【技術實現步驟摘要】
本專利技術涉及一種風速預測方法、系統、設備及存儲介質，尤其涉及一種風電廠風速預測方法、系統、設備及存儲介質，屬于風速預測。
技術介紹
1、風速預測對于風電場的穩定運行、能源管理和減少對電網的沖擊具有重要意義。隨著全球能源危機的到來，風能作為一種清潔、可再生能源，其發展潛力巨大。然而，風速的隨機性、間歇性和不可控性導致風電機組的出力波動性較大，不利于電網系統的安全穩定運行。因此，對風電場風速及功率進行準確預測顯得尤為重要。
2、現有技術中；風速預測方法多樣，包括物理模型、統計模型、人工智能模型和組合模型。物理模型依賴于氣象資料進行建模，適合長期預測但計算量大。統計模型如arima和卡爾曼濾波等，適合簡單時間序列預測，但在非線性數據預測方面能力有限。
技術實現思路
1、專利技術目的：本專利技術的目的是提供一種能夠提高預測準確性的風電廠風速預測方法、系統、設備及存儲介質。
2、技術方案：本專利技術所述的一種風電廠風速預測方法，包括：
3、(1)利用改進的能量谷優化算法ievo優化自適應噪聲集合經驗模態分解ceemdan中的白噪聲幅值權重與噪聲添加次數，對風電場歷史數據進行ceemdan分解；
4、(2)對分解后的數據采用樣本熵se進行預處理，降低數據的計算復雜度；
5、(3)對預處理后的數據，引入了啟發式策略的隨機森林算法rf特征選擇進行優化，剔除冗余特征；
6、(4)利用格拉姆角和場gasf將優化后的數據從一維時間
7、(5)將提取的圖像特征送入時間序列塊變換器patch?tst模型進行風速預測，所述patch?tst模型中引入基于梯度提升決策樹的訓練算法gptuner調節模型參數。
8、進一步地，步驟s1所述利用改進的能量谷優化算法ievo優化自適應噪聲集合經驗模態分解ceemdan中的白噪聲幅值權重與噪聲添加次數，具體包括：
9、隨機生成一組粒子，每一個粒子代表一種候選解，公式如下：
10、
11、式中，x為粒子集；x1，x2，…為粒子集中具有不同穩定水平的粒子；為第i個粒子初始位置的第j個決策變量；n為粒子總數；d為所考慮問題的維度；與分別為i個粒子初始位置的第j個決策變量的下界和上界；rand為在[0，1]范圍內均勻分布的隨機數；
12、確定粒子的富集界eb，用于考慮富中子粒子和貧中子粒子之間的差異，對每個粒子進行目標函數評價，并確定為粒子的中子富集水平nel，公式如下：
13、
14、式中，eb為粒子的富集界；neli為第i個粒子的中子富集能級；
15、根據目標函數評價，確定粒子的穩定水平如下，公式如下：
16、
17、式中，sli為第i個粒子的穩定水平；bs和ws為所有粒子中穩定水平最佳和最差的粒子，其穩定水平分別為目前所發現的目標函數值的最小值和最大值；
18、粒子衰變，根據粒子的穩定水平不同，對應不同的衰變方式，具體的：
19、當粒子的穩定水平高于穩定界(sli>sb)，則發生α與γ粒子衰變：
20、所述α粒子衰變：
21、
22、式中，為搜索空間中xi新生成的粒子；xi′為搜索空間中第i個粒子的當前位置向量；xbs為穩定性等級最好的粒子的位置向量；alpha?indexii表示的是α的指數在[1，ii]內隨機生成的整數，ii的取值范圍為[1，i]，i∈[1，d]；
23、所述γ粒子衰變：
24、
25、式中，為第i個粒子與第k個相鄰粒子之間的總距離；(x1，y1)與(x2，y2)表示粒子在搜索空間中的坐標；為搜索空間中xi新生成的粒子；xng為粒子周圍鄰近粒子的位置向量；gamma?indexii表示的是γ的指數在[1，ii]內隨機生成的整數，ii的取值范圍為[1，i]，i∈[1，d]；
26、當sli<sb，則粒子的穩定水平低于穩定界，判斷發生了β衰變：
27、
28、式中，xcp是粒子中心的位置向量；為搜索空間中xi新生成的粒子；xi′為搜索空間中第i個粒子的當前位置向量；n為粒子總數；xbs是穩定水平最好的粒子的位置向量；sli是第i個粒子的穩定水平；r1與r2是兩個在[0,1]范圍內的隨機數；
29、對采用β衰變的粒子進行另一個位置更新過程：
30、
31、式中，為搜索空間中xi新生成的粒子；xi′為搜索空間中第i個粒子的當前位置向量；xbs是穩定水平最好的粒子的位置向量；xng為粒子周圍鄰近粒子的位置向量；r3與r4是決定粒子移動量的兩個[0,1]范圍內的隨機數；
32、當neli≤eb，則粒子的中子富集水平低于富集界，粒子傾向于通過電子捕獲或正電子發射向穩定帶移動：
33、
34、式中，為搜索空間中xi新生成的粒子；xi′為搜索空間中第i個粒子(候選解)的當前位置向量；r是一個在[0,1]范圍內的隨機數；
35、在evo主循環結束時，如果粒子的富集水平高于富集界限，則每個粒子只生成兩個新位置向量，分別為和當富集水平低于或等于富集界限，則只生成作為新的位置向量；在每個狀態下，新生成的向量與當前種群合并，最佳粒子參與算法的下一個搜索循環；對于超出預定義上界和下界的決策變量，確定邊界違例標志；
36、將目標函數求值的最大次數或迭代的最大次數作為終止條件；
37、ceemdan中的白噪聲幅值權重ε與噪聲添加次數k分別從最終生成的粒子集x中選出各自的最優值；
38、在算法中引入衰變概率，公式如下：
39、
40、式中，是第i個粒子在第g次迭代的衰變概率；是第i個粒子在第t+1次迭代的衰變概率；δ是衰變概率調整的步長；sli為第i個粒子的穩定水平；sb為穩定界。
41、進一步地，步驟s1所述對風電場歷史數據進行自適應噪聲集合經驗模態分解，包括：
42、(11)選擇噪聲水平和迭代次數；
43、(12)向待分解的風電場歷史數據信號添加a次高斯白噪聲，生成新的信號序列，公式如下：
44、xa(t)＝x(t)+εδa(t)
45、式中，x(t)為原始數據信號；xa(t)為添加第a次噪聲后的信號，其中a＝1,2,...,a；ε為高斯白噪聲幅值權重，δa(t)為第a次處理時產生的高斯白噪聲，t為時間變量；
46、(13)對每個帶噪聲的信號xa(t)進行emd分解，將分解得到第一個imf分量取其均值作為ceemdan分解得到的第一個imf分量，公式如下：
47、
48、r1(t)＝x(t)-imf1(t)
49、式中，imf1(t)表示ceemdan分解得到的第一個模態分量；a為添加噪聲的次數；為本文檔來自技高網...
【技術保護點】
1.一種風電廠風速預測方法，其特征在于，包括：
2.根據權利要求1所述的風電廠風速預測方法，其特征在于，步驟S1所述利用改進的能量谷優化算法IEVO優化自適應噪聲集合經驗模態分解CEEMDAN中的白噪聲幅值權重與噪聲添加次數，具體包括：
3.根據權利要求1所述的風電廠風速預測方法，其特征在于，步驟S1所述對風電場歷史數據進行自適應噪聲集合經驗模態分解，包括：
4.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(2)包括：
5.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(3)包括：
6.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(4)包括：對優化后的數據數據進行歸一化預處理，然后通過計算每個數據點的反余弦值生成極坐標完成坐標轉換，通過格拉姆矩陣計算不同時刻之間的夾角之和來生成二維圖像，獲取一維時間序列數據中所缺少的空間關系特征，基于生成的二維圖像，采用二維卷積網絡2DCNN提取圖像特征作。
7.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(5)包
8.一種風電廠風速預測系統，其特征在于，包括：
9.一種計算設備，其特征在于，包括：一個或多個處理器、一個或多個存儲器以及一個或多個程序，所述程序存儲在存儲器中并被配置為由處理器執行，所述程序被加載至處理器時實現根據權利要求1至7任一項所述的風電廠風速預測方法的步驟。
10.一種存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執行時使所述處理器執行根據權利要求1至7任一項所述的風電廠風速預測方法的步驟。
...【技術特征摘要】
1.一種風電廠風速預測方法，其特征在于，包括：
2.根據權利要求1所述的風電廠風速預測方法，其特征在于，步驟s1所述利用改進的能量谷優化算法ievo優化自適應噪聲集合經驗模態分解ceemdan中的白噪聲幅值權重與噪聲添加次數，具體包括：
3.根據權利要求1所述的風電廠風速預測方法，其特征在于，步驟s1所述對風電場歷史數據進行自適應噪聲集合經驗模態分解，包括：
4.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(2)包括：
5.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(3)包括：
6.根據權利要求1所述的風電廠風速預測方法，其特征在于，所述步驟(4)包括：對優化后的數據數據進行歸一化預處理，然后通過計算每個數據點的反余弦值生成極坐標完成坐標轉換，通...
【專利技術屬性】
技術研發人員：馬常紋，張楚，彭甜，姚君豪，黃小龍，張志榮，何睿，張鑫玉，
申請(專利權)人：淮陰工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。