一种短期风速预测方法、系统及电子设备

本发明涉及风力发电，尤其是涉及一种短期风速预测方法、系统及电子设备。

背景技术：

1、风力发电是将风的动能转化成电能，近年来，风电大规模地应用于电力系统。事实上，自然界的风具有间歇性和波动性特点，使得风力发电也存在不稳定性和波动性，随着风力发电的快速发展，风电在电网中的占比越来越大，同时也带来了问题与挑战。对风电场进行准确的超短期风速预测，能够降低由于风机的突然切出而造成的电压和频率波动，在风机控制的角度提高了风电并网的能力，对风电场并网操作和风机的控制都有着重要的作用。

2、现有的风速预测方法包括以下几种：持续预测法、时间序列法、卡尔曼滤波法、人工神经网络法和空间相关性法等。当前，研究者对风速预测的研究更为关注，发现单一的算法难以处理预测不断波动的风速变化序列。一、持续预测法将最近的几点数据进行加权作为下一点的风速预测值，但这种方法的预测误差较大，通常作为基准比较方法，来评价其他预测方法的精确度。二、时间序列法，也称arma模型，利用历史数据，通过模型识别、参数估计以及模型检验来建模，推导出预测模型，从而对风速的时间序列进行预测。三、数据量少且预测精度不够高，例如时间序列法的建模信息，数据量少运算简单方便、快速，但对于低阶模型，预测精度往往不够高，而高阶模型的参数估计则难度较大。

3、现有技术中，国内发明专利申请公开号cn 114595858a公开了一种基于滚动时间序列和支持向量机的短期风速预测方法和系统。本发明基于滚动时间序列和支持向量机的短期风速预测方法，其有益效果在于利用空间相重构法，重现了风速的混沌特性，而后结合时间序列模型和支持向量机反应风速序列的线性和非线性特性，提高了风速预测的精度可靠性。但是上述的现有技术并未涉及对原始风速数据的处理分解，以提升预测精度，因此风速预测的精度和稳定性都不高。

技术实现思路

1、本发明的主要目的在于提供一种短期风速预测方法、系统及电子设备，解决了当前对原始风速数据的处理分解不彻底以及风速预测的精度和稳定性都较低的技术问题。

2、为解决上述技术问题，本发明所采用的技术方案是：一种短期风速预测方法，包括以下步骤：

3、s1：获取数据集，对数据进行数据预处理后，按预设比例将所述数据集划分为训练集和测试集；

4、s2：搭建sma-lssvm模型；

5、s3：采用所述训练集进行模型训练，保留最优sma-lssvm模型；

6、s4：采用所述测试集对最优sma-lssvm模型进行预测验证；

7、s5：将待测数据进行所述数据预处理后，输入验证后的最优sma-lssvm模型，获取风速预测结果。

8、优选方案中，sma-lssvm模型中的lssvm模型包括采用非线性映射，并加入风险最小化原则后转化为最优问题，并加入约束条件，引入lagrange函数，建立回归方程，确定核函数后，再引入sma处理获得的最佳的惩罚参数c和核函数参数g，进行回归方程的求解。

9、优选方案中，lssvm模型具体包括：

10、s21：采用非线性映射，将数据从输入空间映射到高维空间，公式为：

11、

12、式中，为非线性映射，x是n维是输入向量，w为特征空间权系数向量，b为偏置向量；

13、s22：根据结构风险最小化原则，模型评估问题转化为优化问题，公式为：

14、

15、式中：c是惩罚参数，表示惩罚对误差值的控制程度，ei为误差参数；

16、s23：引入lagrange乘法算子，转化优化问题，公式为：

17、

18、式中：λi(i＝1,2,,n)为lagrange乘法算子，分别对w，b，e，λ求偏微分；

19、s24：确定核函数，选择高斯核函数作为lssvm核函数，公式为：

20、

21、式中，g为核函数参数；

22、s25：获取最优值后建立回归函数，求解并获得最小二乘支持向量机的回归方程为：

23、

24、优选方案中，所述数据预处理包括：对数据进行归一化后，再进行vmd分解预处理，归一化公式为：

25、

26、式中：x为原始风速数据，xi为经过归一化之后的数据，ymin、ymax分别为归一化范围的下限和上限，xmin和xmax分别为原始风速数据中的最小值和最大值。

27、优选方案中，所述vmd分解预处理包括：

28、构造变分方程，约束条件设为模态之和与原始信号相等；

29、将进行归一化后的数据解除约束条件，并利用所述变分方程进行求解；

30、对数据的vmd更新过程进行求解，获取当前更新精度；

31、在当前更新精度小于预设更新判别精度时，停止更新。

32、优选方案中，所述采用所述训练集进行模型训练，保留最优sma-lssvm模型，包括：

33、设置迭代训练次数；

34、将所述预处理后的所述训练集输入sma-lssvm模型进行迭代训练，直至达到所述迭代训练次数，保存最优sma-lssvm模型；

35、其中，迭代训练包括将上一次训练获得参数支持向量的权重λi和偏执向量b，用于对新的数据进行预测，优化sma-lssvm模型，同时采用均方差mse作为适应度函数，公式为：

36、

37、fmse为适应度值，xi为经过归一化之后的数据，[cmin,cmax]为惩罚参数c的取值范围，[gmin,gmax]为核函数参数g的取值范围。

38、优选方案中，所述采用所述测试集对最优sma-lssvm模型进行预测验证，包括：

39、s41：将所述测试集的数据输入最优sma-lssvm模型，获取预测结果；

40、s42：将预测结果进行反归一化，获取预测结果，反归一化公式为：

41、x＝xi(xmax-xmin)+xmin

42、x为原始风速数据，xi为经过归一化之后的数据，xmin和xmax分别为原始风速数据中的最小值和最大值；

43、s43：对预测结果进行误差分析，采用均方根误差(rmse)和平均绝对百分比误差(mape)进行误差计算，公式分别为：

44、

45、

46、式中：n为样本总数，xi和为t时刻的实际值和预测值；

47、s44：当均方根误差和平均绝对百分比误差均小于各自预设的误差阈值时，则当前模型为最优sma-lssvm模型。

48、一种短期风速预测系统，包括：

49、数据采集模块，用于获取数据集，对数据进行数据预处理后，按预设比例将所述数据集划分为训练集和测试集；

50、模型搭建模块，用于搭建sma-lssvm模型；

51、模型训练模块，用于采用所述训练集进行模型训练，保留最优sma-lssvm模型；

52、模型验证模块，用于采用所述测试集对最优sma-lssvm模型进行预测验证；

53、风速预测模块，用于将待测数据进行所述数据预处理后，输入验证后的最优sma-lssvm模型，获取风速预测结果。

54、一种电子设备，包括存储器以及处理器；

55、所述存储器，用于存储计算机程序，并将所述计算机程序传输给所述处理器；

56、所述处理器，用于运行所述计算机程序，以使所述电子设备执行所述的短期风速预测方法。

57、本发明提供了一种短期风速预测方法，首先对数据集进行预处理及划分，利用训练集对搭建的sma-lssvm模型进行训练，保留最优模型，并采用保留最优模型进行预测验证，最终将待测数据进行数据预处理后，输入验证后的最优模型，获取风速预测结果。本实施例的sma-lssvm模型能够较好的拟合真实数据，具有较高的预测精度，提高了风速预测的精度和稳定性。