一种基于卡尔曼滤波融合的风速序列预测方法

摘要

本发明属于时间序列预测分析领域，具体为一种基于卡尔曼滤波融合的风速序列预测方法。利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果。本发明主要用于风速时间序列的预测分析领域中。

主权项

一种基于卡尔曼滤波融合的风速序列预测方法，其特征在于，利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果；风速变化率序列{A_i}可根据风速序列为{V_i}按式(1)求得：A_i＝(V_i‑V_i‑1)/T_s     (1)其中T_s为系统采样周期；卡尔曼滤波方法所需要的状态方程和测量方程按式(2)和式(3)建立：$\left[\begin{array}{c}\stackrel{·}{V}\\ \stackrel{·}{B}\end{array}\right]=\left[\begin{array}{cc}0& -1\\ 0& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+\left[\begin{array}{c}1\\ 0\end{array}\right]A+\left[\begin{array}{c}{w}_a\\ 0\end{array}\right]---\left(2\right)$$V=\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+w_v---\left(3\right)$其中，选择风速V和风速变化率的偏差B作为状态变量，w_a和w_v分别为风速变化率噪声和风速噪声，A表示风速变化率。