专利交易市场

本发明提出一种基于间歇先验与跨尺度自适应融合的高铁沿线风速预测方法，包括：步骤1，收集并对齐沿线监测站点的秒级风速与分钟级均值，按滑动窗口组织为模型输入；步骤2，构建间歇先验模块；步骤3，采用秒级编码器提取秒级特征，通过间歇和波动双路池化分别汇聚间歇与波动的时变特征，形成秒级汇聚表示；步骤4，采用分钟级编码器对分钟级历史均值进行编码，得到分钟趋势表示；步骤5，通过含间歇引导跨尺度注意的融合层自适应融合分钟趋势与秒级汇聚表示，形成融合表示并送入预测头，输出预测结果并进行评估。本方法可有效地提高风速预测值的准确度，使得风速预测值可靠性大幅提升。

本发明公开了一种基于MALO‑BiGRU的超短期风速预测方法及系统，所述方法包括：(1)获取风速数据并对数据进行归一化处理，运用互信息法对风速数据进行特征选择；(2)运用均匀采样对蚁狮种群初始化；(3)采用改进后的模拟退火思想融合蚁狮算法改进双向循环单元；(4)将非线性参数控制引入蚁狮算法中，对蚂蚁位置进行更新，最终得到精英蚁狮位置；(5)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；(6)建立基于改进蚁狮算法(MALO)的双向门控循环单元(BiGRU)模型。本发明能够被应用于超短期风速预测的建模过程中，具有优化精度高的优点，最终确保了风速预测的准确性。

本发明涉及风速预测领域，公开了一种基于多模型集成的风电场风速预测方法及系统。该方法包括：获取历史风速w0(t)，通过插补以及剔除漂移风速得到w(t)，并采用DVNCMD分解w(t)；计算分解得到的各序列的融合特征熵，并依据熵值大小分为低、中等、高熵值序列；对应低、中等、高熵值序列建立BP、LSTM、CNN‑Bi‑LSTM‑Attention模型，并利用NRBO优化LSTM、CNN‑Bi‑LSTM‑Attention模型的超参数；最后叠加所有序列预测结果，得到最终预测风速。该系统利用数据量阈值判断模块更新模型参数，适应气候变化导致的风速变化，同时实时显示预测数据。本发明采用DVNCMD分解减少计算量提升分解效率，同时建立BP、LSTM、CNN‑Bi‑LSTM‑Attention模型优化计算效率减少计算时间，并添加NRBO优化算法进一步提升预测精度和效率，为风速发电提供新的思路与方法。

本发明公开了一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统，所述方法包括：(1)获取预设的时间范围内历史的风电场的各项气象数据时间序列，并将数据进行预处理；(2)分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；(3)确定极限学习机的网络结构并选择激活函数；(4)将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进；(5)建立基于改进鲸鱼算法优化的极限学习机算法模型。本发明解决了风速的不确定性导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高短期风速准确预测精度的技术效果，提高风电场对于风能资源的利用。

本发明涉及风速预测技术领域，公开了一种基于负相关学习和正则化极限学习机集成的风速预测方法，首先利用最优变分模态分解‑样本熵将原始风速时间序列分解为具有若干个具有不同复杂程度的子序列，然后采用基于负相关学习和正则化极限学习机的集成模型对各子序列进行建模，最后对各子序列的预测结果进行叠加，得到最终的风速预测结果。与现有技术相比，本发明集成模型采用正则化极限学习机作为基模型，具有更快的收敛速度和更强的稳定性能，能够更好的捕捉风速时间序列的非线性特征；负相关学习作为一种神经网络集成技术，能够增强各正则化极限学习机基模型之间的差异度，有效地提高了单个正则化极限学习机模型的可预测性。