【技术实现步骤摘要】
本专利技术涉及一种风速预测方法、系统、设备及存储介质，尤其涉及一种风电厂风速预测方法、系统、设备及存储介质，属于风速预测。
技术介绍
1、风速预测对于风电场的稳定运行、能源管理和减少对电网的冲击具有重要意义。随着全球能源危机的到来，风能作为一种清洁、可再生能源，其发展潜力巨大。然而，风速的随机性、间歇性和不可控性导致风电机组的出力波动性较大，不利于电网系统的安全稳定运行。因此，对风电场风速及功率进行准确预测显得尤为重要。
2、现有技术中；风速预测方法多样，包括物理模型、统计模型、人工智能模型和组合模型。物理模型依赖于气象资料进行建模，适合长期预测但计算量大。统计模型如arima和卡尔曼滤波等，适合简单时间序列预测，但在非线性数据预测方面能力有限。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种能够提高预测准确性的风电厂风速预测方法、系统、设备及存储介质。
2、技术方案：本专利技术所述的一种风电厂风速预测方法，包括：
3、(1)利用改进的能量谷优化算法ievo优化自适应噪声集合经验模态分解ceemdan中的白噪声幅值权重与噪声添加次数，对风电场历史数据进行ceemdan分解；
4、(2)对分解后的数据采用样本熵se进行预处理，降低数据的计算复杂度；
5、(3)对预处理后的数据，引入了启发式策略的随机森林算法rf特征选择进行优化，剔除冗余特征；
6、(4)利用格拉姆角和场gasf将优化后的数据从一维时间
7、(5)将提取的图像特征送入时间序列块变换器patch tst模型进行风速预测，所述patch tst模型中引入基于梯度提升决策树的训练算法gptuner调节模型参数。
8、进一步地，步骤s1所述利用改进的能量谷优化算法ievo优化自适应噪声集合经验模态分解ceemdan中的白噪声幅值权重与噪声添加次数，具体包括：
9、随机生成一组粒子，每一个粒子代表一种候选解，公式如下：
10、
11、式中，x为粒子集；x1，x2，…为粒子集中具有不同稳定水平的粒子；为第i个粒子初始位置的第j个决策变量；n为粒子总数；d为所考虑问题的维度；与分别为i个粒子初始位置的第j个决策变量的下界和上界；rand为在[0，1]范围内均匀分布的随机数；
12、确定粒子的富集界eb，用于考虑富中子粒子和贫中子粒子之间的差异，对每个粒子进行目标函数评价，并确定为粒子的中子富集水平nel，公式如下：
13、
14、式中，eb为粒子的富集界；neli为第i个粒子的中子富集能级；
15、根据目标函数评价，确定粒子的稳定水平如下，公式如下：
16、
17、式中，sli为第i个粒子的稳定水平；bs和ws为所有粒子中稳定水平最佳和最差的粒子，其稳定水平分别为目前所发现的目标函数值的最小值和最大值；
18、粒子衰变，根据粒子的稳定水平不同，对应不同的衰变方式，具体的：
19、当粒子的稳定水平高于稳定界(sli>sb)，则发生α与γ粒子衰变：
20、所述α粒子衰变：
21、
22、式中，为搜索空间中xi新生成的粒子；xi′为搜索空间中第i个粒子的当前位置向量；xbs为稳定性等级最好的粒子的位置向量；alpha indexii表示的是α的指数在[1，ii]内随机生成的整数，ii的取值范围为[1，i]，i∈[1，d]；
23、所述γ粒子衰变：
24、
25、式中，为第i个粒子与第k个相邻粒子之间的总距离；(x1，y1)与(x2，y2)表示粒子在搜索空间中的坐标；为搜索空间中xi新生成的粒子；xng为粒子周围邻近粒子的位置向量；gamma indexii表示的是γ的指数在[1，ii]内随机生成的整数，ii的取值范围为[1，i]，i∈[1，d]；
26、当sli<sb，则粒子的稳定水平低于稳定界，判断发生了β衰变：
27、
28、式中，xcp是粒子中心的位置向量；为搜索空间中xi新生成的粒子；xi′为搜索空间中第i个粒子的当前位置向量；n为粒子总数；xbs是稳定水平最好的粒子的位置向量；sli是第i个粒子的稳定水平；r1与r2是两个在[0,1]范围内的随机数；
29、对采用β衰变的粒子进行另一个位置更新过程：
30、
31、式中，为搜索空间中xi新生成的粒子；xi′为搜索空间中第i个粒子的当前位置向量；xbs是稳定水平最好的粒子的位置向量；xng为粒子周围邻近粒子的位置向量；r3与r4是决定粒子移动量的两个[0,1]范围内的随机数；
32、当neli≤eb，则粒子的中子富集水平低于富集界，粒子倾向于通过电子捕获或正电子发射向稳定带移动：
33、
34、式中，为搜索空间中xi新生成的粒子；xi′为搜索空间中第i个粒子(候选解)的当前位置向量；r是一个在[0,1]范围内的随机数；
35、在evo主循环结束时，如果粒子的富集水平高于富集界限，则每个粒子只生成两个新位置向量，分别为和当富集水平低于或等于富集界限，则只生成作为新的位置向量；在每个状态下，新生成的向量与当前种群合并，最佳粒子参与算法的下一个搜索循环；对于超出预定义上界和下界的决策变量，确定边界违例标志；
36、将目标函数求值的最大次数或迭代的最大次数作为终止条件；
37、ceemdan中的白噪声幅值权重ε与噪声添加次数k分别从最终生成的粒子集x中选出各自的最优值；
38、在算法中引入衰变概率，公式如下：
39、
40、式中，是第i个粒子在第g次迭代的衰变概率；是第i个粒子在第t+1次迭代的衰变概率；δ是衰变概率调整的步长；sli为第i个粒子的稳定水平；sb为稳定界。
41、进一步地，步骤s1所述对风电场历史数据进行自适应噪声集合经验模态分解，包括：
42、(11)选择噪声水平和迭代次数；
43、(12)向待分解的风电场历史数据信号添加a次高斯白噪声，生成新的信号序列，公式如下：
44、xa(t)＝x(t)+εδa(t)
45、式中，x(t)为原始数据信号；xa(t)为添加第a次噪声后的信号，其中a＝1,2,...,a；ε为高斯白噪声幅值权重，δa(t)为第a次处理时产生的高斯白噪声，t为时间变量；
46、(13)对每个带噪声的信号xa(t)进行emd分解，将分解得到第一个imf分量取其均值作为ceemdan分解得到的第一个imf分量，公式如下：
47、
48、r1(t)＝x(t)-imf1(t)
49、式中，imf1(t)表示ceemdan分解得到的第一个模态分量；a为添加噪声的次数；为本文档来自技高网...
【技术保护点】
1.一种风电厂风速预测方法，其特征在于，包括：
2.根据权利要求1所述的风电厂风速预测方法，其特征在于，步骤S1所述利用改进的能量谷优化算法IEVO优化自适应噪声集合经验模态分解CEEMDAN中的白噪声幅值权重与噪声添加次数，具体包括：
3.根据权利要求1所述的风电厂风速预测方法，其特征在于，步骤S1所述对风电场历史数据进行自适应噪声集合经验模态分解，包括：
4.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(2)包括：
5.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(3)包括：
6.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(4)包括：对优化后的数据数据进行归一化预处理，然后通过计算每个数据点的反余弦值生成极坐标完成坐标转换，通过格拉姆矩阵计算不同时刻之间的夹角之和来生成二维图像，获取一维时间序列数据中所缺少的空间关系特征，基于生成的二维图像，采用二维卷积网络2DCNN提取图像特征作。
7.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(5)包
8.一种风电厂风速预测系统，其特征在于，包括：
9.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，所述程序存储在存储器中并被配置为由处理器执行，所述程序被加载至处理器时实现根据权利要求1至7任一项所述的风电厂风速预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行根据权利要求1至7任一项所述的风电厂风速预测方法的步骤。
...【技术特征摘要】
1.一种风电厂风速预测方法，其特征在于，包括：
2.根据权利要求1所述的风电厂风速预测方法，其特征在于，步骤s1所述利用改进的能量谷优化算法ievo优化自适应噪声集合经验模态分解ceemdan中的白噪声幅值权重与噪声添加次数，具体包括：
3.根据权利要求1所述的风电厂风速预测方法，其特征在于，步骤s1所述对风电场历史数据进行自适应噪声集合经验模态分解，包括：
4.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(2)包括：
5.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(3)包括：
6.根据权利要求1所述的风电厂风速预测方法，其特征在于，所述步骤(4)包括：对优化后的数据数据进行归一化预处理，然后通过计算每个数据点的反余弦值生成极坐标完成坐标转换，通...
【专利技术属性】
技术研发人员：马常纹，张楚，彭甜，姚君豪，黄小龙，张志荣，何睿，张鑫玉，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
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。