(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110772591.4 (22)申请日 2021.07.08 (65)同一申请的已公布的文献号 申请公布号 CN 113343590 A (43)申请公布日 2021.09.0 3 (73)专利权人 华北电力大 学 （保定） 地址 071003 河北省保定市永华北 大街619 号华北电力大 学一校区 (72)发明人 王旭光　张可　苏杰　任欢　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 杜阳阳 (51)Int.Cl. G06F 30/27(2020.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 111968715 A,2020.1 1.20 CN 112653142 A,2021.04.13 刘宇 等.基 于变分模态分解与双向长短期记忆神经网络的超短期风速预测. 《工业控制计 算机》 .2020, 葛建文 等.基 于神经网络的IGBT 模块剩余 使用寿命预测模型. 《半导体技 术》 .2021, Peng Xiaosheng 等.A Thre e-Stage Ensemble Short-Term W ind Power Predicti on Method Based o n VMD-WT Transform and S DAE Deep Learn ing. 《2020 IE EE IAS Industrial and Commercial Po wer System Asia Technical Conference》 .2020, SHAOJING ZHOU 等.An Ac curate Ensemble Forecasti ng Approach for Highly-Dynamic Clo. 《IEEE Access》 .2020, (续) 审查员 王孜琦 (54)发明名称 一种基于组合模型的风速预测方法及系统 (57)摘要 本发明提出了一种基于组合模型的风速预 测方法及系统， 涉及风力发电风速预测领域， 该 方法包括： 采集历史风速数据， 构建原始风速数 据集； 利用变 分模态分解算法将所述原始风速数 据集的风速时间序列分解为N个模态分量； 所述N 个模态分量包括K个固有模态分量和1个残余分 量； 将各个所述模态分量分别单独输入到预先训 练好的改进Transformer模型中进行预测， 得到 所述固有模态分量的预测结果和所述残余分量 的预测结果； 将所述固有模态分量的预测结果和 所述残余分量的预测结果进行叠加， 得到最终的 风速预测结果。 通过将变分模态分解法和 Transformer模型进行组合， 可有效提升风速预 测的准确性和可靠性。 [转续页] 权利要求书3页 说明书9页 附图5页 CN 113343590 B 2022.03.22 CN 113343590 B (56)对比文件 WANG Kai 等.Predicti on method of transformer top o il temperature based o n VMD and GRU neural netw ork. 《2020 IE EE Internati onal Conference o n High Vo ltage Engineering and Ap plication （ICHVE） 》 .2020,Wei Sun 等.Short-Term W ind Speed Predicti on Based o n Variati onal Mode Decompositi on and Linear–Nonlinear Combination Optimizati on Model. 《Energies》 .2019,2/2 页 2[接上页] CN 113343590 B1.一种基于组合模型的风速预测方法， 其特 征在于， 包括： 采集历史风速数据， 构建原 始风速数据集； 利用变分模态分解算法将所述原始风速数据集的风速时间序列分解为N个模态分量； 所述N个模态分量包括K个固有模态分量和1个残余分量； 将各个所述模态分量分别单独输入到预先训练好的改进Transformer模型中进行预 测， 得到所述固有模态分量的预测结果和所述残 余分量的预测结果； 所述改进Transformer 模型包括输入层、 编 码层、 解码层和输出层； 所述输入层由全连接神经网络层和位置编 码构 成； 所述编码层由n个完全相同的编码器堆叠而成， 各个编码器之间采用多头注意力机制、 相加、 归一化以及前馈连接的方式实现编码； 所述解码层由n个完全相同的解码器堆叠而 成， 各个解码器之间也采用多头注意力机制、 相加、 归一化以及前馈连接的方式进行解码； 所述输出层为全连接神经网络层； 将所述固有模态分量的预测结果和所述残余分量的预测结果进行叠加， 得到最终的风 速预测结果。 2.根据权利要求1所述的风速预测方法， 其特征在于， 所述采集历史风速数据， 构建原 始风速数据集， 包括： 按照预设的采样周期， 对风速待预测区域的所述历史风速数据进行采样， 得到风速采 样数据； 根据所述风速采样数据， 构建所述原始风速数据集； 所述原始风速数据集包括所述风 速时间序列， 所述 风速时间序列用于表征风速 ‑时间信息 。 3.根据权利要求1所述的风速预测方法， 其特征在于， 所述利用变分模态分解算法将所 述原始风速数据集的风速时间序列分解为N个模态分量； 所述N个模态分量包括K个固有模 态分量和1个残余分量， 具体包括： 采用所述变分模态分解算法对所述原始风速数据集的所述风速时间序列进行分解， 得 到N个所述模态分量； N个所述模态分量等于K个所述固有模态分量和 1个所述残余分量的和； 其中， K的取值 采用观察中心频率法确定 。 4.根据权利要求3所述的风速预测方法， 其特征在于， 所述K的取值采用观察中心频率 法确定具体包括： 在通过所述变分模态分解算法对所述风速时间序列进行分解的同时， 将所述固有模态 分量的数量K由小到大 取值； 观察分解后的各个所述固有模态分量的中心频率是否存在重叠； 若不存在重叠， 则继 续使用所述变分模态分解算法对所述风速时间序列进行分解； 若存在重叠， 则将所述固有 模态分量的数量K 取值为上一次分解时的分解次数值。 5.根据权利要求1所述的风速预测方法， 其特征在于， 所述将各个所述模态分量分别单 独输入到预先训练好的改进Transformer模型中进行预测， 得到所述固有模态分量的预测 结果和所述残余分量的预测结果， 具体包括： 将各个所述模态分量单独作为一个输入， 将其输入至一个所述预先训练好的改进 Transformer模型中进行 单独预测； 当N个所述模态分量分别单独预测完毕后， 输出N个所述模态分量的预测结果； N个所述权　利　要　求　书 1/3 页 2 CN 113343590 B 3