[发明专利]一种基于Lorenz系统的风速区间预测方法及系统

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变分模态分解(VMD)，获取去噪序列和噪声余项；

建立长短时神经网络预测模型(LSTM)，对所述去噪序列进行初步预测，获取初步预测结果；

通过定义风速爬坡事件(WSR)和风速爬坡率，对初步预测结果进行修正，获取修正的风速预测结果；

通过Lorenz方程描述大气动力系统对风速的影响，并得到Lorenz扰动序列(LDS)；

通过B样条插值法对LDS进行拟合，并对拟合结果固定置信区间，获取风速扰动区间的上限和下限；

将修正的风速预测结果和风速扰动区间进行求和，获取风速的区间预测结果。

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；

设定分解个数；在确定的分解个数下通过迭代计算包含所有模态的集合和他们的中心频率；获取风速信号的本征模态函数分量和噪声余项；

将风速信号的本征模态函数分量进行重构，获取去噪的风速序列。

3.根据权利要求1所述的短期风速预测方法，其特征在于，所述建立长短时神经网络预测模型，对所述去噪序列进行初步预测，获取初步预测结果，具体过程包括：

将去噪的风速序列根据9∶1的比例划分为训练集和测试集；

设定长短时神经网络的网络结构，包括输入层神经元个数，隐含层神经元个数和输出层神经元个数；

通过将训练集输入长短时神经网络进行训练；

将测试集输入训练好的长短时神经网络，获取风速的初步预测结果。

4.根据权利要求1所述的短期风速预测方法，其特征在于，所述定义风速爬坡事件和风速爬坡率，对初步预测结果进行修正，获取修正的风速预测结果，具体包括：

计算风速梯度；根据风速梯度引入风速爬坡的定义；

当梯度的绝对值大于阈值1，且当前时刻的正梯度增大超过正梯度阈值2或负梯度减小超过负梯度阈值3时，用当前时刻的误差修正下一时刻的风速预测值；

对于阈值1，阈值2和阈值3，将其转化为一个多目标优化问题，以最小化均方根误差为目标，用粒子群算法(PSO)求解该优化问题。

5.根据权利要求1所述的短期风速预测方法，其特征在于，通过Lorenz方程描述大气动力系统对风速的影响，并得到LDS，具体包括：

给定初始条件(0，1，1)，求解Lorenz方程，获取三维LDS；

根据切比雪夫距离，将三维的LDS转化为一维的扰动序列。

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B样条插值法对LDS进行拟合，并对拟合结果固定置信区间，获取风速扰动区间的上限和下限，具体包括：

通过B样条差值对LDS的分布进行拟合，获取B样条差值拟合函数；

分别固定置信区间为90％和98％，计算拟合函数的上下分位数点；

将上分位点设定为区间预测的上限，将下分位点设定为区间预测的下限。

7.根据权利要求1所述的短期风速预测方法，其特征在于，所述将修正的风速预测结果和风速扰动区间进行求和，获取风速的区间预测结果，具体包括：

通过将90％置信区间下的上下分位点加减到修正的风速预测结果上，得到90％置信区间下的风速区间预测结果；

通过将98％置信区间下的上下分位点加减到修正的风速预测结果上，得到98％置信区间下的风速区间预测结果。