[发明专利]一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法

权利要求书

1.一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，所述方法包括以下步骤：

步骤1：采集风速的历史数据，具体是此步骤是获取某地D天内，设定时间间隔的轮毂高度风速(m/s)，共计N个数据；

步骤2：对原始风速序列利用改进的奇异谱分析进行分解；

步骤3：对分解得到的子序列划分训练集，并建立Bp神经网络模型完成训练；

步骤4：分别用训练好的模型对子序列进行多步预测，具体是：将预测初始时刻最近的n个历史风速值作为输入，根据训练好的神经网络预测第一步的风速值；把第一步的风速预测值当作已知量，同时将输入向前推一个，作为神经网络的新输入，预测第二步的风速值；依次进行预测，就可以完成风速序列的多步预测；

步骤5：组合所有子序列的多步预测结果完成风速的多步预测并进行预测结果评价，评价指标包括：

均方根误差(RMSE)：

平均绝对误差(MAE)：

平均绝对百分比误差(MAPE)：

2.根据权利要求1所述的一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，步骤2中改进的奇异谱分析具体包括：

步骤2.1、构造轨迹矩阵，定义原始风速序列x＝[x₁,x₂,…,x_N]^T，其中，N为风速序列长度，定义窗口长度为L(1＜L＜N/2)；轨迹矩阵X被表示如下；

步骤2.2、奇异值分解，对矩阵XX^T进行奇异值分解得到L个按照从大到小排列的特征值λ_i(i＝1,2,…,L)，即λ₁≥λ₂≥…≥λ_L，同时可以得到特征值λ_i对应的左右特征向量u_i和v_i；定义则轨迹矩阵X可以表示为，

步骤2.3、去噪，利用奇异熵判断序列的噪声；奇异熵是将奇异值代入信息熵来计算信息量，奇异熵增量的具体公式为，

其中，k表示奇异熵的阶数，ΔE_k表示在k阶处奇异熵的增量；

基于奇异熵理论，噪声的提取顺序取决于奇异熵的增量是否减小到一个稳定值；如果奇异熵的增量在第M阶变得稳定，则说明，从1阶到M阶的奇异值主要包含有效信息，而随后的奇异值与噪声有关；本发明正是以此为依据，将所有分成不相关的M+1个组，前M组包含主要信息，M+1组包含所有噪声并去除，即将小于λ_M的特征值对应的直接去除；即，

其中，m＝1,2,…,M(M≤L)；

步骤2.4、重构信号，利用对角平均法将转换SSA分量的形式，y_m＝[y_1,m,y_2,m,…,y_N,m]^T是所得一维SSA分量，即风速SSA分解去噪后所得的第m个子序列；叠加所有子序列就可以重构去除噪声后的原始风速序列x；叠加所有的子序列预测结果就可以得到风速序列的预测结果；

其中，分别表示y_m和x的预测值。

3.根据权利要求1所述的一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，步骤3的Bp神经网络包含输入层、隐含层、输出层3个部分。