平均影响值，获取所述环境因素中与输出风速相关性高的信息；对上述信息进行归一化处理，获取无量纲的数据集；

获取所述数据集的相关系数矩阵以及累计方差贡献率，选出累计方差贡献率大于85％的所有主成分；

所述主成分结合所述分量序列或余项建立长短期记忆网络模型。

6.根据权利要求1所述的短期风速预测方法，其特征在于，所述通过改进的极值优化算法优化长短期记忆网络模型，获取优化后的预测模型，具体包括：

通过改进的极值优化算法优化所述长短期记忆网络模型，获取最优初始化模型参数；

通过所述最优初始化参数确定长短期记忆网络模型，得到优化后的长短期记忆网络预测模型。