[发明专利]一种短期风速预测方法

说明书

本发明公开了一种短期风速预测方法，其特征在于，包括以下步骤：步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；步骤二、利用改进的变分模态分解将原始风速时间序列分解为多个分量；步骤三、采用双向长短期记忆神经网络组件对分量进行预测，得到预测结果；步骤四、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明通过采用改进的VMD分解算法，对风速时间序列进行分解，采用BiLSTM方法分别对风速时间序列的分量进行单步预测，能有效提高短期风速模型的预测精度。

技术领域

本发明涉及一种短期风速预测方法，尤其涉及一种基于IVMD-BiLSTM (IVMD为改进的变分模态分解；BiLSTM为双向长短期记忆神经网络)模型的短期风速预测方法，属于短期风速预测技术领域。

背景技术

近年来，随着能源消耗的快速增长，传统能源的供给已无法支撑经济发展的能源的需求。根据《BP World Energy Outlook 2018》的中文版，到2040年，全球能源需求将增长约三分之一，而可再生能源是增长最快的能源。随着传统能源的减少，新一代的能源革命正在蓬勃发展，作为可再生能源的风能正在迅速发展。全球风能理事会(GWEC)发布了《2018年全球风电发展报告》。报告指出，在全球风电行业，新装机容量为51.3GW，比2017年下降4％，累计装机容量为 519GW，比2017年增长9％。陆上设施在2017年和2018年分别占45％和40％。

风能是可再生能源发电的重要组成部分之一，但风能具有随机性，波动性，间歇性和不确定性的特点，影响着风力发电机和并网风电的稳定性。因此，准确、可靠的风速预测有助于降低风电的运行成本，提高风电系统的稳定性。

VMD(变分模态分解)算法是一种自适应、准正交且完全非递归的分解方法，它基于经典的维纳滤波，希尔伯特变换和混合频率的变分问题。VMD将信号分解为具有有限带宽的本征模式函数(IMF)，并提取相应IMF的中心频率，从而使模式在中心频率附近波动。普通的VMD的分解效果很大程度依赖于K值的选取，本文提出一种自适应确定K值的方法，通过CEEMADAN(完整集成经验模态分解) 分解获取最佳K值，并将K值赋值给VMD算法，从而获取最佳的分解效果。

双向长短期记忆神经网络(BiLSTM)是一种特殊的RNN(循环神经网络)，它对于解决长期和短期依赖问题是稳定而有力的。它已经被广泛用于语音识别、语言建模、情感分析和文本预测等方面。

单一人工智能模型在短期风速预测领域取得了不错的成果，但单一机器学习模型仍不足以获取短期风速时间序列的整体特征，仍存在很大的提升空间。另外，风速时间序列的非线性和非平稳性也对风速预测结果产生一定的影响，导致其最终的预测精度难以提高。

发明内容

本发明要解决的技术问题是：如何消除风速时间序列的非线性和非平稳性的干扰，并进一步提高风速预测模型的预测精度。

为了解决上述技术问题，本发明的技术方案是提供了一种短期风速预测方法，其特征在于，包括以下步骤：

步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；

步骤二、利用改进的变分模态分解将原始风速时间序列分解为多个分量；

步骤三、采用双向长短期记忆神经网络组件对分量进行预测，得到预测结果；

步骤四、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。

优选地，所述的步骤一中，对风速数据的描述性数据进行统计，根据统计结果分别将各组所述原始风速时间序列分为训练样本和测试样本。

优选地，所述的步骤二中，利用改进的变分模态分解对原始风速时间序列进行分解，改进的变分模态分解的算法如下：

①对于每种模式，通过希尔伯特变换计算相关的分析信号以获得单边频谱；