本發(fā)明涉及風(fēng)速預(yù)測技術(shù)領(lǐng)域，更具體地說，涉及一種短期風(fēng)速多步預(yù)測方法及裝置。

背景技術(shù)：

目前，短期風(fēng)速預(yù)測對于風(fēng)電場管理和電力系統(tǒng)運行具有重要的意義，但是風(fēng)速的隨機性、波動性和間歇性使風(fēng)速預(yù)測的難度增加。近年來在風(fēng)速預(yù)測領(lǐng)域提出的方法往往結(jié)構(gòu)復(fù)雜且計算量大，且大部分研究都是離線模式，沒法實時的追蹤風(fēng)速的變化。

因此，如何實時追蹤風(fēng)速的變化，是本領(lǐng)域技術(shù)人員需要解決的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種短期風(fēng)速多步預(yù)測方法及裝置，以實現(xiàn)實時追蹤風(fēng)速的變化，提高風(fēng)速預(yù)測精度。

為實現(xiàn)上述目的，本發(fā)明實施例提供了如下技術(shù)方案：

一種短期風(fēng)速多步預(yù)測方法，包括：

利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列；

利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式；

通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化；

利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值。

其中，所述利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列，包括：

確定所述原始風(fēng)速時間序列中除起點和終點之外其他目標(biāo)點的左平均值和右平均值，根據(jù)每個目標(biāo)點的左平均值和右平均值確定每個目標(biāo)點的統(tǒng)計值；

根據(jù)每個目標(biāo)點的統(tǒng)計值計算每個目標(biāo)點的統(tǒng)計顯著性，將統(tǒng)計顯著性大于預(yù)定閾值的目標(biāo)點作為分割點，并利用所述分割點，對所述原始風(fēng)速時間序列進行分割，形成多個平穩(wěn)子序列。

其中，所述利用所述分割點，對所述原始風(fēng)速時間序列進行分割之后，還包括：

判斷分割后的左右兩部分序列是否均大于最小分割長度；若否，則取消對所述原始風(fēng)速時間序列的分割。

其中，所述利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式，包括：

利用經(jīng)驗?zāi)B(tài)分解技術(shù)emd確定對目標(biāo)平穩(wěn)子序列進行分解的模態(tài)數(shù)k，并通過可變模式分解技術(shù)vdm將所述目標(biāo)平穩(wěn)子序列分解為k個模態(tài)；

通過消除趨勢波動分析法dfa確定每個模態(tài)的波動參數(shù)，并根據(jù)每個模態(tài)的波動參數(shù)對所述目標(biāo)平穩(wěn)子序列進行去噪重構(gòu)。

其中，所述通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化，包括：

利用初始訓(xùn)練數(shù)據(jù)集創(chuàng)建初始預(yù)測模型，通過10折交叉驗證法確定始預(yù)測模型隱含層節(jié)點個數(shù)，并計算模型參數(shù)；所述模型參數(shù)包括隱含層輸出矩陣及初始輸出權(quán)值；

計算cook距離，根據(jù)所述cook距離確定遺忘因子λ，通過所述遺忘因子λ更新模型參數(shù)，并通過帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對模型參數(shù)進行優(yōu)化，得到基本預(yù)測模型；所述基本預(yù)測模型包括與平穩(wěn)子序列對應(yīng)的多個預(yù)測模型。

其中，所述利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值，包括：

對每個平穩(wěn)子序列對應(yīng)的多個預(yù)測模型進行均方根誤差更新，并根據(jù)更新結(jié)果選擇預(yù)定數(shù)量個模型作為最優(yōu)模型集合；

對所述最優(yōu)模型集合中的每個預(yù)測模型分配權(quán)值，計算每個平穩(wěn)子序列的預(yù)測值，并根據(jù)每個平穩(wěn)子序列的預(yù)測值確定最終預(yù)測值。

其中，所述根據(jù)每個平穩(wěn)子序列的預(yù)測值確定最終預(yù)測值之后，包括：

當(dāng)獲取到下一時刻的風(fēng)速時間序列后，根據(jù)本時刻的真實值更新所述初始訓(xùn)練數(shù)據(jù)集，得到更新后的訓(xùn)練數(shù)據(jù)集；

根據(jù)本時刻的真實值，計算所述最優(yōu)模型集合中的每個預(yù)測模型的預(yù)測誤差，若存在預(yù)測誤差大于誤差閾值的預(yù)測模型，則通過所述更新后的訓(xùn)練數(shù)據(jù)集建立訓(xùn)練模型，替換所述最優(yōu)模型集合中預(yù)測誤差大于所述誤差閾值的預(yù)測模型。

一種短期風(fēng)速多步預(yù)測裝置，包括：

平穩(wěn)子序列分割模塊，用于利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列；

分解模塊，用于利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式；

預(yù)測模型建立模塊，用于通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化；

預(yù)測模塊，用于利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值。

其中，所述平穩(wěn)子序列分割模塊，包括：

統(tǒng)計值確定單元，用于確定所述原始風(fēng)速時間序列中除起點和終點之外其他目標(biāo)點的左平均值和右平均值，根據(jù)每個目標(biāo)點的左平均值和右平均值確定每個目標(biāo)點的統(tǒng)計值；

分割單元，用于根據(jù)每個目標(biāo)點的統(tǒng)計值計算每個目標(biāo)點的統(tǒng)計顯著性，將統(tǒng)計顯著性大于預(yù)定閾值的目標(biāo)點作為分割點，并利用所述分割點，對所述原始風(fēng)速時間序列進行分割，形成多個平穩(wěn)子序列。

其中，所述預(yù)測模型建立模塊，包括：

初始預(yù)測模型確定單元，用于利用初始訓(xùn)練數(shù)據(jù)集創(chuàng)建初始預(yù)測模型，通過10折交叉驗證法確定始預(yù)測模型隱含層節(jié)點個數(shù)，并計算模型參數(shù)；所述模型參數(shù)包括隱含層輸出矩陣及初始輸出權(quán)值；

基本預(yù)測模型確定單元，用于計算cook距離，根據(jù)所述cook距離確定遺忘因子λ，通過所述遺忘因子λ更新模型參數(shù)，并通帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對模型參數(shù)進行優(yōu)化，得到基本預(yù)測模型；所述基本預(yù)測模型包括與平穩(wěn)子序列對應(yīng)的多個預(yù)測模型。

通過以上方案可知，本發(fā)明實施例提供的一種短期風(fēng)速多步預(yù)測方法，包括：利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列；利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式；通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化；利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值。

可見，在本方案中，可通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機根據(jù)風(fēng)速的變化來更新模型，并使用有序聚合進行在線集成學(xué)習(xí)技術(shù)oeoa，通過對多個λcdffos-orelm加權(quán)聚合獲取最終預(yù)測值，使多步預(yù)測精度有較大的提高；本發(fā)明還公開了一種短期風(fēng)速多步預(yù)測裝置，同樣能實現(xiàn)上述技術(shù)效果。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例公開的一種短期風(fēng)速多步預(yù)測方法流程示意圖；

圖2為本發(fā)明實施例公開的去噪流程示意圖；

圖3為本發(fā)明實施例公開的一種聚義的短期風(fēng)速多步預(yù)測方法流程示意圖；

圖4為本發(fā)明實施例公開的一風(fēng)速時間序列示意圖；

圖5為本發(fā)明實施例公開的另一風(fēng)速時間序列示意圖；

圖6為本發(fā)明實施例公開的另一風(fēng)速時間序列示意圖；

圖7為本發(fā)明實施例公開的另一風(fēng)速時間序列示意圖；

圖8為本發(fā)明實施例公開的一預(yù)測結(jié)果示意圖；

圖9為本發(fā)明實施例公開的另一預(yù)測結(jié)果示意圖；

圖10為本發(fā)明實施例公開的另一預(yù)測結(jié)果示意圖

圖11為本發(fā)明實施例公開的一種短期風(fēng)速多步預(yù)測裝置結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例公開了一種短期風(fēng)速多步預(yù)測方法及裝置，以實現(xiàn)實時追蹤風(fēng)速的變化，提高風(fēng)速預(yù)測精度。

參見圖1，本發(fā)明實施例提供的一種短期風(fēng)速多步預(yù)測方法，包括：

s101、利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列；

其中，所述利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列，包括：

確定所述原始風(fēng)速時間序列中除起點和終點之外其他目標(biāo)點的左平均值和右平均值，根據(jù)每個目標(biāo)點的左平均值和右平均值確定每個目標(biāo)點的統(tǒng)計值；

根據(jù)每個目標(biāo)點的統(tǒng)計值計算每個目標(biāo)點的統(tǒng)計顯著性，將統(tǒng)計顯著性大于預(yù)定閾值的目標(biāo)點作為分割點，并利用所述分割點，對所述原始風(fēng)速時間序列進行分割，形成多個平穩(wěn)子序列。

其中，所述利用所述分割點，對所述原始風(fēng)速時間序列進行分割之后，還包括：判斷分割后的左右兩部分序列是否均大于最小分割長度；若否，則取消對所述原始風(fēng)速時間序列的分割。

具體的，在本實施例中利用bga(bernaolagalvanalgorithm)算法將風(fēng)速時間序列分割成若干平穩(wěn)子序列的具體步驟為：

11)對于一個含有n個點的風(fēng)速時間序列xn＝{x1,...,xn}，除起始點和終點兩個點外，從左到右分別計算剩余點左邊部分和右邊部分的平均值ul和ur，用t檢驗的統(tǒng)計值ti來量化表示i點左右兩部分均值的差異，計算如式(1)：

ti＝|(μl-μr)/sd|...................................................(1)

其中，合并方差sl和sr分別為計算點左邊時間序列和右邊時間序列的標(biāo)準(zhǔn)差，其中nl和nr是計算點左右兩邊的時間序列個數(shù)。

12)計算t中的最大值tmax的統(tǒng)計顯著性p(tmax)，如式(2)所示：

p(tmax)＝prob(t≤tmax)...........................................(2)

其中，p(tmax)表示在隨機過程中取到的t值小于tmax的概率。

13)如果這個顯著性p(tmax)大于所選定的臨界值，則于該點將風(fēng)速時間序列切分為兩段均值有明顯差異的子序列，否則不分割；在本實施例中，p(tmax)可取95％。

14)為確保統(tǒng)計的有效性，檢查分割后形成的左右兩部分子序列的長度是否小于最小分割長度(l0)，若其長度小于l0，則不再對其進行分割，否則按照上述方法對p(τ)≥p0的子序列繼續(xù)進行分割，p(τ)可以通過蒙特卡洛模擬獲取。

分割完成后，非平穩(wěn)的風(fēng)速時間序列被切分成多個有著不同均值的平穩(wěn)子序列，使得相鄰部分的均值差實現(xiàn)最大化，各個子序列的平穩(wěn)性保證了更高的預(yù)測的精度。

s102、利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式；

其中，所述利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式，包括：

利用經(jīng)驗?zāi)B(tài)分解技術(shù)emd確定對目標(biāo)平穩(wěn)子序列進行分解的模態(tài)數(shù)k，并通過可變模式分解技術(shù)vdm將所述目標(biāo)平穩(wěn)子序列分解為k個模態(tài)；

通過消除趨勢波動分析法dfa確定每個模態(tài)的波動參數(shù)，并根據(jù)每個模態(tài)的波動參數(shù)對所述目標(biāo)平穩(wěn)子序列進行去噪重構(gòu)。

具體的，在本實施例中，利用savmd(self-adaptivevariationalmodedecomposition)技術(shù)將風(fēng)速子序列分解為一系列有限帶寬的子模式的具體步驟為：

21)利用經(jīng)驗?zāi)B(tài)分解(empericalmodedecomposition，emd)確定分解的模態(tài)數(shù)k，再通過vmd預(yù)設(shè)尺度對風(fēng)速時間子序列信號x(t)進行分解，將子序列分解為k個中心頻率為wk的子信號，由此得到k個模態(tài)函數(shù)uk，可變約束條件為：

式中，{uk}＝{u1,u2,......,uk}為各模態(tài)函數(shù)；{wk}＝{w1,w2,......,wk}為各中心頻率；為所有模態(tài)函數(shù)之和；δ為狄拉克分布，“*”表示卷積。

22)式子(3)中的最小化問題，求解拉格朗日算子如下式：

式中，a是數(shù)據(jù)保真度的平衡參數(shù)，通過交替方向算子法(alternatedirectionmethodofmultipliers，admn)求解上式，得到的各參數(shù)最優(yōu)值的迭代格式如下：

其中是uk(t)的復(fù)頻域形式，n是迭代次數(shù)，ifft(·)表示傅里葉逆變換，代表求解信號的實部。

23)通過消除趨勢波動分析法(detrendedfluctuationanalysis，dfa)的波動參數(shù)hurt來檢測含有噪聲或者疊加有多項式趨勢信號的風(fēng)速時間子模式，hurt指數(shù)計算方法如下：

對于有n個點的風(fēng)速時間序列{x(i),i＝1,2,...,n}，計算其累計離差：

對y(k)分別進行等長分割，以長度nn＝n/n將序列分割成n個不重疊的區(qū)間，在每個區(qū)間用l次多項式進行擬合，本文取l＝2，即得到

yn(k)＝ank²+bnk+cn...................................(9)

對n個等長度區(qū)間求均值并開方,計算得到dfa波動函數(shù)如下：

對dfa波動函數(shù)和n取雙對數(shù)，hurt即為雙對數(shù)坐標(biāo)(ln(n),ln(f(n)))中的散點圖，用最小二乘法對數(shù)據(jù)點進行擬合，其中直線部分的斜率即hurt指數(shù)，可通過式(11)得到：

ln(f(n))＝hurtln(n)+c................................(11)

定義斜率的臨界值θ＝hurt+0.25(本文取hurt＝0.5)，當(dāng)hurt參數(shù)小于θ時，將此風(fēng)速時間子序列內(nèi)模函數(shù)定義為噪音信號，作為獨立的輸入；當(dāng)hurt指數(shù)大于θ時，定義為純凈的風(fēng)速子序列內(nèi)模函數(shù)，對其進行重構(gòu)處理：

其中，hurtj代表第j個風(fēng)速時間子序列內(nèi)模函數(shù)的波動參數(shù)，其中1≤j≤k。

綜上所述savmd-dfa的實現(xiàn)過程即：首先利用emd來確定vmd模態(tài)個數(shù)k，然后通過dfa計算每個模態(tài)的hurt指數(shù)來區(qū)分信號的隨機成分，并對k個模態(tài)進行重構(gòu)來最終確定模態(tài)的個數(shù)，其實現(xiàn)過程如圖2所示。

s103、通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化；

其中，所述通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化，包括：

利用初始訓(xùn)練數(shù)據(jù)集創(chuàng)建初始預(yù)測模型，通過10折交叉驗證法確定始預(yù)測模型隱含層節(jié)點個數(shù)，并計算模型參數(shù)；所述模型參數(shù)包括隱含層輸出矩陣及初始輸出權(quán)值；

計算cook距離，根據(jù)所述cook距離確定遺忘因子λ，通過所述遺忘因子λ更新模型參數(shù)，并通過帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對模型參數(shù)進行優(yōu)化，得到基本預(yù)測模型；所述基本預(yù)測模型包括與平穩(wěn)子序列對應(yīng)的多個預(yù)測模型。

具體的，在本實施例中，采用λcdffos-orelm(onlinesequentialorelmwithforgettingfactorbasedoncook’sdistance)對每個系列子模式建立基本預(yù)測模型，并采用cso-sam(crisscrossoptimizationalgorithmwithself-adaptivemutation)算法進行參數(shù)優(yōu)化的具體步驟為：

31)初始化階段。

模型利用初始訓(xùn)練數(shù)據(jù)集來創(chuàng)建初始o(jì)relm模型。模型隱含層節(jié)點個數(shù)lopt通過10折交叉驗證法(10-foldcross-validation)來確定，設(shè)置控制器k＝0，根據(jù)計算初始隱含層輸出矩陣h0

則初始輸出權(quán)值為

其中

32)在線序列學(xué)習(xí)階段。當(dāng)訓(xùn)練集d的第k+1個樣本到來時，首先計算隱含層輸出層矩陣

利用遞歸最小二乘法來更新輸出權(quán)值，即

其中為預(yù)測誤差，γk+1為增益矩陣，通過公式(17)求得

33)計算新觀察值的時變cook距離

m是輸出參數(shù)β的長度，是σ²一致估計，計算如下

其中，mk是有效樣本數(shù)量，給定m0＝0。

34)遺忘因子λk+1能夠逐漸剔除舊的數(shù)據(jù)，保證利用最新的數(shù)據(jù)來建立模型，本文利用基于cook距離的遺忘因子(λcdff)來更新模型參數(shù)，當(dāng)?shù)趉+1個樣本到來時，求基于cook距離的遺忘因子：

ck＝νdk.....................................................(21)

sk＝p(χν＞ck)(0＜sk＜1)..................................(22)

λk+1＝λmin+(1-λmin)sk+1......................................(23)

式中，λmin為遺忘因子的最小值，sk+1為生存函數(shù)，其利用數(shù)理統(tǒng)計工具將cook距離轉(zhuǎn)化為遺忘因子，其中ck服從自由度為ν的卡方分布：

35)以上基本預(yù)測模型的輸入權(quán)值和隱含節(jié)點偏差需采用cso-sam算法來優(yōu)化，具體步驟如下：

假定父代粒子x(i)和x(j)在第d維進行橫向交叉，計算公式如下：

其中，r1和r2為均勻分布于[0,1]的隨機數(shù)，c1和c2為均勻分布于[-1,1]的隨機數(shù)，mshc(i,d)和mshc(j,d)是x(i,d)和x(j,d)交叉產(chǎn)生的子代。

36)將執(zhí)行完橫向交叉后更新的種群作為縱向交叉的父代種群，假定粒子x(i)在第d1和d2維進行縱向交叉，計算公式如下：

其中，r為均勻分布于[0,1]的隨機數(shù)；d為粒子的維度總數(shù)；m是種群數(shù)量。將橫向交叉與縱向交叉產(chǎn)生的中庸解與父代粒子進行競爭，得到最優(yōu)的種群。

37)通過種群適應(yīng)度值中的變量σ²來自動調(diào)整pvc，其中σ²的表達式如下：

其中fi為粒子i的適應(yīng)度值，favg為此時所有適應(yīng)度的平均值，n為粒子個數(shù)；

38)最后，利用公式(27)可以得到縱向交叉概率pvc的線性表達式：

其中，pvcmax和pvcmin是縱向交叉概率pvc的最大值和最小值；

39)λcdffos-orelm模型的訓(xùn)練誤差將作為cso-sam算法的優(yōu)化目標(biāo)來確定orelm最優(yōu)的輸入權(quán)值和偏差，即

式中，和分別為第p個訓(xùn)練樣本的實際值和預(yù)測值；n為訓(xùn)練樣本個數(shù)。

s104、利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值。

其中，利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值包括：

對每個平穩(wěn)子序列對應(yīng)的多個預(yù)測模型進行均方根誤差更新，并根據(jù)更新結(jié)果選擇預(yù)定數(shù)量個模型作為最優(yōu)模型集合；

對所述最優(yōu)模型集合中的每個預(yù)測模型分配權(quán)值，計算每個平穩(wěn)子序列的預(yù)測值，并根據(jù)每個平穩(wěn)子序列的預(yù)測值確定最終預(yù)測值。

其中，所述根據(jù)每個平穩(wěn)子序列的預(yù)測值確定最終預(yù)測值之后，包括：

當(dāng)獲取到下一時刻的風(fēng)速時間序列后，根據(jù)本時刻的真實值更新所述初始訓(xùn)練數(shù)據(jù)集，得到更新后的訓(xùn)練數(shù)據(jù)集；

根據(jù)本時刻的真實值，計算所述最優(yōu)模型集合中的每個預(yù)測模型的預(yù)測誤差，若存在預(yù)測誤差大于誤差閾值的預(yù)測模型，則通過所述更新后的訓(xùn)練數(shù)據(jù)集建立訓(xùn)練模型，替換所述最優(yōu)模型集合中預(yù)測誤差大于所述誤差閾值的預(yù)測模型。

具體的，在本實施例中，利用λcdffos-orelm基本預(yù)測模型和oeoa(onlineensembleusingorderedaggregation)技術(shù)通過加權(quán)來得到風(fēng)速點預(yù)測的具體步驟為：

41)多模型在線選擇，oeoa利用初始訓(xùn)練數(shù)據(jù)集d0建立mmax個模型fm(m＝1,…,mmax)，形成模型集合ε。對于每個模型，在集成學(xué)習(xí)的過程中，訓(xùn)練均方根誤差利用公式(29)進行更新。

其中，為第m個模型在t時刻訓(xùn)練均方根誤差，lm為每個樣本數(shù)據(jù)利用模型fm進行預(yù)測的過程中使用的次數(shù)。

根據(jù)每個模型訓(xùn)練得到的均方誤差進行升序排序，自適應(yīng)選取ε的前b個模型作為最優(yōu)的子集，預(yù)測第t(t＝t0+1,…,t)個樣本數(shù)據(jù)xt對應(yīng)的風(fēng)速預(yù)測值。當(dāng)?shù)趖+1個新樣本到來時，第t個樣本的真實值加入到訓(xùn)練數(shù)據(jù)集中，并將舊的數(shù)據(jù)樣本從訓(xùn)練數(shù)據(jù)集中刪除，即

42)模型集成學(xué)習(xí)，oeoa從模型集合ε選擇最優(yōu)的b個模型來進行集成學(xué)習(xí)來對新的樣本進行預(yù)測。在集成學(xué)習(xí)過程中，需要對b個模型分配權(quán)值，模型權(quán)值通過均方誤差來計算獲得，其計算公式如(31)所示。

其中，為第m個模型在t-1時刻訓(xùn)練均方根誤差，為b個最優(yōu)模型訓(xùn)練均方根誤差向量，median(e^t-1)表示向量e^t-1的中位數(shù)。

最終，新樣本數(shù)據(jù)的預(yù)測值為

43)模型更新，在對t+1時刻的樣本進行預(yù)測之前，首先利用t時刻樣本數(shù)據(jù)的真實值來校驗?zāi)Ｐ偷念A(yù)測誤差，通過設(shè)置誤差閾值α來判斷是否對此時的模型集合ε進行更新。當(dāng)滿足

時，根據(jù)公式(30)形成的新的訓(xùn)練集d^t來建立新的訓(xùn)練模型fnew，并用fnew來替換ε預(yù)測誤差最大的模型。當(dāng)公式(33)不滿足時，保持模型集合ε不變。

可見，在本方案考慮到原始風(fēng)速時間序列的非平穩(wěn)性，利用bga將原始風(fēng)速分割為若干平穩(wěn)風(fēng)速子序列，每個子序列采用savmd進行信號分解和重構(gòu)，形成一系列頻率相近的子模式，再對每個子模式采用λcdffos-orelm-oeoa進行建模預(yù)測，模型參數(shù)通過cso-sam進行動態(tài)調(diào)整，以此得到短時風(fēng)速多步預(yù)測模型。本預(yù)測方法與其他預(yù)測方法相比，本文方法在不同信號分解技術(shù)(savmd和eemd(ensembleempiricalmodedecomposition))下都表現(xiàn)出很好的預(yù)測性能，具體表現(xiàn)如下：

1)利用savmd技術(shù)對原始風(fēng)速時間子序列進行分解，與vmd技術(shù)相比，savmd能夠自適應(yīng)確定子信號的個數(shù)；

2)cso-sam具有很強的搜索能力，能夠確定模型最優(yōu)參數(shù)，以此來提高預(yù)測精度；

3)在線集成學(xué)習(xí)預(yù)測模型利用基于cook距離的遺忘因子實時跟蹤風(fēng)速變化來調(diào)整模型參數(shù)；并且利用oeoa技術(shù)來選擇最優(yōu)子模型，通過加權(quán)聚合來獲得最終的預(yù)測值，進一步提高風(fēng)速預(yù)測精度。

具體的，參見圖3，圖3為本實施例提供的一種基于在線魯棒極限學(xué)習(xí)機自適應(yīng)集成學(xué)習(xí)的短期風(fēng)速多步預(yù)測方法實現(xiàn)流程圖；為了對本方案進行詳細的描述，提供一應(yīng)用本方案的具體實施例：

選取nrel提供的某風(fēng)電場2004年的實測風(fēng)速時間序列作為研究對象，為了減少季節(jié)對風(fēng)速預(yù)測的影響，選取四、七、十和一月份作為每個季節(jié)的典型月份，分別建立不同的預(yù)測模型。風(fēng)速數(shù)據(jù)的采樣頻率10min，四個月份的樣本點個數(shù)分別為4320，4464，4464和4464，其風(fēng)速時間序列如圖4-7所示，在實例分析中，分別進行短期風(fēng)速單步、三步和五步預(yù)測。利用bga將原始的風(fēng)速時間序列分割成多個子序列，其均值和方差如表1所示。

表12004年春季風(fēng)速時間序列的分割結(jié)果

將每個風(fēng)速子系列的后100個點作為驗證集，其余部分作為訓(xùn)練集對風(fēng)速模型進行訓(xùn)練。將此預(yù)測模型的預(yù)測結(jié)果與λcdffos-orelm-oeoa預(yù)測模型、λcdffos-orelm預(yù)測模型、bpnn、offline-elm、offline-orelm以及持久模型(persistencemodel,pm)的預(yù)測結(jié)果進行比較，同時分別建立基于savmd和eemd的上述預(yù)測模型，并將預(yù)測結(jié)果進行比較。

為了定性地評價預(yù)測模型的性能，引入平均絕對誤差(meanabsoluteerror，mae)，平均絕對百分比誤差(meanabsolutepercentageerror，mape)和均方根誤差(rootmean-squarederror，rmse)作為預(yù)測模型的性能評價指標(biāo)：

上述式子中，和分別為第t個樣本點的風(fēng)速實際值和預(yù)測值；n為測試樣本的個數(shù)。

以2004年4月份的風(fēng)速時間序列為例，利用bga將原始風(fēng)速分割成9個子序列，各子序列風(fēng)速的均值和方差見表1。選取第5個子序列(s5)進行分析，將前551個樣本點作為訓(xùn)練數(shù)據(jù)集，后100個點作為驗證樣本集。

λcdffos-orelm-oeoa模型參數(shù)設(shè)置如下：初始訓(xùn)練集個數(shù)t0＝20；誤差閾值ρ＝0.04；遺忘因子最小值λmin＝0.6；mmin＝10；mmax＝15。

cso-sam參數(shù)設(shè)置如下：種群個數(shù)為20；最大迭代次數(shù)為100；根據(jù)經(jīng)驗值，縱向交叉概率的最大值和最小值分別取pvmax＝0.8和pvmin＝0.2。

savmd將s5原始子風(fēng)速時間序列分解為5個子信號，eemd則把s5分解為8個子信號，按照上述的預(yù)測方法對每個子信號單獨建立預(yù)測模型，最后對每個子信號的預(yù)測值求和，得到最終的風(fēng)速預(yù)測值。s5沒有經(jīng)過信號分解后得出的多步誤差評價指標(biāo)如表2所示，經(jīng)過savmd和eemd分解后的多步模型誤差評價指標(biāo)分別如表3和4所示。

表2未經(jīng)信號分解風(fēng)速預(yù)測結(jié)果

表3基于savmd技術(shù)的風(fēng)速預(yù)測結(jié)果

表4基于eemd技術(shù)的風(fēng)速預(yù)測結(jié)果

對比表2-表4可知：

(1)風(fēng)速時間序列經(jīng)過savmd和eemd技術(shù)處理后，各種預(yù)測模型的預(yù)測精度有大幅度的提高。以本文方法為例，采用信號分解技術(shù)后，單步預(yù)測emape分別提高了17.07％和9.76％；

(2)在所有預(yù)測模型中，本文提出模型的多步預(yù)測性能優(yōu)于其他模型，其中pm模型的預(yù)測性能最差。

由以上數(shù)據(jù)進一步分析可知：

(1)cso-sam對orelm模型參數(shù)有較強的尋優(yōu)能力；

(2)本文的在線預(yù)測模型與傳統(tǒng)離線模型比較而言，在線模型可以實時改變參數(shù)來適應(yīng)風(fēng)速的變化，保證預(yù)測模型具有較強的魯棒性；

(3)基于cook距離的遺忘因子(λcdff)在整個在線預(yù)測過程中，削弱舊數(shù)據(jù)樣本的影響，利用新的數(shù)據(jù)樣本來更新模型參數(shù)，提高預(yù)測模型的精度。

同理，表1中經(jīng)bga切割后形成的其他子序列均可采用上述方法進行預(yù)測，其預(yù)測結(jié)果如圖8-10所示。由圖8-10的誤差評價指標(biāo)可知，經(jīng)bga算法分割后的子序列預(yù)測精度比完整的序列更高，即表明數(shù)據(jù)預(yù)處理時利用bga的有效性。將本文的λcdffos-orelm-oeoa模型應(yīng)用在2004年的4個季節(jié)，得到的模型單步誤差評價指標(biāo)如表5所示。

表5本文方法得到的不同季節(jié)預(yù)測結(jié)果

由表5可知，每個季節(jié)的單步誤差評價指標(biāo)值相差不大，春季的預(yù)測性能較其它季節(jié)略差，說明本文的模型是能夠反應(yīng)季節(jié)變化引起的風(fēng)速變化，反映了風(fēng)速預(yù)測的季節(jié)特性。

下面對本發(fā)明實施例提供的短期風(fēng)速多步預(yù)測裝置進行介紹，下文描述的短期風(fēng)速多步預(yù)測裝置與上文描述的短期風(fēng)速多步預(yù)測方法可以相互參照。

參見圖11，本發(fā)明實施例提供的一種短期風(fēng)速多步預(yù)測裝置，包括：

平穩(wěn)子序列分割模塊100，用于利用啟發(fā)式分割算法bga將原始風(fēng)速時間序列分割成多個平穩(wěn)子序列；

分解模塊200，用于利用自適應(yīng)可變模式分解技術(shù)savmd將每個平穩(wěn)子序列分解為一系列有限帶寬的子模式；

預(yù)測模型建立模塊300，用于通過基于cook距離的遺忘因子的魯棒在線極限學(xué)習(xí)機λcdffos-orelm，對每個系列子模式建立基本預(yù)測模型，并采用帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對預(yù)測模型進行參數(shù)優(yōu)化；

預(yù)測模塊400，用于利用在線集成學(xué)習(xí)和有序聚合技術(shù)oeoa，通過對多個λcdffos-orelm基本預(yù)測模型加權(quán)聚合獲取最終預(yù)測值。

基于上述實施例，所述平穩(wěn)子序列分割模塊100，包括：

統(tǒng)計值確定單元，用于確定所述原始風(fēng)速時間序列中除起點和終點之外其他目標(biāo)點的左平均值和右平均值，根據(jù)每個目標(biāo)點的左平均值和右平均值確定每個目標(biāo)點的統(tǒng)計值；

分割單元，用于根據(jù)每個目標(biāo)點的統(tǒng)計值計算每個目標(biāo)點的統(tǒng)計顯著性，將統(tǒng)計顯著性大于預(yù)定閾值的目標(biāo)點作為分割點，并利用所述分割點，對所述原始風(fēng)速時間序列進行分割，形成多個平穩(wěn)子序列。

其中，平穩(wěn)子序列分割模塊100還包括：

判斷模塊，用于判斷分割后的左右兩部分序列是否均大于最小分割長度；

所述分割單元，用于在分割后的左右兩部分序列均大于最小分割長度時，對原始風(fēng)速時間序列進行分割；否則，取消對所述原始風(fēng)速時間序列的分割。

基于上述實施例，所述分解模塊200包括：

模態(tài)分解模塊，用于利用經(jīng)驗?zāi)B(tài)分解技術(shù)emd確定對目標(biāo)平穩(wěn)子序列進行分解的模態(tài)數(shù)k，并通過可變模式分解技術(shù)vdm將所述目標(biāo)平穩(wěn)子序列分解為k個模態(tài)；

去噪重構(gòu)模塊，用于通過消除趨勢波動分析法dfa確定每個模態(tài)的波動參數(shù)，并根據(jù)每個模態(tài)的波動參數(shù)對所述目標(biāo)平穩(wěn)子序列進行去噪重構(gòu)。

基于上述實施例，所述預(yù)測模型建立模塊300，包括：

初始預(yù)測模型確定單元，用于利用初始訓(xùn)練數(shù)據(jù)集創(chuàng)建初始預(yù)測模型，通過10折交叉驗證法確定始預(yù)測模型隱含層節(jié)點個數(shù)，并計算模型參數(shù)；所述模型參數(shù)包括隱含層輸出矩陣及初始輸出權(quán)值；

基本預(yù)測模型確定單元，用于計算cook距離，根據(jù)所述cook距離確定遺忘因子λ，通過所述遺忘因子λ更新模型參數(shù)，并通過帶有自適應(yīng)變異機制的縱橫交叉優(yōu)化算法cso-sam對模型參數(shù)進行優(yōu)化，得到基本預(yù)測模型；所述基本預(yù)測模型包括與平穩(wěn)子序列對應(yīng)的多個預(yù)測模型。

基于上述實施例，預(yù)測模塊400包括：

最優(yōu)模型集合確定模塊，用于對每個平穩(wěn)子序列對應(yīng)的多個預(yù)測模型進行均方根誤差更新，并根據(jù)更新結(jié)果選擇預(yù)定數(shù)量個模型作為最優(yōu)模型集合；

最終預(yù)測值確定模塊，用于對所述最優(yōu)模型集合中的每個預(yù)測模型分配權(quán)值，計算每個平穩(wěn)子序列的預(yù)測值，并根據(jù)每個平穩(wěn)子序列的預(yù)測值確定最終預(yù)測值。

其中，預(yù)測模塊400包括：

更新模塊，用于當(dāng)獲取到下一時刻的風(fēng)速時間序列后，根據(jù)本時刻的真實值更新所述初始訓(xùn)練數(shù)據(jù)集，得到更新后的訓(xùn)練數(shù)據(jù)集；

最優(yōu)模型更新模塊，用于根據(jù)本時刻的真實值，計算所述最優(yōu)模型集合中的每個預(yù)測模型的預(yù)測誤差，若存在預(yù)測誤差大于誤差閾值的預(yù)測模型，則通過所述更新后的訓(xùn)練數(shù)據(jù)集建立訓(xùn)練模型，替換所述最優(yōu)模型集合中預(yù)測誤差大于所述誤差閾值的預(yù)測模型。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。