本发明专利技术公开了一种风速预测方法、装置、存储介质及处理器。本发明专利技术的风速预测方法包括：采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；采用多个预测模型对目标地区的风速进行预测，得到多个预测结果；确定与多个预测结果一一对应的多个权重；依据多个权重对多个预测结果进行加权融合，获得最终预测结果。本发明专利技术的风速预测方法解决了现有技术中的风速预测方法对不同区域的风速预测的通用性差的问题。
【技术实现步骤摘要】
风速预测方法、装置、存储介质及处理器
本专利技术涉及风力发电
，具体而言，涉及一种风速预测方法、装置、存储介质及处理器。
技术介绍
随着低碳环保理念的逐步深入，风能的开发利用越来越受到国际社会的关注。然而世界各地的风力资源容易受地理、气候和季节等环境因素的影响，风的随机性和间歇性的特点使得风能具有不确定性，这种不确定性给电力系统的调度和调控都带来了巨大的挑战。开展快速、高效、预测准确度高、适应性强的风速预测智能算法研究对于风电场的风速进行预测尤为重要，准确的风速预测可以降低风电运行成本，协助电力部门合理安排调度方案，为市场竞价提供可靠依据，在经济和工程上具有重要的应用价值。目前各种预测方法都是适用于某个具体风电场的，适应性不够强，而且大多数预测方法仅仅能够达到预测的准确性或者稳定性，无法同时兼顾。针对上述的问题，目前尚未提出有效的解决方案。在
技术介绍
部分中公开的以上信息只是用来加强对本文所描述技术的
技术介绍
的理解。因此，
技术介绍
中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在已知的现有技术。
技术实现思路
本专利技术实施例提供了一种风速预测方法、装置、存储介质及处理器，以至少解决现有技术中的风速预测方法对不同区域的风速预测的通用性差的问题。为了实现上述目的，根据本专利技术实施例的一个方面，提供了一种风速预测方法，包括：采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；采用多个预测模型对目标地区的风速进行预测，得到多个预测结果；确定与多个预测结果一一对应的多个权重；依据多个权重对多个预测结果进行加权融合，获得最终预测结果。进一步地，在采用多个不同地区的风速数据对多个神经受控微分方程模型进行训练之前，风速预测方法包括：获取多个不同地区的原始数据；采用变分模态分解算法对多个原始数据进行分解，获得多组IMF分量；各组IMF分量均包括多个频率不同的IMF分量；根据多组IMF分量确定风速数据。进一步地，在获取多个不同地区的原始数据之后，在采用变分模态分解算法对多个原始数据进行分解之前，风速预测方法包括：对原始数据中的多个特征变量进行归一化处理。进一步地，对原始数据中的多个特征变量进行归一化处理，包括：采用公式对各个特征变量进行处理，其中，Amax和Amin分别是特征A的最大值和最小值，pi它们是特征值，p’i是归一化特征值。进一步地，在采用变分模态分解算法对多个原始数据进行分解之前，风速预测方法包括：采用混合灰狼优化算法确定变分模态分解算法的初始化模态分量k和惩罚参数α。进一步地，根据多组IMF分量确定风速数据，包括：采用WPE去混响算法对多组IMF分量进行处理，得到风速数据。进一步地，采用WPE去混响算法对多组IMF分量进行处理，包括：对多组IMF分量的时间序列X进行相空间重构得到多个子序列其中，m为嵌入维数；采用计算各个子序列的权重值ωi，其中，计算各个子序列的各种排列模式的加权概率值根据加权概率值，利用计算各个子序列的加权排列熵WPE值，其中，τ为时延；剔除大于预设值的加权排列熵WPE值对应的IMF分量。进一步地，采用多个预测模型对目标地区的风速进行预测，得到多个预测结果，包括：将各个预测模型中的部分层的权重冻结；根据目标地区的风速对各个预测模型中的其余层的权重进行调节；使用权重调节后的各个预测模型对目标区域的风速进行预测，得到多个预测结果。进一步地，确定与多个预测结果一一对应的多个权重，包括：根据适应度函数选择精英解根据对立学习策略，创建与精英解对应的精英反派学习解从精英解和精英反派学习解库中选择最优解作为多目标蜻蜓优化算法的食物位置，以最劣解作为多目标蜻蜓优化算法的天敌位置；根据食物位置以及天敌位置，利用多目标蜻蜓优化算法计算权重。进一步地，在根据食物位置以及天敌位置，利用多目标蜻蜓优化算法计算权重之后，确定与多个预测结果一一对应的多个权重，还包括：获取Δ＝μ·ΔXt+1＝(rand-0.5)·2rand·ΔXt+1的非劣解；判断权重的更新次数是否达到预设次数；若否，则重复执行根据适应度函数选择精英解与采用Δ＝μ·ΔXt+1＝(rand-0.5)·2rand·ΔXt+1更新权重之间的步骤；若是，判断获取Δ＝μ·ΔXt+1＝(rand-0.5)·2rand·ΔXt+1的非劣解的步骤的执行次数是否达到预设次数；若否，则重复执行位于根据适应度函数选择精英解与获取Δ＝μ·ΔXt+1＝(rand-0.5)·2rand·ΔXt+1的非劣解之间的步骤；若是，则输出最后获取的Δ＝μ·ΔXt+1＝(rand-0.5)·2rand·ΔXt+1的非劣解。根据本专利技术实施例的第二个方面，提供了一种风速预测装置，包括：训练单元，用于采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；预测单元，用于采用多个预测模型对目标地区的风速进行预测，获得多个预测结果；第一确定单元，用于确定与多个预测结果一一对应的多个权重；第一计算单元，用于依据多个权重对多个预测结果进行加权融合，获得最终预测结果。根据本专利技术实施例的第三个方面，提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述的风速预测方法。根据本专利技术实施例的第四个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的风速预测方法。应用本专利技术的技术方案的风速预测方法，先采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；再采用多个预测模型对目标地区的风速进行预测，得到多个预测结果；通过确定与多个预测结果一一对应的多个权重；依据多个权重对多个预测结果进行加权融合，获得最终预测结果。通过使最终预测结果由多个预测模型产生的多个预测结果加权融合形成，只需要调整各个预测结果的权重，即可使最终的预测结果适应不同地区的环境，从而可有效地提高风速预测方法的通用性，提高风速预测方法对不同区域的风速预测的准确性和稳定性，解决了现有技术中的风速预测方法对不同区域的风速预测的通用性差的问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术的风速预测方法的一种可选的实施例的流程示意图；图2是根据本专利技术的风速预测装置的一种可选的实施例的示意图；图3是根据本专利技术的风速预测方法的一种可选的实施例的示意图；图4是根据本专利技术的风速预测方法的一种可选的实施例的权重确定过程的示意图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一本文档来自技高网...
【技术保护点】
1.一种风速预测方法，其特征在于，包括：/n采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；/n采用多个所述预测模型对目标地区的风速进行预测，得到多个预测结果；/n确定与多个所述预测结果一一对应的多个权重；/n依据多个所述权重对多个所述预测结果进行加权融合，获得最终预测结果。/n
【技术特征摘要】
1.一种风速预测方法，其特征在于，包括：
采用多个不同地区的风速数据对多个神经受控微分方程进行训练，获得多个预测模型；
采用多个所述预测模型对目标地区的风速进行预测，得到多个预测结果；
确定与多个所述预测结果一一对应的多个权重；
依据多个所述权重对多个所述预测结果进行加权融合，获得最终预测结果。
2.根据权利要求1所述的风速预测方法，其特征在于，在采用多个不同地区的风速数据对多个神经受控微分方程模型进行训练之前，所述风速预测方法包括：
获取多个不同地区的原始数据；
采用变分模态分解算法对多个所述原始数据进行分解，获得多组IMF分量；各组所述IMF分量均包括多个频率不同的IMF分量；
根据多组所述IMF分量确定所述风速数据。
3.根据权利要求2所述的风速预测方法，其特征在于，在获取多个不同地区的原始数据之后，在采用变分模态分解算法对多个所述原始数据进行分解之前，所述风速预测方法包括：
对所述原始数据中的多个特征变量进行归一化处理。
4.根据权利要求3所述的风速预测方法，其特征在于，对所述原始数据中的多个特征变量进行归一化处理，包括：
采用公式对各个所述特征变量进行处理，其中，Amax和Amin分别是特征A的最大值和最小值，pi它们是特征值，p'i是归一化特征值。
5.根据权利要求2所述的风速预测方法，其特征在于，在采用变分模态分解算法对多个所述原始数据进行分解之前，所述风速预测方法包括：
采用混合灰狼优化算法确定变分模态分解算法的初始化模态分量k和惩罚参数α。
6.根据权利要求2所述的风速预测方法，其特征在于，根据多组所述IMF分量确定所述风速数据，包括：
采用WPE去混响算法对多组所述IMF分量进行处理，得到所述风速数据。
7.根据权利要求6所述的风速预测方法，其特征在于，采用WPE去混响算法对多组所述IMF分量进行处理，包括：
对多组所述IMF分量的时间序列X进行相空间重构得到多个子序列其中，m为嵌入维数；
采用计算各个所述子序列的权重值ωi，其中，
计算各个所述子序列的各种排列模式的加权概率值
根据所述加权概率值，利用计算各个子序列的加权排列熵WPE值，其中，τ为时延；
剔除大于预设值的所述加权排列熵WPE值对应的所述IMF分量。
8.根据权利要求1所述的风速预测方法，其特征在于，采用多个所述预测模型对目标地区的风速进行预测，得到多个...
【专利技术属性】
技术研发人员：梁涛，孙鹤旭，梅春晓，董砚，林涛，雷兆明，刘斌，廖文喆，沙济通，胡雪松，
申请(专利权)人：河北建投新能源有限公司，河北工业大学，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。