一种风速预测方法、装置及设备与流程

本发明涉及计算机领域，特别涉及一种风速预测方法、装置、设备及计算机可读存储介质。

背景技术

近年来，随着风能的快速发展与利用，风电装机容量急剧上升，全球风电行业蓬勃发展。然而，由于风力发电的间歇性和随机性，将风力发电与传统电网系统相结合面临诸多挑战，包括能源发电规划和涡轮机维护调度，电网系统安全运行和互连标准的变化等。为了减轻风能接入电力系统造成的上述问题，通过可靠的方法进行准确的动态风速预测正变得越来越重要。风速预测是获取准确信息的重要途径，有助于经济负荷调度规划和风力发电量增减量的决策。

目前，文献中大多数模型都集中在点风速预测，这些方法包括物理建模方法nwp(数值天气预报)，时间序列模型，人工智能模型和混合模型。但是，这些模型都具有一些缺点，一方面传统单一的神经网络预测模型易陷入局部最优的问题，不能达到最优的预测效果，另一方面是单一的预测方法很难处理风速数据的高度非线性对预测结果的影响。

可见，传统的预测模型容易陷入局部最优，且处理高度非线性的风速数据比较困难。

技术实现要素：

本发明的目的是提供一种风速预测方法、装置、设备及计算机可读存储介质，用以解决传统的预测模型容易陷入局部最优，且处理高度非线性的风速数据比较困难的问题。

为解决上述技术问题，本发明提供了一种风速预测方法，包括：

确定用于预测的历史风速数据序列；

利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；

利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；

根据各个所述子预测结果，确定最终预测结果。

其中，所述利用小波算法将所述历史风速数据序列分解为多个子序列的公式为：

分解信号其中，f(u)为所述历史风速数据序列对应的连续函数，a＝2^-j，g＝k2^-j，k为分解层数，ψ()为母小波函数；

所述对各个所述子序列进行重构的公式为：

其中cψ为相容性参数，且cψ＜∞。

其中，所述分解层数k为3，所述子序列的数量为4。

其中，所述布谷鸟算法优化的神经网络的训练过程包括：

随机生成初始种群所述初始种群包括m个鸟巢，为所述初始种群中的第i个鸟巢，所述鸟巢表示一组需要进行训练的神经网络的权值和阈值；

每次迭代开始时，按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新，得到其中1≤t≤t；

计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度小于的适应度，则将更新到所在的位置，其中为第t-1代种群中第i个鸟巢；

生成随机数r∈(0,1)，并比较r和pa的大小，其中pa为预设的发现概率；

若r＞pa，则生成一个随机步长，并以所述随机步长更新得到第t代种群

若r＜pa，则按照对中的各个鸟巢进行更新，得到第t代种群其中，随机维数d1∈(1,d)，随机维数d2∈(1,d)，d为鸟巢的维数；

计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度大于的适应度，则将更新到所在的位置；

判断t是否等于t；若不等于，则t＝t+1并继续进行迭代；若等于，则确定所述第t代种群中适应度最大的鸟巢将鸟巢作为所述神经网络的权值和阈值，以完成所述布谷鸟算法优化的神经网络的训练。

其中，所述以所述随机步长更新的公式具体为：

其中，α为步长控制量，l(λ)为随机搜索路径，为点对点乘法。

其中，所述确定用于预测的历史风速数据序列包括：

确定用于预测的历史风速数据序列，并对所述历史风速数据序列进行预处理。

其中，所述根据各个所述子预测结果，确定最终预测结果包括：

对各个所述子预测结果求和，得到最终预测结果。

相对应的，本发明还提供了一种风速预测装置，包括：

确定模块：用于确定用于预测的历史风速数据序列；

分解重构模块：用于利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构；

子预测结果确定模块：用于利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果；

最终预测结果确定模块：用于根据各个所述子预测结果，确定最终预测结果。

此外，本发明还提供了一种风速预测设备，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如上所述的一种风速预测方法的步骤。

最后，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种风速预测方法的步骤。

本发明所提供的一种风速预测方法，能够确定用于预测的风速数据序列，利用小波算法对风速数据序列进行分解和重构，并利用预先训练得到的布谷鸟算法优化的神经网络分别对各个子序列进行预测，得到多个子预测结果，最后根据各个子预测结果确定最终预测结果。可见，该方法根据小波算法能够降低数据波动性的特点，利用小波算法降低了风速数据序列的高度非线性，同时利用经过布谷鸟算法优化神经网络从而有效避免了神经网络陷入局部最优的问题，最终提高了预测精度。

本发明还提供了一种风速预测装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种风速预测方法实施例的实现流程图；

图2为本实施例提供的一种布谷鸟优化的神经网络的训练过程示意图；

图3为本发明提供的一种风速预测装置实施例的结构框图。

具体实施方式

本发明的核心是提供一种风速预测方法、装置、设备及计算机可读存储介质，降低了用于预测的风速数据序列的非线性，还避免了神经网络陷入局部最优的问题，提高了预测精度。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面对本发明提供的一种风速预测方法实施例进行介绍，参见图1，该实施例包括：

步骤s101：确定用于预测的历史风速数据序列。

具体的，可以获取连续4周的风速数据，时间分辨率可以为1h，即一天包含24个数据点。将数据划分为两个子集，分别用于训练和神经网络和预测风速，具体的，可以将前三周的风速数据作为训练样本，也就是用于训练步骤s103中提到的布谷鸟优化的神经网络的样本，将最后一周的风速数据作为预测样本，也就是步骤s101中所提到的历史风速数据序列。

确定历史风速数据序列之后，可以对其进行预处理，以便于进行后续步骤。

步骤s102：利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构。

现有某些分解技术对提高风速预测精度没有很明显的效果，小波算法是一种自适应信号处理技术，它能获取原始序列的适当组件和详细信息，减少了数据序列的非稳定性。具体的，上述利用小波算法将所述历史风速数据序列分解为多个子序列可以分为以下分解个重构两个部分：

分解信号其中，f(u)为所述历史风速数据序列对应的连续函数，a＝2^-j，g＝k2^-j，k为分解层数，ψ()为母小波函数。

所述对各个所述子序列进行重构的公式为：

其中cψ为相容性参数，且cψ＜∞。

本实施例中所述分解层数可以为3，相应的，所述子序列的数量可以为4。

步骤s103：利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果。

具体的，利用布谷鸟优化的神经网络对各个子序列进行提前1h的风速预测，得到子预测结果。

对于步骤s103的具体实现过程，这里先不做展开介绍，下文会对其进行详尽的描述。

步骤s104：根据各个所述子预测结果，确定最终预测结果。

具体可以是通过对各个所述子预测结果求和，得到最终预测结果。

本实施例中采用了布谷鸟算法优化的神经网络来对各个子序列分别进行预测，与常规的神经网络模型相比，采用优化算法优化后的神经网络模型弥补了很多不足，它避免了神经网络的参数陷入局部最优的缺陷，提高了神经网络的泛化能力。有些学者运用了大量的函数进行测试证明布谷鸟算法(cuckoosearch，cs)在某些方面优于粒子群算法和遗传算法，优势体现在：全局搜索能力强、收敛速度快、所含参数少、通用性和鲁棒性、等优点，故cs算法被广泛用于解决许多实际问题。如有些文献将cs优化模型用于股价、风速等预测领域中，使得预测精度有所提高。

参见图2，下面将对步骤s103，也就是布谷鸟算法优化的神经网络的训练过程进行详尽的描述，主要包括以下步骤：

步骤s1031：随机生成初始种群所述初始种群包括m个鸟巢，为所述初始种群中的第i个鸟巢，所述鸟巢表示一组需要进行训练的神经网络的权值和阈值。

步骤s1032：每次迭代开始时，按照莱维飞行原理对第t-1代种群中的各个鸟巢进行更新，得到其中1≤t≤t。

步骤s1033：计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度小于的适应度，则将更新到所在的位置，其中为第t-1代种群中第i个鸟巢。

步骤s1034：生成随机数r∈(0,1)，并比较r和pa的大小，其中pa为预设的发现概率。

步骤s1035：若r＞pa，则生成一个随机步长，并以所述随机步长更新得到第t代种群

具体的，所述以所述随机步长更新的公式具体为：

其中，α为步长控制量，l(λ)为随机搜索路径，为点对点乘法。

步骤s1036：若r＜pa，则按照对中的各个鸟巢进行更新，得到第t代种群其中，随机维数d1∈(1,d)，随机维数d2∈(1,d)，d为鸟巢的维数。

步骤s1037：计算中各个鸟巢的适应度，并比较和的适应度大小，若的适应度大于的适应度，则将更新到所在的位置。

步骤s1038：判断t是否等于t；若不等于，则t＝t+1并继续进行迭代。

步骤s1039：若等于，则确定所述第t代种群中适应度最大的鸟巢将鸟巢作为所述神经网络的权值和阈值，以完成所述布谷鸟算法优化的神经网络的训练。

为证明本实施例有效提高了预测精度，本发明还提供了不同模型的风速预测精度对比试验，具体如下：

用来与本实施例进行对比的包括以下三个方案：单独的神经网络(bp)、布谷鸟算法优化神经网络(cs-bp)、以及改进布谷鸟算法优化神经网络模型(ics-bp)模型。

本实施例方案具体如下：对风速数据序列进行小波分解(wd)，对分解得到的各子序列建立改进布谷鸟算法(ics)优化神经网络(bp)的预测模型进行模型训练与预测，将各子序列的预测结果叠加得到风速实际预测值。图3为wd-ics-bp的预测效果图。

将bp、cs-bp、ics-bp和本实施例方案的预测模型(wd-ics-bp)做误差对比分析，误差对比如表1所示。从表1可以看出，从传统的bp预测，到cs-bp和ics-bp预测，再到wd-ics-bp预测，其预测精度在一步步提高。

表1

综上可知，针对现有的风速预测模型无法处理高度非线性数据，以及容易陷入局部最优的问题。本实施例利用了小波算法作为一种自适应信号处理技术，能获取数据序列的适当组件和详细信息，减少了数据序列的非稳定性的特点，还利用了经改进布谷鸟算法优化的神经网络模型收敛速度更快，提高了神经网络的泛化能力，解决了后期易陷入局部最优的特点，最终提供了一种风速预测方法，利用小波算法对风速数据序列进行分解和重构，并利用预先训练得到的布谷鸟算法优化的神经网络分别对各个子序列进行预测，得到多个子预测结果，最后根据各个子预测结果确定最终预测结果。有效降低了风速数据序列的高度非线性，同时利用经过布谷鸟算法优化神经网络从而有效避免了神经网络陷入局部最优的问题，最终提高了预测精度。该方法可应用于电力系统和新能源发电相关领域的科学研究和工程应用，可提高预测模型的泛化能力和预测精度。

下面对本发明实施例提供的一种风速预测装置实施例进行介绍，下文描述的一种风速预测装置与上文描述的一种风速预测方法可相互对应参照。

参见图3，该装置实施例包括：

确定模块301：用于确定用于预测的历史风速数据序列。

分解重构模块302：用于利用小波算法将所述历史风速数据序列分解为多个子序列，并对各个所述子序列进行重构。

子预测结果确定模块303：用于利用预先训练得到的布谷鸟算法优化的神经网络分别对各个所述子序列进行预测，得到子预测结果。

最终预测结果确定模块304：用于根据各个所述子预测结果，确定最终预测结果。

本实施例提供的一种风速预测装置用于实现前述的一种风速预测方法，因此该装置中的具体实施方式可见前文中的一种风速预测方法的实施例部分，例如，确定模块301、分解重构模块302、子预测结果确定模块303、最终预测结果确定模块304，分别用于实现上述一种风速预测装置中步骤s101，s102，s103，s104。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例提供的一种风速预测装置用于实现前述的一种风速预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。

此外，本发明还提供了一种风速预测设备，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如上所述的一种风速预测方法的步骤。

最后，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种风速预测方法的步骤。

本发明提供的一种风速预测设备以及计算机可读存储介质用于实现前述的一种风速预测方法，因此其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。此外，显然其作用与上述方法的作用也相对应，这里也不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种风速预测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。