[发明专利]一种基于信息处理的短期风速预测方法及系统

权利要求书

1.一种基于信息处理的短期风速预测方法，其特征在于，所述预测方法包括：

获取风电场相关环境因素和历史风速数据；

计算所述环境因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，其中相关性高低由平均影响值的绝对值大小决定；

利用能量差法和PSOEO算法优化变分模态分解方法，获取优化后的变分模态分解方法；

利用所述优化的变分模态分解方法对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量；

利用PSOEO算法优化径向基函数神经网络模型，获取优化后的风速预测模型；

利用所述优化模型，对所述分量序列进行预测，获取所有分量预测结果；

累加计算所述分量预测结果，获取最终风速预测结果。

2.根据权利要求1所述的短期风速预测方法，其特征在于，所述获取风电场相关环境因素和历史风速数据，具体包括：

获取风向、温度、湿度等作为影响风速预测的其他环境因素；

获取采集的历史风速数据，作为主要因素参与预测。

3.根据权利要求1所述的短期风速预测方法，其特征在于，所述计算所述影响因素与风速序列之间的平均影响值，获取与模型输出相关性高的序列作为输入因素，具体包括：

利用径向基函数神经网络训练所述原始影响因素；

重新处理所述因素，加上和减去所述因素序列的10％，得到新的两样本数据集；

对所述两个数据集进行神经网络训练，获取训练结果，并计算差值且进行算例平均处理，获取所述因素与模型输出序列之间的平均影响值；

根据所述平均影响值，获取所述因素中与输出风速相关性高的信息作为预模型输入。

4.根据权利要求1所述的短期风速预测方法，其特征在于，所述首先利用能量差方法优化变分模态分解方法，获取优化后的变分模态分解方法，具体包括：

在带宽约束值一定的条件下，进行当前模态数目下的变分模态分解；

计算当前模态数下各分量的累加和；

循环上述步骤，计算下一模态数目下的分量之和，并与原始风速进行相减处理；

依据所述能量差方法，选取合适的模态数目。

5.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用PSOEO算法优化所述模态数目确定的变分模态分解方法，获取优化后的变分模态分解方法，具体包括：

在所述选取的模态数目条件下，利用PSOEO算法优化参数：适度的带宽约束，具体步骤有：

初始化参数：包括最小、最大速度，每个粒子的初始位置和初始速度，惯性权重，种群规模，最大迭代次数，随机生成初始解；

采用粒子的位置向量来表示所述待优化参数，并计算所述种群中各粒子的适应度函数；寻找所述种群中粒子的个体极值及全局极值；

更新所述全部粒子的速度和位置；

将所述本次迭代中的个体极值与上次迭代中的全局极值进行比较，更新个体极值和全局极值；

根据所述适应度函数值大小对物种排序，选择适应度值最小的物种，按一定概率分布产生随机数来替代所述原有的物种，并更新所述种群，寻找个体极值和全局极值；

如果满足停止准则，则算法停止，输出结果，否则返回更新粒子步骤重新计算。

6.根据权利要求1所述的短期风速预测方法，其特征在于，所述利用所述优化的变分模态分解方法对所述历史风速序列进行分解，将所述非平稳的风速序列转化为相对平稳的若干分量，具体包括：

利用所述改进的分解方法，将所述非平稳的风速序列转化为相对平稳的若干分量，具体步骤有：

通过希尔伯特变换计算每个模态函数的解析信号，得到所述模态函数的单边频谱；所述解析信号乘以预估中心频率，将所述各模态的频谱调制到相应的基频带；

估计所述模态分量的带宽，并构造约束变分模型；

引进二次惩罚因子和拉格朗日乘法算子，将所述约束变分模型变为非约束变分模型；

利用交替方向乘子算法反复迭代，寻找最优的模态函数和中心频率；

满足收敛条件；若满足，获取所述条件下的分解结果；若不满足，调整所述模态分量的中心频率和带宽，直至满足收敛条件，获取所述条件下的分解结果。