[发明专利]一种短期风速预测方法及装置

权利要求书

1.一种短期风速预测方法，其特征在于，包括：

对采集的风电场风速数据进行预处理；

对预处理后的风速数据进行经验模态分解；

对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果；

所述对预处理后的风电场风速数据进行经验模态分解包括：

获取风速数据的所有局部极大值点和局部极小值点，并按采集时间顺序进行排序得到风速数据序列；

分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线，并根据上、下包络线的均值得到均值曲线；

首次分解过程中，判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；

非首次分解过程中，判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为非首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；

当达到预设分解次数后，得到所有IMF分量和残差值；

所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。

2.如权利要求1所述的方法，其特征在于，所述采集的风电场风速数据包括实时测风数据；所述实时测风数据的频率为15min/点，数据长度≥1个月。

3.如权利要求1所述的方法，其特征在于，所述对采集的风电场风速数据进行预处理，包括：

删除风速数据中小于0的风速值，删除风速数据中大于预设值的风速值，删除风速数据中因输入错误产生的值；

对齐时间刻度，无数据时通过上下数据取平均值补齐数据，将补齐后的风速数据按小时平均得到小时平均风速。

4.如权利要求1所述的方法，其特征在于，所述分解后的数据包括IMF分量和残差值；

所述对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而确定未来风速预测结果，包括：

对分解后的IMF分量和残差值进行ADF平稳性校验，若满足预设置信区间要求，则IMF分量和残差值通过平稳性校验，否则未通过平稳性校验；

采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计，得到通过平稳性校验的IMF分量和残差值的预测值；

将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型，得到未通过平稳性校验的IMF分量和残差值的预测值；

将所有imf分量和残差值的预测值进行加和，得到未来风速预测结果。

5.如权利要求4所述的方法，其特征在于，所述elman神经网络模型的训练方法包括：

计算未通过平稳性校验的imf分量和残差值的自相关系数；

根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn，进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn，确定elman神经网络模型的输入数据X_i–k1、X_i–k2……X_i–kn；

利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数，直至网络损失函数收敛或达到预设迭代次数，得到训练好的elman神经网络模型。