技术摘要：
本发明公开了一种风电场短期风速预测方法、系统及电子设备，将风速序列分解为一系列具有不同中心频率的模态分量，可以降低风速序列的波动性与随机性，利用模态分量获取第一预测风速，利用风速序列构建特征集，特征集可以辅助预测模型分析风速序列，并根据这些特征避免  全部
背景技术：
在全球能源转型逐渐成为趋势，风电作为电力市场化改革的重要内容以及信息技 术快速发展的背景下，短期风速预测的研究具有更重要的意义。准确的风速预测不仅有助 于辅助风电场控制电能质量，优化调度运行管理，充分发挥系统接纳风电潜力，而且对于区 域发电计划和统筹协调，配合蓄热式电锅炉等储能设备追踪风电发电情况，减少大规模“弃 风”的产生，提升风电资源的实际利用率，从而提高电力系统运行的经济性具有重要战略意 义。并且，对于一些危险气体引发的特殊安全事故的预警和应急防护具有重要的现实意义。 针对不同时空尺度的风速特征以及不同的应用需求，风速预测方法通常分为物理 法、统计法和学习法三类。物理方法通过对风电场所处空间的地形、海拔、粗糙度等环境信 息建立空气动力学模型，推理获得风电场风电机组的风速，但在实际应用中，物理法难以建 立准确的数学模型描述风电场的地形和大气变化，过程中容易产生误差累积。统计法通过 分析大量的历史数据，研究历史风速数据与未来短期风速之间的映射关系，以此为基础建 立风速预测数学模型，统计法直接的问题是无法有效的反映风速的随机性，预测误差会随 着预测时间的增加而增加。学习法利用智能学习算法通过历史数据以及影响因素拟合风速 序列中存在的非线性关系，达到良好的预测效果，但随之而来的，是学习算法中对于大量样 本数据普遍存在的训练速度慢、过欠拟合、陷入局部最优和泛化能力差等问题。 风速序列内在的随机性与波动性严重的影响了模型的准确性，难以通过原始数据 集直接预测获得理想的预测效果。信号处理算法是一种将时序风速序列按不同的中心频率 分解为具有规律性的子序列，通过提取子序列的显著特征进行预测重构能够有效降低风速 数据的波动性，降低模型复杂度，改善预测精度。传统的经验模态分解(EMD)存在模态分量 频率分布不均造成的模态混叠问题。 在风速预测现有的方法中，物理法、统计法、学习法都具有各自的优势和局限性， 充分利用这些方法的特点构建组合预测模型，减小预测误差，扩展预测时间范围是风速预 测的重要发展趋势。不同的模型利用的数据特征信息不尽相同，造成了风速预测模型之间 具有不同的预测精度，但是预测精度往往有限。常用的平均加权法存在着预测性能优越的 模型被掩盖的问题，无法有效利用其中的特征信息，造成数据信息无法充分利用，影响其预 测能力。
技术实现要素：
本发明所要解决的技术问题是，针对现有技术不足，提供一种风电场短期风速预 测方法、系统及电子设备，提高短期风速预测的准确度。 为解决上述技术问题，本发明所采用的技术方案是：一种风电场短期风速预测方 5 CN 111582551 A 说　明　书 2/10 页 法，包括以下步骤： 1)获取风场历史风速数据的风速序列； 2)分解所述风速序列，得到一系列具有不同中心频率的模态分量；； 3)将每个模态分量分别作为机器学习方法的输入，得到多个第一预测风速； 4)叠加所有第一预测风速； 5)提取所述风速序列的相关特征，根据这些相关特征构建特征集；将叠加后的第 一预测风速作为新的特征加入所述特征集； 6)将所述特征集作为机器学习模型的输入，得到第二预测风速； 7)通过信息熵融合步骤4)得到的叠加的第一预测风速和步骤6)得到的第二预测 风速。 本发明分解风速序列，可以降低风速序列的波动性与随机性，相比于直接对风速 序列进行预测，分解后的模态分量使得预测模型能够更加准确地表达该风速序列，避免风 速序列可能的剧烈变化造成的误差，特征集可以辅助预测模型分析风速序列，并根据这些 特征避免模型陷入局部最优，提高其泛化性；训练集中加入了叠加后的第一预测风速，保留 了第一预测风速的相关信息，充分利用了风速序列的特征信息，本发明最终的预测风速能 够保留不同模型间的预测精度，使得预测准确的模型分配更大的权重，提高融合后的模型 预测准确度。 步骤1)获取的风速序列可能包含空数据、错误数据等异常数据，需要对所述风场 历史风速数据进行异常数据清洗，得到完整的风速序列，避免异常数据造成的不正常波动 性影响预测准确度。 优选地，对所述风场历史风速数据进行清洗的具体实现过程包括：利用下式对t时 刻的异常风速数据进行清洗： 其中，N为风速序列长度。 步骤2)中，利用变分模态分解法分解所述风速序列，变分模态分解法具有自适应 迭代分解模态分量和中心频率的特性，相比传统的分解方法，不会造成模态混叠导致分解 不完全，不会影响预测精度，同时可以减小风速序列波动性和随机性对预测精度的影响，其 中第k个模态分量获取过程的具体实现步骤包括： I)将所述风速序列按中心频率分解为K个模态分量，获取每个模态分量的单侧频 谱，将模态分量变换至频域，获得频域下的K个模态分量： 其中，dk(ω)为频域下的第k个模态分量，ωk为分解后的第k个模态分量的中心频率，dk(t) 为分解后的第k个模态分量， 为模态分量的单边频谱，δ(t)为狄拉克分布； II)将频域下的第k个模态分量和其中心频率根据傅里叶等距变换转化为如下形 式： 6 CN 111582551 A 说　明　书 3/10 页 其中， 为偏导数计算，d'k(ω)为傅里叶等距变换变换后的第k个模态分量；ω'k 为傅里叶等距变换后的第k个模态分量d'k(ω)的中心频率；为α为平衡参数；f(t)为风速序 列；λ为拉格朗日乘子； III)对步骤II)中的模态分量和中心频率在非负频域进行二次优化，得到对应模 态分量的最优解，然后通过傅里叶逆变换得到中心频率的局部最优解： 其中， 为优化后的第k个模态分量， 为第k个模态分 量的优化中心频率，f(ω)为频域下的风速序列； IV)更新拉格朗日乘子 其中τ为分解保真噪声； V)重复步骤II)～步骤IV)，直至 获得最终的第k个模态分 量；其中，ε为设定的分解精度值。 步骤3)中，所述多个第一预测风速的具体获取过程包括：对每个所述模态分量针 对不同的自回归项数p和滑动平均项数q进行AIC准则计算。通过AIC准则选取模型参数，降 低了人工测试模型参数带来的时间成本，避免了经验和直觉等主观因素对预测精度的影 响，为参数选择提供更好的依据。获取最小AIC值对应的自回归项数p和滑动平均项数q，利 用所述最小AIC值对应的自回归项数p和滑动平均项数q建立累积式自回归移动平均模型； 将所述模态分量作为所述累积式自回归移动平均模型的输入，得到第一预测风速。 步骤5)中，提取所述风速序列的相关特征的具体实现过程包括：风速是一个连续 变化的过程，可以通过一段时间的历史数据来预测下一时刻的风速，通过具有一定相关性 特征的历史数据进行预测，相比直接风速预测拥有更好的预测效果，降低预测模型的输入 复杂度。因此可以计算某一时间段的风速序列与该时间段的上一时间段的风速序列之间的 相关性，当相关性大于设定阈值时，则这两段风速序列之间具有强相关性，输出该时间段的 风速数据；重复该过程，直至输出所有符合相关性要求的风速数据，所有输出的风速数据构 成所述特征集；其中自相关分析的表达式为： 其中，Xt-k、Xt为风速序列，Xt-k＝{x1,x2,...,xt-k}；Xt＝{xt-k 1,xt-k 2,...,xt}；Cov 为协方差；D为方差。 7 CN 111582551 A 说　明　书 4/10 页 步骤7)的具体实现过程包括：引入信息熵反映第一预测风速和第二预测风速的信 息贡献度，并以所述信息贡献度确定第一预测风速的权重和第二预测风速的权重，并按第 一预测风速的权重和第二预测风速的权重对所述第一预测风速和第二预测风速进行加权 组合，得到最终的预测风速。相较于简单的等权平均，信息熵能够更好地反映不同模型的预 测精度，为预测精度高的模型分配更大的权重，减小最终预测结果的误差。 一种风电场短期风速预测系统，其包括： 数据采集模块，用于获取风场历史风速数据的风速序列； 分解模块，用于分解所述数据采集模块输出的风速序列，得到一系列具有不同中 心频率的模态分量； 第一预测模块，用于将每个模态分量分别作为机器学习方法的输入，得到多个第 一预测风速，并叠加所有第一预测风速； 第二预测模块，用于提取所述风速序列的相关特征，构建特征集，并将叠加后的第 一预测风速作为新的特征加入所述特征集，基于所述特征集构建训练集，将所述训练集作 为机器学习模型的输入，得到第二预测风速； 融合模块，用于融合叠加后的第一预测风速和第二预测风速，得到最终的预测风 速； 第二预测模块中，可以将特征集拆分为训练集和测试集，利用训练集对预测模型 进行训练，并通过测试集测试整个预测系统的合格性，当预测精度达到期望精度时，认为预 测系统合格，进一步提高预测精度。 优选地，所述分解模块利用变分模态分解法分解所述数据采集模块输出的风速序 列，降低风速序列的波动性与随机性，相比于直接对风速序列进行预测，分解后的模态分量 使得预测模型能够更加准确地表达该风速序列，避免风速序列可能的剧烈变化造成的误 差。 所述数据处理模块包括： 采集单元，用于采集风场历史风速数据； 数据预处理单元，用于对所述风场历史风速数据进行异常数据清洗，得到完整的 风速序列； 输出单元，用于将所述风速序列输出至所述分解模块。 优选地，所述数据预处理单元利用线性插值法对所述异常数据进行清洗。 所述第一预测模块包括： 累积式自回归移动平均模型，用于对所述多个模态分量分别进行处理，得到多个 第一预测风速； 叠加单元，用于叠加所有第一预测风速。 优选地，所述累积式自回归移动平均模型的建立过程包括：对每个所述模态分量 针对不同的自回归项数p和滑动平均项数q进行AIC准则计算，获取最小AIC值对应的自回归 项数p和滑动平均项数q，利用所述最小AIC值对应的自回归项数p和滑动平均项数q建立所 述累积式自回归移动平均模型。 所述第二预测模块包括： 提取单元，用于计算某一时间段的风速序列与该时间段的上一时间段的风速序列 8 CN 111582551 A 说　明　书 5/10 页 之间的相关性，当相关性大于设定阈值时，则这两段风速序列之间具有强相关性，输出该时 间段的风速数据；重复该过程，直至输出所有符合相关性要求的风速数据，所有输出的风速 数据构成所述特征集； 构建单元，用于将叠加后的第一预测风速作为新的特征加入所述特征集，基于所 述特征集构建测试集； XGBoost模型，以所述测试集为输入，输出第二预测风速。 本发明还提供了一种用于预测风电场短期风速的电子设备，其特征在于，包括：数 据采集终端，用于获取风场历史风速数据的风速序列； 处理器，与所述数据采集终端连接，并执行包括如下步骤的方法： 1)分解所述风速序列，得到一系列具有不同中心频率的模态分量； 2)将每个模态分量分别作为机器学习方法的输入，得到多个第一预测风速； 3)叠加所有第一预测风速； 4)提取所述风速序列的相关特征，构建特征集，并将叠加后的第一预测风速作为 新的特征加入所述特征集； 5)基于步骤4)得到的特征集，构建训练集和测试集，将所述训练集和测试集作为 机器学习模型的输入，得到第二预测风速； 6)融合步骤3)得到的叠加的第一预测风速和步骤5)得到的第二预测风速，得到最 终的预测风速。 本发明中提到的“短期”，是指72小时内。 与现有技术相比，本发明所具有的有益效果为： 1)本发明将风速序列分解为一系列具有不同中心频率的模态分量，可以降低风速 序列的波动性与随机性，相比于直接对风速序列进行预测，分解后的模态分量使得预测模 型能够更加准确地表达该风速序列，避免风速序列可能的剧烈变化造成的误差，特征集可 以辅助预测模型分析风速序列，并根据这些特征避免模型陷入局部最优，提高其泛化性；训 练集中加入了叠加后的第一预测风速，保留了第一预测风速的相关信息，充分利用了风速 序列的特征信息，本发明最终的预测风速能够保留不同模型间的预测精度，使得预测准确 的模型分配更大的权重，提高融合后的模型预测准确度； 2)本发明训练速度快，计算量相对较小。附图说明 图1为本发明中VMD-ARIMA-XGBoost短期风速预测方法的流程图； 图2为本发明实例中对风速数据自相关分析结果图； 图3为本发明实例中4种模型在不同部分时段的风速预测结果图； 图4为本发明实例中4种模型在不同部分时段的风速预测结果图； 图5为本发明实例中4种模型在不同部分时段的风速预测结果图。 图6为本发明实例中预测系统的结构框图； 图7为本发明实例中数据处理模块结构框图； 图8为本发明实例中第一预测模块结构框图； 图9为本发明实例中第二预测模块结构框图； 图10为本发明实施例电子设备结构框图。 9 CN 111582551 A 说　明　书 6/10 页