1.本发明涉及新能源与海上风速预测领域，具体为一种海上风电场短期风速预测方法、系统、设备及存储介质。
背景技术：
2.作为人类生存和发展的重要基础，能源的开发利用一直受到广泛重视。本世纪以来，世界经济发展日新月异，传统化石能源的消耗速度大幅增加，引起了不可逆的环境污染，进而导致极端气候灾难。随着社会进步发展和经济建设进入新阶段，我国对未来的能源发展战略提出新规划，确定了“绿色低碳”的主旋律。因具有清洁和安全高效等优点，风能成为近年来发展速度最快的一种可再生新能源。
3.自然界的风，尤其是海上的风具有很强的波动性和间歇性，随着风电总装机容量的提升以及风电大规模并网运行，给有效利用风能带来困难，存在明显的弃风问题。
4.风速影响着风电功率，风速预测的精准程度对风电产业影响巨大，如调度部门制定调度计划、检修部门选择经济的时间节点进行维护检修以及风电场选址等工作。
5.现有的风速预测方法主要是基于数据挖掘，采用其他领域的模型提高风速预测精度。但是，如果将其他领域模型不加选择和改进的应用到风力发电领域，往往无法取得理想的效果。比如对于短期风速预测来说，难点在于原始的时间序列数据是非线性非平稳的。
技术实现要素：
6.针对现有技术中存在的问题，本发明提供一种海上风电场短期风速预测方法、系统、设备及存储介质。
7.本发明是通过以下技术方案来实现：
8.一种海上风电场短期风速预测方法风速预测程序，包括以下步骤：
9.s101，获取海上风电场的初始数据，包括风速数据、气象数据和地理数据；
10.s102，基于群过滤结构分解风速数据，获得分解数据；
11.s103，对分解数据依次进行预处理和训练，获得元极端学习机模型；
12.s104，以海上风电场的实时数据为输入，利用元极端学习机模型进行训练，获取海上风电场的短期风速预测数据。
13.优选的，在s2中，获取分解数据的具体操作为：通过群捕猎方法将清洗数据分解为震荡分量，每个震荡分量均为原始信号数据的实际分量。
14.优选的，分解数据的预处理步骤为：将分解的风速数据与气象数据、地理数据融合，形成多个子系列数据。
15.优选的，在s3中，以子系列数据作为输入训练极端学习机模型的单隐层前馈网络，单隐层前馈网络的表达式为：
16.17.式中，是连接权重，ωj是输入权重，bj是偏差，nh是隐层的数量。
18.优选的，连接权重的获取是子系列数据通过极限学习机的学习规则得到。
19.优选的，连接权重的获取步骤为：将n个子系列数据输入单隐层前馈网络，获取矩阵向量h；再对矩阵向量h取摩尔-彭罗斯h矩阵的逆矩阵估计出连接权重。
20.一种海上风电场短期风速预测系统，包括数据获取模块、数据分解模块、训练模块和数据输出模块，所述数据获取模块用于获取海上风电场的初始数据，数据分解模块用于分解风速数据，训练模块用于对分解数据依次进行预处理和训练，数据输出模块用于输出短期风速预测数据。
21.一种终端设备，包括存储器、处理器以及存储在所述存储器中并在处理器上运行的计算机程序风速预测程序，所述处理器执行所述计算机程序时实现海上风电场短期风速预测方法的步骤。
22.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行海上风电场短期风速预测方法的步骤。
23.与现有技术相比，本发明具有以下有益效果：
24.本发明一种海上风电场短期风速预测方法将群分解算法和元极端学习机进行融合，首先，获取海上风电场的历史风速数据、气象数据、地理数据等，并进行相应的数据清洗，剔除异常数据。然后，利用群分解方法对清洗后的数据进行分解。接下来，对分解后的数据进行模型训练，建立元极端学习机模型。最终得到海上风电场短期风速预测结果。用以解决海上风电场风速预测的有效性问题，为优化风电系统运行策略、优化风电场选址方案以及提高风电机组设备检修效率提供参考。
附图说明
25.图1为本发明一种海上风电场短期风速预测方法的流程图。
具体实施方式
26.下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
27.本发明公开了一种海上风电场短期风速预测方法，参照图1，包括以下步骤：
28.s101，获取海上风电场的初始数据，包括风速数据、气象数据和地理数据；
29.s102，基于群过滤结构分解风速数据，获得分解数据；具体操作为：通过群捕猎方法将清洗数据分解为震荡分量，每个震荡分量均为原始信号数据的实际分量。
30.成功的群捕猎由驱动和凝聚的两部分力相互作用构成。驱动力f
dr
(n,i)定义为：
31.f
dr
(n,i)＝p
prey
(n)-pi(n-1)
32.其中，i是分量，n是步数。p是位置信息。捕猎的位置信息定义为p
prey
，pi[n-1]是在n-1步分量i的位置信息。
[0033]
驱动力f
coh
(n,i)则被定义为：
[0034][0035][0036]
其中，d和d
cr
分别是分量之间的距离和临界距离。m表示群的数量。为了跟踪这个prey，在每个时间点都会更新位置和速度信息：pi[n-1]是在n-1步分量i的位置信息，pj[n-1]是在n-1步分量j的位置信息
[0037][0038]
pi[n]＝pi[n-1]+δ(vi[n])
[0039]
式中，v是速度信息，vi[n-1]是在n-1步分量i的速度信息，δ是决定群的适应性的参数。
[0040]
δ是群分解的重要参数之一，决定着群的适应性。因此，swf的输出可以表示为：
[0041][0042]
其中，β是影响分量数的参数，为了根据输入数据确定这些参数的值，需要满足以下条件：
[0043][0044]
|y
δ,m
[k]|和|s[k]|分别表示y
δ,m
[k]和s[k]的原始序列通过离散傅里叶变换后的振幅。y
δ,m
[n]是由δ,m这两个参数表示的swf，s[n]是包括非平稳的单分量信号。
[0045]
通过这一步找到δ和m的最优解，得到y
δ,m
[n]，即分解数据。
[0046]
s103，对分解数据依次进行预处理和训练，获得元极端学习机模型。
[0047]
预处理步骤为：将分解的风速数据与气象数据、地理数据融合，形成多个子系列数据。
[0048]
以子系列数据作为输入训练极端学习机模型的单隐层前馈网络，单隐层前馈网络的表达式为：
[0049][0050]
式中，是连接权重，ωj是输入权重，bj是偏差，nh是隐层的数量。
[0051]
连接权重的获取是全部的子系列数据通过极限学习机的学习规则得到。获取步骤为：将n个子系列数据输入单隐层前馈网络，获取矩阵向量h；再对矩阵向量h取摩尔-彭罗斯h矩阵的逆矩阵估计出连接权重。
[0052]
s104，以海上风电场的实时数据为输入，利用元极端学习机模型进行训练，获取海上风电场的短期风速预测数据。
[0053]
一种海上风电场短期风速预测系统，包括数据获取模块、数据分解模块、训练模块
和数据输出模块，数据获取模块用于获取海上风电场的初始数据，数据分解模块用于分解风速数据，训练模块用于对分解数据依次进行预处理和训练，数据输出模块用于输出短期风速预测数据。
[0054]
一种终端设备，包括存储器、处理器以及存储在所述存储器中并在处理器上运行的计算机程序，处理器执行所述计算机程序时实现海上风电场短期风速预测方法的步骤。
[0055]
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行海上风电场短期风速预测方法的步骤。
发表评论