[发明专利]一种基于Lorenz系统的风速区间预测方法及系统

说明书

本发明公开一种基于Lorenz系统的风速区间预测方法及系统。该预测方法包括：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；本发明的风速区间预测方法或系统显著提高了预测模型的精度和可靠性，可获得高精度预测结果。

技术领域

本发明涉及风速预测领域，特别是涉及一种基于Lorenz系统的风速区间预测方法及系统。

背景技术

近年来，全球能源形势日趋严峻，能源需求不断增大。作为一种清洁可再生能源，风能在世界各地的新能源应用方面备受关注，风力发电并网技术已成为国际研究的热点。国际能源署(IEA)报告称，预计2019年风力发电量将增加3.25亿千瓦。然而，风的波动往往会导致风电一体化后电力系统的不稳定。因此，有效的风速预测可以促进风电行业的智能化发展，准确的风速预测是风电大规模开发利用的重要前提。

发明内容

本发明的目的是提供一种基于Lorenz系统的风速区间预测方法及系统，用以获得高精度预测结果的同时提高预测模型的可靠性。

为实现上述目的，本发明提供了如下方案：

一种基于Lorenz系统的风速区间预测方法，所述方法包括：

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。

可选的，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。

可选的，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。

可选的，对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；