[发明专利]一种时态分析的超短期风速预测方法

权利要求书

1.一种时态分析的超短期风速预测方法，其特征在于，所述方法包括：

S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；

S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量，包括：

对K个类别的风速序列数据集合中任意第k个类别的风速序列数据进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：

S21：将风速序列数据转换为轨迹矩阵：

其中：

表示风速序列数据中的第个风速数据，表示风速序列数据中风速数据的总数；

表示轨迹矩阵的轨迹窗口大小，；

S22：计算矩阵，其中T表示转置；

S23：计算矩阵的协方差矩阵：

S24：计算得到协方差矩阵的第u个特征值：

其中：

I表示单位矩阵；

选取所计算得到的协方差矩阵最大的N个特征值，其中，特征值所对应的特征向量为：

S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值所对应尺度的风速序列数据分解分量为：

所述构建得到的r个尺度的风速序列数据分解分量集合为：；

S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：

其中：

表示风速序列数据的残余分量；

所述风速序列数据的多尺度谱密度分解结果为：

所述K个类别的风速序列数据的多尺度谱密度分解结果为；

S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；

S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；

S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。

2.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中采集原始风速序列数据，包括：

利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：

其中：

表示采集到时刻的风速数据。

3.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：

对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：

S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据中未被选取的n-k个时刻的风速数据；

S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；

S13：计算每个聚类簇中非中心点到其他点的距离和；

S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；

S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；

重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的风速序列数据集合，表示第k个类别的风速序列数据，其中每个类别的风速序列数据包含若干个时刻的风速数据，按照时序顺序对风速进行排序，得到该类别的风速序列数据。