[发明专利]一种超短期风速预测方法及装置

说明书

本发明公开了一种超短期风速预测方法及装置，其中方法包括：获取风速时间数据，对风速时间数据进行间隔采样，获得时间序列；将采样获得的时间序列分解为近似序列和细节序列；对近似序列和细节序列的高阶张量进行汉克化处理，获得三阶张量；对三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得低秩高阶时间序列；将核心张量时间序列送入长短期记忆网络进行学习，训练得到最优网络参数，并预测得到未来时刻的二阶核心张量切片；对二阶核心张量切片进行变换处理，获得未来的风速预测值。本发明在数据处理环节先分解一维风速时间序列，获得高频特征和低频特征；有效提高预测能力，可广泛应用于风电场的风速预测领域。

技术领域

本发明涉及风电场的风速预测和经济调度领域，尤其涉及一种超短期风速预测方法及装置。

背景技术

随着风电技术的发展，风能已经成为最具有发展潜力的可再生能源之一。然而，由于风能的非线性、间歇性和混沌性，风能大规模并网可能对电力系统的安全性和稳定性产生很大影响，给能量管理和经济调度造成诸多困难。如果风能的预测值高于实际值，那么电力系统中的旋转备用容量会不足，导致系统无法调节到稳态运行方式；如果风能的预测值低于实际值，那么系统的备用容量会过于充足，导致系统的经济成本增加。为了有效地解决这一问题，学者们在风速预测领域进行了大量的研究，高精度风速预测可为风电场能源调度管理提供有效参考。因此，提出一种能够准确预测风速变化趋势的模型具有重要意义。

在风速预测的历史上，有两种并行的方法，即物理和统计(含机器学习)方法。相较于物理方法，统计方法更适宜用于超短期风速预测，但现有的预测模型，存有以下问题：

(1)以极限学习机(ELM)、自动编码器和循环神经网络为代表的机器学习类统计方法。这些方法之所以流行，是因为它们比其他方法具有更好的准确性或更快的计算速度。然而，对于非线性强的风速数据，由于数值模型自身的拟合能力始终有上限，故预测精度仍然有限。

(2)近年来，人们越来越多地考虑混合模型，因为它们被发现能够最大限度地发挥上述方法的优势，扩大模型拟合能力。但是这一类模型往往忽略了风速数据本身存在的特性，这一类模型的可解释性相对较弱。

(3)另外还提出了一些新的工作来实现高维时间序列预测，尝试从高维挖掘数据非线性的特性，同时提高模型的拟合能力，并加强了模型的可解释性。考虑压缩风速的非线性特性，可以用高维嵌入的方法。这些方法就可以提高预测性能，但计算复杂度较高。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种超短期风速预测方法及装置。

本发明所采用的技术方案是：

一种超短期风速预测方法，包括以下步骤：

获取风速时间数据，对风速时间数据进行间隔采样，获得时间序列；

将采样获得的时间序列分解为近似序列和细节序列；

对近似序列和细节序列的高阶张量进行汉克化处理，获得近似序列对应的三阶张量和细节序列对应的三阶张量

对三阶张量和三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得近似序列对应的低秩高阶时间序列和细节序列对应的低秩高阶时间序列

采样两个长短时记忆网络分别对低秩高阶时间序列和低秩高阶时间序列进行学习和预测，预测获得核心张量和核心张量

将核心张量和核心张量进行还原，并拼接到时间序列和时间序列中，得到张量和张量对张量和张量进行汉克化逆变换处理，获得预测的近似风速f(N₀+1)和细节风速s(N₀+1)，根据近似风速f(N₀+1)和细节风速s(N₀+1)获得预测的风速。