一种超短期风速预测方法及装置

1.本发明涉及风电场的风速预测和经济调度领域，尤其涉及一种超短期风速预测方法及装置。


背景技术：

2.随着风电技术的发展，风能已经成为最具有发展潜力的可再生能源之一。然而，由于风能的非线性、间歇性和混沌性，风能大规模并网可能对电力系统的安全性和稳定性产生很大影响，给能量管理和经济调度造成诸多困难。如果风能的预测值高于实际值，那么电力系统中的旋转备用容量会不足，导致系统无法调节到稳态运行方式；如果风能的预测值低于实际值，那么系统的备用容量会过于充足，导致系统的经济成本增加。为了有效地解决这一问题，学者们在风速预测领域进行了大量的研究，高精度风速预测可为风电场能源调度管理提供有效参考。因此，提出一种能够准确预测风速变化趋势的模型具有重要意义。
3.在风速预测的历史上，有两种并行的方法，即物理和统计(含机器学习)方法。相较于物理方法，统计方法更适宜用于超短期风速预测，但现有的预测模型，存有以下问题：
4.(1)以极限学习机(elm)、自动编码器和循环神经网络为代表的机器学习类统计方法。这些方法之所以流行，是因为它们比其他方法具有更好的准确性或更快的计算速度。然而，对于非线性强的风速数据，由于数值模型自身的拟合能力始终有上限，故预测精度仍然有限。
5.(2)近年来，人们越来越多地考虑混合模型，因为它们被发现能够最大限度地发挥上述方法的优势，扩大模型拟合能力。但是这一类模型往往忽略了风速数据本身存在的特性，这一类模型的可解释性相对较弱。
6.(3)另外还提出了一些新的工作来实现高维时间序列预测，尝试从高维挖掘数据非线性的特性，同时提高模型的拟合能力，并加强了模型的可解释性。考虑压缩风速的非线性特性，可以用高维嵌入的方法。这些方法就可以提高预测性能，但计算复杂度较高。


技术实现要素：

7.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种超短期风速预测方法及装置。
8.本发明所采用的技术方案是：
9.一种超短期风速预测方法，包括以下步骤：
10.获取风速时间数据，对风速时间数据进行间隔采样，获得时间序列；
11.将采样获得的时间序列分解为近似序列和细节序列；
12.对近似序列和细节序列的高阶张量进行汉克化处理，获得近似序列对应的三阶张量和细节序列对应的三阶张量
13.对三阶张量和三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得近似序列对应的低秩高阶时间序列和细节序列对应的低秩高阶
时间序列
14.采样两个长短时记忆网络分别对低秩高阶时间序列和低秩高阶时间序列进行学习和预测，预测获得核心张量和核心张量
15.将核心张量和核心张量进行还原，并拼接到时间序列和时间序列中，得到张量和张量对张量和张量进行汉克化逆变换处理，获得预测的近似风速f(n0+1)和细节风速s(n0+1)，根据近似风速f(n0+1)和细节风速s(n0+1)获得预测的风速。
16.进一步，所述对近似序列和细节序列的高阶张量进行汉克化处理，获得近似序列对应的三阶张量和细节序列对应的三阶张量包括：
17.将近似序列f(t)和细节序列s(t)均看作1
×
n0大小的一阶张量f和一阶张量s，进行单路延迟嵌入变换，获得二阶张量f和二阶张量s；
18.将二阶张量f沿着第二个维度进行分割，获得多个不同时刻的一阶张量切片f(t)，计算多个一阶张量切片f(t)与待预测样本的欧式距离，划分欧式距离最小的m个一阶张量切片进入同一个样本空间，对所述样本空间中的一阶张量切片按照距离从大到小的顺序重新排列成二阶张量fr；
19.对二阶张量fr和二阶张量s进行单路延迟嵌入变换，获得近似序列对应的三阶张量和细节序列对应的三阶张量
20.进一步，所述将近似序列f(t)看作1
×
n0大小的一阶张量f，进行单路延迟嵌入变换，获得二阶张量f，包括：
21.将近似序列f(t)看作1
×
n0大小的一阶张量f，f＝[f(1),f(2),...,f(t),...,f(n0)]，时刻t＝1,2,
…
,n0；
[0022]
选择嵌入变换的延迟时间τ1，构造唯一复制矩阵
[0023]
进行单路延迟嵌入变换，获取二阶张量f，其中，单路延迟嵌入变换表示为一阶张量f与唯一复制矩阵d1的1-mode张量乘积再折叠的结果；
[0024]
折叠后获得的近似二阶张量f的形式如下：
[0025][0026]
进一步，所述将二阶张量f沿着第二个维度进行分割，获得多个不同时刻的一阶张量切片f(t)，计算多个一阶张量切片f(t)与待预测样本的欧式距离，划分欧式距离最小的m个一阶张量切片进入同一个样本空间，对所述样本空间中的一阶张量切片按照距离从大到小的顺序重新排列成二阶张量fr，包括：
[0027]
将近似二阶张量f沿着第二个维度按时刻切片，得到(n
0-τ1+1)个一阶张量切片f(t)＝[f(t)f(t+1)
…
f(t+τ1)]
t
,t＝1,2,...,n
0-τ1+1；
[0028]
基于欧几里得距离理论，将不同时刻的f(t)跟待预测样本f(n
0-τ1+1)进行欧氏距
离计算，其中计算公式如下：
[0029][0030]
划分待预测样本f(n
0-τ1+1)距离最小的m个一阶张量切片进入重组空间，进行重新排序；
[0031]
与待预测样本f(n
0-τ1+1)距离最小的m个一阶张量切片，按照距离从大到小重新排序；
[0032]
其中，当m＝79时，重新排列得到的二阶张量fr为：
[0033][0034]
进一步，所述对二阶张量fr进行单路延迟嵌入变换，获得近似序列对应的三阶张量包括：
[0035]
获取嵌入变换的延迟时间τ2，构建二阶张量fr对应的唯一复制矩阵
[0036]
根据二阶张量fr和唯一复制矩阵d
21
的2-mode张量乘积折叠，实现第二次单路延迟嵌入变换后，获得近似序列对应的三阶张量
[0037]
其中，三阶张量的形式如下：
[0038][0039]
进一步，所述对三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得近似序列对应的低秩高阶时间序列包括：
[0040]
将三阶张量沿着时序维度按时刻切片，得到(80-τ2+1)个二阶张量切片
[0041]
对二阶张量切片进行d阶差分计算，获得差分二阶张量切片和二阶张量切片集合
[0042]
通过正交因子矩阵集合将近似二阶张量切片集合投影到近似核心张量集合其中，因子矩阵具有正交列特性，n等于张量切片的阶数，ε是塔克分解的误差值；
[0043]
采用增广拉格朗日法求解ε最小的优化问题
[0044]
通过塔克分解获得每一个时刻的二阶核心张量集合按照原时序排列获得近似序列对应的低秩高阶时间序列
[0045]
进一步，所述采样两个长短时记忆网络分别对低秩高阶时间序列和低秩高阶
时间序列进行学习和预测，预测获得核心张量和核心张量包括：
[0046]
将低秩高阶时间序列和看作三个维度分别为时延、相似度或时延、时序的高阶时间序列，设置预测样本的输入长度l，即每个样本为划分输出标签，即每个标签为对低秩高阶时间序列和分别使用长短时记忆网络进行训练；
[0047]
对低秩高阶时间序列和的最后一个样本和分别使用两个长短时记忆网络进行预测，得到核心张量和核心张量
[0048]
进一步，所述将核心张量和核心张量进行还原，并拼接到时间序列和时间序列中，得到张量和张量对张量和张量进行汉克化逆变换处理，获得预测的近似风速f(n0+1)和细节风速s(n0+1)，根据近似风速f(n0+1)和细节风速s(n0+1)获得预测的风速，包括：
[0049]
对于获得的核心张量和使用得到的因子矩阵对核心张量和进行塔克分解的逆变换，得到高秩的近似和细节二阶张量切片和排列成新的张量和张量
[0050]
对张量和张量使用汉克化的逆变换，获得长度为n0+1的一阶张量和此时近似风速序列和细节风速序列的最后一个值和作为预测值，分解序列相加得到预测风速序列最后一个风速值作为预测风速值
[0051]
进一步，所述将采样获得的所述时间序列分解为近似序列和细节序列，包括：
[0052]
采用奇异谱分析的方法将采样获得的所述时间序列x(t)分解为近似序列f(t)和细节序列s(t)。
[0053]
本发明所采用的另一技术方案是：
[0054]
一种超短期风速预测装置，包括：
[0055]
至少一个处理器；
[0056]
至少一个存储器，用于存储至少一个程序；
[0057]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0058]
本发明的有益效果是：本发明改进了传统的统计方法预测风速，在数据处理环节先分解一维风速时间序列，产生两个分解序列进行预测，从而可以分别处理高频特征和低频特征；汉克化用于将两个一维时间序列嵌入到高维张量中，将时间序列的自相关扩展到更高维度；因此本发明的可解释性较其他方法要更强。
附图说明
[0059]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施
例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0060]
图1是本发明实施例中一种超短期风速预测方法的步骤流程示意图；
[0061]
图2是本发明实施例中澳大利亚米尔米登礁气象站采集的风速时间序列示意图；
[0062]
图3是本发明实施例中奇异谱分析方法的分解效果示意图；
[0063]
图4是本发明实施例中唯一复制矩阵d1构造示意图；
[0064]
图5是本发明实施例中一阶张量的单路延迟嵌入变换过程图；
[0065]
图6是本发明实施例中近似序列的二阶张量的欧氏距离重排(edr)过程图；
[0066]
图7是本发明实施例中二阶张量的单路延迟嵌入变换过程图；
[0067]
图8是本发明实施例中三阶张量的分割过程图；
[0068]
图9是本发明实施例中二阶张量切片的塔克分解示意图；
[0069]
图10是本发明实施例中本发明提出的方法与ssa-bpnn、ssa-lssvm、ssa-lstm预测方法的对比结果图；
[0070]
图11是本发明实施例中本发明提出的方法与ssa-张量arma预测、ssa-张量arima预测的对比结果图。
具体实施方式
[0071]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0072]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0073]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0074]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0075]
如图1所示，本实施例提供一种超短期风速预测方法，具体该方法基于选择汉克化、塔克分解和长短期记忆网络进行预测，具体包括以下步骤：
[0076]
s1、获取风速时间数据，对风速时间数据进行间隔采样，获得时间序列。
[0077]
对实际场景中的风速进行采集，采集频率为10分钟，得到完整的原始时间序列ws(i)。根据提前预测的步长p，对ws(i)进行间隔采样，间隔的时间长度为p。假设序列的最大
步数为(1+n0p)，t为采样时刻，t＝1,2,
…
,n0。采样得到的时间序列为：
[0078]
x(t)＝{ws(1+p),
…
,ws(1+tp),...,ws(1+n0p)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0079]
本实施例对澳大利亚海洋科学研究所的米尔米登礁地区的气象站的风速数据进行了收集，对从2013年1月1日1时开始到2013年12月31日24时每隔十分钟取一次平均风速的共52833个数据进行研究。为方便看清数据特征，将其中前500个风速数据用matlab绘制图形，横坐标对应的为每一个点的序号，纵坐标对应的为这些风速的值，绘得米尔米登礁风速时间序列图，局部数据如图2中所示。假设采样间隔p＝6，在前500个风速数据中采样得到的序列图形也如图2中所示。
[0080]
s2、将采样获得的时间序列分解为近似序列和细节序列。
[0081]
在一些可选的实施例中，使用奇异谱分析(ssa)的方法将采样后的时间序列x(t)分解为近似序列f(t)和细节序列s(t)。
[0082]
本实施例中x(t)的序列长度为n0，选择合适的窗口长度w＝12将原始时间序列进行滞后排列得到轨迹矩阵，对轨迹矩阵进行奇异值分解，根据奇异值的大小选择贡献最大的成分作为近似序列f(t)，其他成分重构成细节序列s(t)。图2中原始风速时间序列被奇异谱分析后得到的近似序列和细节序列图形在图3中展示。
[0083]
s3、对近似序列和细节序列的高阶张量进行汉克化处理，获得近似序列对应的三阶张量和细节序列对应的三阶张量
[0084]
其中，对近似序列f(t)和细节序列s(t)的高阶张量进行汉克化处理，包括如下步骤s31-s33：
[0085]
s31、近似序列f(t)和细节序列s(t)的二阶汉克化。
[0086]
对于步骤s2滤波得到的近似序列f(t)和s(t)，将它们分别看作1
×
n0大小的一阶张量f和s，按照选择的延迟时间τ1构造唯一复制矩阵d1，构造的示例如图4所示，然后进行单路延迟嵌入变换，将一阶张量变成二阶张量f和s，变换的过程如图5所示。
[0087]
作为可选的实施方式，步骤s31具体包括步骤s311-s312：
[0088]
s311、选择嵌入变换的延迟时间τ1构造唯一复制矩阵d1。
[0089]
对于步骤s2滤波得到的近似序列f(t)和s(t)看作1
×
n0大小的一阶张量f和s，f＝[f(1),f(2),...,f(t),...,f(n0)]，s＝[s(1),s(2),...,s(t),...,s(n0)]，时刻t＝1,2,
…
,n0，选择嵌入变换的延迟时间τ1，构造唯一复制矩阵如图4中展示的那样，唯一复制矩阵d1由(n
0-τ1+1)个τ1×
τ1大小的单位矩阵拼接构成：
[0090][0091]
s312、一阶张量的单路延迟嵌入变换。
[0092]
单路延迟嵌入变换可以表示为一阶张量f和s跟唯一复制矩阵d1的1-mode张量乘积(
“×
1”)再折叠的结果，其中一阶张量f和d1的1-mode张量乘积的结果如下：
[0093]f×1d1＝[f(1)f(2)
…
f(τ1)f(2)f(3)
…
f(τ1+1)
…
]
ꢀꢀꢀꢀꢀ
(3)
[0094]
本实施例中，将τ1的值设置为3，可以看到一阶张量f和d1的1-mode张量乘积的结果如图5中所展示。折叠后得到的近似二阶张量f的形式如下：
[0095][0096]
细节二阶张量s(t)的形式以此类推，图5展示了它们的共同图形，以τ1＝3为例。
[0097]
s32、近似序列的二阶张量的欧氏距离重排(edr)。
[0098]
将二阶张量f沿着第二个维度进行分割，得到多个不同时刻的一阶张量切片f(t)和s(t)，根据欧几里得距离理论，计算它们与待预测样本(即f(n
0-τ1+1)和s(n
0-τ1+1))的欧式距离，划分距离最小的m个一阶张量切片进入同一个样本空间，对这个空间中的一阶张量切片按照距离从大到小的顺序重新排列成二阶张量fr，步骤3.2)的实施过程如图6所示。
[0099]
作为可选的实施方式，步骤s32包括步骤s321-s323：
[0100]
s321、二阶张量的分割。
[0101]
由公式(4)可知，将近似二阶张量f沿着第二个维度按时刻切片，得到(n
0-τ1+1)个一阶张量切片f(t)＝[f(t)f(t+1)
…
f(t+τ1)]
t
,t＝1,2,...,n
0-τ1+1。
[0102]
s322、样本集划分。
[0103]
基于欧几里得距离理论，将不同时刻的f(t)跟待预测样本(即f(n
0-τ1+1))进行欧氏距离的计算如下：
[0104][0105]
然后划分与f(n
0-τ1+1)距离最小的m＝79个一阶张量切片进入重组空间，再进行重新排序。
[0106]
s323、重新排序产生新的近似二阶张量fr。
[0107]
与f(n
0-τ1+1)距离最小的79个一阶张量切片，按照距离从大到小重新排序为{fr(t)},t＝1,2,...,79，因此重新排列得到的二阶张量fr为：
[0108][0109]
s33、对重构的近似和细节两种二阶张量fr和s进行第二次单路延迟嵌入变换，得到近似和细节两种三阶张量和
[0110]
作为可选的实施方式，步骤s33包括s331-s332：
[0111]
s331、选择嵌入变换的延迟时间τ2构造唯一复制矩阵d2。
[0112]
选择嵌入变换的延迟时间τ2，步骤s32得到的二阶张量fr大小为τ1×
80，唯一复制矩阵由(80-τ2+1)个τ2×
τ2大小的单位矩阵拼接构成：步骤s32得到的
二阶张量s大小为τ1×
(n
0-τ1+1)，唯一复制矩阵由[(n
0-τ1+1)-τ2+1]个τ2×
τ2大小的单位矩阵拼接构成，形式类似于公式(2)和图3所示。
[0113]
s332、二阶张量的单路延迟嵌入变换。
[0114]
二阶张量f和d1的2-mode张量乘积折叠后得到的近似三阶张量的形式如下：
[0115][0116]
细节三阶张量的形式以此类推，这一过程在图7进行了图形描述。
[0117]
s4、对三阶张量和三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得近似序列对应的低秩高阶时间序列和细节序列对应的低秩高阶时间序列
[0118]
对于三阶张量和将它们分别看作j1×
j2×
t大小的高阶时间序列和分别沿着时间维度切片并对每一个时刻的二阶张量切片使用塔克分解得到每一个时刻的低秩二阶核心张量并按照原时序排列成新的近似和细节两种低秩高阶时间序列和
[0119]
作为可选的实施方式，步骤s4具体包括步骤s41-s44：
[0120]
s41、三阶张量的分割。
[0121]
由公式(5)可知，将近似三阶张量看作高阶时间序列(三个维度分别为时延、相似度或时延、时序)，沿着时序维度按时刻切片，得到(80-τ2+1)个二阶张量切片t＝1,2,...,80-τ2+1，这一过程如图8所示。
[0122][0123]
这些二阶张量切片根据数据平稳度特性进行d阶差分计算，得到差分二阶张量切片其中一阶差分计算的结果如下：
[0124][0125]
高阶差分计算的结果以此类推，建议对于近似张量使用二阶差分计算，对细节张量使用零阶差分计算。
[0126]
s42、二阶张量切片的塔克分解。
[0127]
塔克分解通过正交因子矩阵集合将近似二阶张量切片集合投影到
近似核心张量集合这个过程的示意图如图9所示，其中n等于张量切片的阶数，ε是塔克分解的误差值：
[0128][0129]
其中因子矩阵具有正交列特性，类似的方法可以得到细节核心张量集合
[0130]
s43、最小化塔克分解误差。
[0131]
使用增广拉格朗日法求解ε最小的优化问题，这个问题等同于公式：
[0132][0133][0134]
这个优化问题使用闭环解法来进行求解，即先沿着各个mode(n)将张量切片矩阵化，再轮流更新每个决策变量，经过一定的迭代后得到最优变量值和最小误差值，这也意味着轮流更新因子矩阵和近似核心张量步骤s43的内容可参照后续步骤s52中的内容进行理解。
[0135]
s44、二阶核心张量排序为三阶低秩张量。
[0136]
塔克分解得到每一个时刻的二阶核心张量集合和并按照原时序排列成新的近似和细节两种三阶低秩张量和
[0137]
s5、采样两个长短时记忆网络分别对低秩高阶时间序列和低秩高阶时间序列进行学习和预测，预测获得核心张量和核心张量
[0138]
将和看作三个维度分别为时延、相似度或时延、时序的高阶时间序列，对和分别使用两个长短时记忆网络进行学习和预测，预测得到未来的核心张量和
[0139]
作为可选的实施方式，步骤s5具体包括步骤s51-s53：
[0140]
s51、训练长短期记忆网络(lstm)。
[0141]
将和也可看作三个维度分别为时延、相似度或时延、时序的高阶时间序列，设置预测样本的输入长度l，即每个样本为划分输出标签，即每个标签为对和分别使用长短时记忆网络进行训练。
[0142]
s52、同时最小化预测误差和塔克分解误差。
[0143]
模型误差公式由两部分组成，第一部分为预测误差，第二部分为塔克分解误差：
[0144]
[0145][0146]
即为当时的长短时记忆网络的预测值。使用闭环解法迭代更新决策变量，先更新近似核心张量，再更新因子矩阵。其中更新核心张量的公式为：
[0147][0148]
因子矩阵的更新方法，符合求解正交procrustes问题最大化问题的全局最优解，因此更新方法为：
[0149][0150]
其中和分别是的奇异值分解得到的左、右奇异向量。
[0151]
每当近似核心张量和因子矩阵更新过一轮后，长短期记忆网络也需要重新训练一轮，以缩小预测误差。
[0152]
s53、预测新的核心张量。
[0153]
对和的最后一个样本和分别使用两个长短时记忆网络进行预测，得到未来的核心张量切片和
[0154]
s6、将核心张量和核心张量进行还原，并拼接到时间序列和时间序列中，得到张量和张量对张量和张量进行汉克化逆变换处理，获得预测的近似风速f(n0+1)和细节风速s(n0+1)，根据近似风速f(n0+1)和细节风速s(n0+1)获得预测的风速。
[0155]
对于预测的和将它们还原为和拼接到时间序列和中，得到新的和张量，再使用一系列汉克化逆变换得到预测的近似风速f(n0+1)和细节风速s(n0+1)，相加得到预测的风速ws(t+(n0+1)p)。作为可选的实施方式，步骤65具体包括步骤s61-s62：
[0156]
s61、塔克分解逆变换。
[0157]
对于新得到的和使用最终得到的因子矩阵对它们进行塔克分解的逆变换，得到高秩的近似和细节二阶张量切片和如果使用过d阶差分计算的话，需要积分复原张量切片，最终排列成新的和张量。
[0158]
s62、汉克化逆变换。
[0159]
对近似和细节三阶张量和使用汉克化的逆变换得到长度为n0+1的一阶张量和汉克化逆变换的公式如下：
[0160][0161]
公式(15)中的符号表示的是moore-penrose伪逆。此时近似风速序列和细节风速序列的最后一个值和即预测值，分解序列相加得到预测风速序列最后一个风速值即为预测风速值
[0162]
s7、超短期风速预测及其性能指标。
[0163]
风速预测按预测时间尺度划分，分为长期预测(以年为预测单位)、中期预测(提前一周)、短期预测(提前4-72小时)和超短期预测(10分钟-4小时)。本实施例方法的风速时间序列的采样频率为10分钟，预测的时间尺度为提前60/120/180/240分钟预测。
[0164]
预测值需要用不同的性能指标来评判预测效果，下面为几种不同的预测指标，计算公式如下：
[0165]
(1)平均绝对误差(mae)：
[0166][0167]
其中ws(i)是时刻i的真实风速，代表时间为i时的预测风速。该指标越小，说明预测算法的精准性越高，n表示用于预测的风速数据样本的总数；
[0168]
(2)均方根误差(rmse)：
[0169][0170]
该指标越小，说明预测算法的预测数据跟真实数据的特征越接近。
[0171]
s71、对于同一个数据集(澳大利亚米尔米登礁)的风速时间序列用各类全局预测方法，包括ssa-bpnn方法、ssa-lssvm(最小二乘支持向量机)方法、ssa-lstm方法进行预测，并比较不同方法跟本发明方法预测结果的性能指标。
[0172]
表1为步骤s71中所述方法在风速时间序列上预测性能比较的结果。图10为几种方法对同一段风速序列，提前60分钟预测结果的图形，为了看清区别，只选择了100个连续数据进行对比。
[0173]
表1风速时间序列预测结果的性能指标(％)-全局预测对比
[0174][0175][0176]
从图10和表1中可以明显看出，本实施例提出风速预测方法，优于各种经典的全局
预测方法。
[0177]
s72、对于同一个数据集(澳大利亚米尔米登礁)的风速时间序列用先进的局部预测方法，包括ssa-张量arma方法、ssa-张量arima方法进行预测，并比较不同方法跟本发明方法预测结果的性能指标。
[0178]
表2为步骤7.2)中所述方法在风速时间序列上预测性能比较的结果。图11为几种方法对同一段风速序列提前60分钟预测结果的图形，为了看清区别，只选择了50个连续数据进行对比。
[0179]
表2风速时间序列预测结果的性能指标(％)-局部预测对比
[0180][0181]
从图11和表2中可以明显看出，本实施例提出风速预测方法，优于先进的局部预测方法。
[0182]
综上所述，本实施例方法相对于现有技术，具有如下有益效果：
[0183]
(1)实验表明，本实施例方法优于一些主流的全局预测方法和最先进的局部预测方法。本实施例方法适用于原始风速数据采样频率在10分钟，提前预测时长在四小时以内的超短期预测。本实施例对建立的模型进行仿真验证，可以看出预测结果达到了理想范围，预测结果(归一化后)的平均绝对误差在4％以内，均方根误差在5％以内，较对比方法的精度明显提高。因此这一方法最终可以提高风速预测的精准性。
[0184]
(2)本实施例方法改进了传统的统计方法预测风速，在数据处理环节先通过奇异谱分析分解一维风速时间序列，产生两个分解序列进行预测，从而可以分别处理高频特征和低频特征。汉克化用于将两个一维时间序列嵌入到高维张量中，将时间序列的自相关扩展到更高维度。在汉克化过程中，使用相似性搜索技术对近似张量中的纤维/向量进行选择和重新排序，从而增强了二阶张量切片中的平移不变性特征。因此本发明的可解释性较其他方法要更强。
[0185]
(3)本实施例方法通过塔克分解将高秩张量转化为低秩张量，可以减少汉克化引起的信息冗余，相较于其他复杂的高维预测模型，计算成本显著降低。
[0186]
本实施例还提供一种超短期风速预测装置，包括：
[0187]
至少一个处理器；
[0188]
至少一个存储器，用于存储至少一个程序；
[0189]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示方法。
[0190]
本实施例的一种超短期风速预测装置，可执行本发明方法实施例所提供的一种超短期风速预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有
益效果。
[0191]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0192]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0193]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0194]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。