[发明专利]一种短期风速预测方法、装置及系统

权利要求书

1.一种短期风速预测方法，其特征在于，包括：

S11：获取经预处理后的风速历史数据；

S12：采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；

S13：将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；

S14：将各个所述预测子结果进行叠加，得到风速预测结果；

其中，所述BP神经网络优化模型的建立过程为：

S21：获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；S22：采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。

2.根据权利要求1所述的短期风速预测方法，其特征在于，所述采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量的过程为：

S121：识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；

S122：分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线d_up(t)和下包络线d_low(t)；

S123：依据所述上包络线和所述下包络线得到包络线平均值d₁(t)；

S124：通过l₁(t)＝x(t)-d₁(t)得到l₁(t)，判断所述l₁(t)是否满足预设条件，如果是，则将所述l₁(t)作为第一数据分量s₁(t)，并进入S125；否则，将所述风速历史数据x(t)更新为所述l₁(t)，并返回S121；

S125：通过r₁(t)＝x(t)-s₁(t)得到风速历史数据的第一剩余分量r₁(t)，判断所述第一剩余分量r₁(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r₁(t)，并返回S121，并重复S121至S125以得到与所述风速历史数据对应的各个数据分量。

3.根据权利要求1所述的短期风速预测方法，其特征在于，所述采用训练样本数据及粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理的过程为：

S221：依据BP神经网络的参数随机初始化种群；

S222：采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：

所述适应度值计算关系式为其中，fit_i为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；

S223：对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群，并计算出所述当前种群中各个当前粒子的适应度值；

S224：若当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；若当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；

S225：判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。

4.根据权利要求1所述的短期风速预测方法，其特征在于，所述风速历史数据的时间分辨率为1小时。

5.根据权利要求1-4任意一项所述的短期风速预测方法，其特征在于，所述参数为BP神经网络的权值和阀值。