(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210823718.5 (22)申请日 2022.07.14 (71)申请人 明阳智慧能源集团股份公司 地址 528437 广东省中山市 火炬开发区火 炬路22号 (72)发明人 柯泽浚　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 冯炳辉 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (54)发明名称 一种短期风向预测方法、 系统、 介质及设备 (57)摘要 本发明公开了一种短期风向预测方法、 系 统、 介质及设备， 该方法通过边缘计算的方式应 用于优化风力发电机组的偏航策略， 包括以下步 骤： S1、 数据采集处理； S2、 数据采样； S3、 平稳性 检验； S4、 模型识别定阶； S5、 滑动预测； S6、 自噪 声检验； S7、 自适应优化； 本发明能够为偏航系统 提前规划出多种解决方案， 让偏航系统在不同工 况下有更大的选择空间， 能够提前做出更合理的 措施， 由于预测结果具备一定前瞻性， 能够提前 预判出风向是否发生大幅波动， 最大程度上保证 偏航系统对风策略的效率， 防止出现无效的偏航 策略， 能有效提升偏航系统的对风 准确率。 权利要求书2页 说明书6页 附图5页 CN 115292906 A 2022.11.04 CN 115292906 A 1.一种基于自适应优化ARIMA的短期风向预测方法， 其特征在于， 该方法通过边缘计算 的方式应用于优化 风力发电机组的偏航策略， 包括以下步骤： S1、 采集风向数据并对风向数据进行平均化的预处 理； S2、 对预处 理后的风向数据采样， 作为初始的训练数据 序列； S3、 对初始的训练数据序列进行平稳性检验， 平稳性合格则执行下一步， 平稳性不合格 则对初始的训练数据序列进行差分操作后再执行下一步； 同时计算初始的训练数据序列的 线性回归系数， 根据线性回归系数选取随机值； S4、 根据训练数据序列的波形变化选择吻合其波形变化的函数模型， 对函数模型定阶， 确定预测数据步长； S5、 根据预测数据步长和训练数据 序列进行多次滑动预测， 得到滑动预测数据集； S6、 对滑动预测数据集进行自噪声检验， 确定滑动预测数据集相较于初始的训练数据 序列的拟合效果， 若拟合效果好则执行下一步， 若拟合效果不好， 则返回步骤S 3对初始的训 练数据序列重新进行差分操作； S7、 将随机值与滑动预测数据集中的每一个数据点叠加以进行自适应优化， 滑动预测 数据集与初始的训练数据序列构成预测的最 终数据序列， 得到预测时段内的风向预测数据 集。 2.根据权利要求1所述的一种基于自适应优化ARIMA的短期风向预测方法， 其特征在 于， 在步骤S3中， 具体执 行以下操作： 使用ADF单位根平稳型检验方法判断训练数据序列的返回值out1是否为1， 使用kpss检 验方法判断训练数据序列的返回值out2是否为0， 若返回值out1为1且返回值out2为0， 代表 平稳性检验合格， 则直接执行步骤S4， 反之则平稳性检验不合格， 对初始的训练数据序列进 行滞后一阶差分的操作， 直至平稳性检验合格， 得到差分后的训练数据序列， 再执行步骤 S4； 同时计算初始 的训练数据序列的线性回归系数， 以线性回归系数为区间上限， 零点为 区间下限， 构成一个区间， 在该区间内选取一个数值， 并对该数值乘以一个随机系 数， 得到 随机值， 以确保该随机值能够对预测的结果具 备影响力。 3.根据权利要求1所述的一种基于自适应优化ARIMA的短期风向预测方法， 其特征在 于， 在步骤S4中， 具体执 行以下操作： 根据训练数据序列的波形变化选择吻合其波形变化的estimate函数模型， 采用AIC与 BIC准则来根据训练数据序列自适应调整函数模 型中的自相关系数阶数P、 偏自相关系数阶 数q以及确定预测数据步长 h。 4.根据权利要求1所述的一种基于自适应优化ARIMA的短期风向预测方法， 其特征在 于， 在步骤S5中， 具体执 行以下操作： 根据预测数据步长得到一组预测数据序列， 该组预测数据序列附加在训练数据序列尾 部， 随后舍弃位于训练数据序列头部的相同预测数据步长的数据点， 得到实验数据序列， 使 实验数据序列保持与训练数据序列相同数量的数据点， 该实验数据序列即为下一次预测过 程的预测数据序列； 重复执行多次本步骤的预测过程， 得到由多组实验数据序列 组成的滑 动预测数据集。 5.根据权利要求1所述的一种基于自适应优化ARIMA的短期风向预测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115292906 A 2于， 在步骤S6中， 具体执 行以下操作： 对滑动预测数据集进行自噪声检验， 判断滑动预测数据集与初始的训练数据序列 所构 成的预测的最终数据序列的残差序列是否为白噪声序列， 以确定滑动预测数据集相较于初 始的训练数据序列的拟合效果， 若残差序列为白噪声， 则代表拟合效果好， 执行步骤S7， 若 残差序列不是白噪声， 则代表拟合效果不好， 返回步骤S3对初始的训练数据序列重新进行 差分操作。 6.一种基于自适应优化ARIMA的短期风向预测系统， 其特 征在于， 包括： 数据采集处 理模块， 用于采集 风向数据并对风向数据预处 理为初始的训练数据 序列； 平稳性检验 模块， 用于对训练数据 序列进行平稳性检验； 差分模块， 用于对训练数据 序列进行滞后一阶差分的操作； 模型识别模块， 根据训练数据 序列的波形变化选择吻合 其波形变化的函数模型； 模型定阶模块， 根据训练数据序列自适应的调整不同的自相关系数阶数P、 偏自相关系 数阶数q； 滑动预测模块， 根据预测数据步长和训练数据序列进行多次滑动预测， 得到滑动预测 数据集； 参数验证模块， 用于对滑动预测数据集进行自噪声检验， 确定滑动预测数据集相较于 训练数据 序列的拟合效果； 自适应优化模块， 根据计算的训练数据序列的线性回归系数选取随机值， 随机值对滑 动预测数据集进行自适应优化。 7.一种存储有指令的非暂时性计算机可读介质， 其特征在于， 当所述指令由处理器执 行时， 执行根据权利要求1至5任意一项所述的自适应优化ARIMA的短期风 向预测方法 的步 骤。 8.一种计算设备， 包括处理器以及用于存储处理器可执行程序的存储器， 其特征在于， 所述处理器执行存储器存储的程序时， 实现权利要求1至5任意一项所述的自适应优化 ARIMA的短期风向预测方法。权　利　要　求　书 2/2 页 3 CN 115292906 A 3