[發(fā)明專利]基于小波分解和二階灰色神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611003554.2
• 申請(qǐng)日: 2016-11-15
• 公開（公告）號(hào): CN106779139A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 李博文;張靖;何宇
• 申請(qǐng)（專利權(quán)）人: 貴州大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 貴陽中新專利商標(biāo)事務(wù)所52100
• 代理人: 吳無懼

1.一種基于小波分解和二階灰色神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法，它包括：

步驟1、對(duì)歷史風(fēng)速序列進(jìn)行小波分解與重構(gòu)；

步驟2、建立基于二階灰色理論的風(fēng)速預(yù)測(cè)模型；

步驟3、利用神經(jīng)網(wǎng)絡(luò)算法優(yōu)化灰色風(fēng)速預(yù)測(cè)模型；

步驟4、將歷史風(fēng)速序列進(jìn)行小波分解與重構(gòu)后的各分量作為輸入逐一投入優(yōu)化后的灰色風(fēng)速預(yù)測(cè)模型進(jìn)行預(yù)測(cè)得到各分量預(yù)測(cè)結(jié)果；

步驟5、獲取風(fēng)速預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的基于小波分解和二階灰色神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法，其特征在于它還包括：

步驟6、計(jì)算誤差指標(biāo)，對(duì)風(fēng)速預(yù)測(cè)進(jìn)行評(píng)估；

步驟7、輸出風(fēng)速預(yù)測(cè)值和誤差指標(biāo)。

3.根據(jù)權(quán)利要求1所述的基于小波分解和二階灰色神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法，其特征在于：步驟1所述對(duì)歷史風(fēng)速序列進(jìn)行小波分解與重構(gòu)，其重構(gòu)后的原始序列表達(dá)式為：

X＝D1+D2+D3+D4+D5+A5(1)

式中：X為原始序列，D1、D2、D3、D4、D5分別為第一層至第五層重構(gòu)后的高頻信號(hào)，A5為第五層重構(gòu)的低頻信號(hào)；

原始序列X的第i個(gè)元素表示為：

X(i)＝D1(i)+D2(i)+D3(i)+D4(i)+D5(i)+A5(i)(2)

式中：D1(i)、D2(i)、D3(i)、D4(i)、D5(i)分別為X中的第i個(gè)元素的第一層至第五層重構(gòu)后的高頻信號(hào)，A5(i)為X中的第i個(gè)元素的第五層重構(gòu)的低頻信號(hào)。

4.根據(jù)權(quán)利要求1所述的基于小波分解和二階灰色神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法，其特征在于：步驟2所述建立基于二階灰色理論的風(fēng)速預(yù)測(cè)模型的方法包括：

步驟2.1、將步驟1小波分解和重構(gòu)后的分量D1(i)、D2(i)、D3(i)、D4(i)、D5(i)和A5(i)分別作為風(fēng)速預(yù)測(cè)模型中的輸入序列X⁽⁰⁾，進(jìn)行累加生成操作對(duì)此序列作一級(jí)疊加得到新序列

X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]

式中：

步驟2.2、建立二階灰色風(fēng)速預(yù)測(cè)模型的微分方程如下：

$\frac{d^2{x}^{\left(1\right)}}{{\mathrm{dt}}^2}+a_1\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}+a_2{x}^{\left(1\right)}=b---\left(3\right)$

得到方程解為：

$x^{\left(1\right)}\left(t\right)=C_1{e}^{{\mathrm{\λ}}_{1}t}+C_2{e}^{{\mathrm{\λ}}_{2}t}+\frac{b}{a_2}---\left(4\right)$

式(5)為預(yù)測(cè)值的解析表達(dá)式，式中λ₁，λ₂為特征方程

λ²+a₁λ+a₂＝0的特征根，參數(shù)a₁，a₂，b用最小二乘估計(jì)得到初值，其計(jì)算公式為：

A＝[a₁ a₂ b]^T＝(B_N^TB_N)^-1B_N^TY_N(5)

式中

$B_N=\left[\begin{array}{ccc}-x^{\left(0\right)}\left(2\right)& -z^{\left(1\right)}\left(2\right)& 1\\ -x^{\left(0\right)}\left(3\right)& -z^{\left(1\right)}\left(3\right)& 1\\ \·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\\ -x^{\left(0\right)}\left(n\right)& -z^{\left(1\right)}\left(n\right)& 1\end{array}\right]$

$Y_N=\left[\begin{array}{cc}{x}^{\left(0\right)}\left(2\right)& x^{\left(0\right)}\left(1\right)\\ x^{\left(0\right)}\left(3\right)& x^{\left(0\right)}\left(2\right)\\ \·& \·\\ \·& \·\\ \·& \·\\ x^{\left(0\right)}\left(n\right)& x^{\left(0\right)}(n-1)\end{array}\right]$

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)

k＝2,3,…,n

而參數(shù)C₁和C₂則是通過求解方程而得。利用一階差商代替積分項(xiàng)，即：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}{|}_{t=k}=x^{\left(1\right)}\left(k\right)-x^{\left(1\right)}(k-1)=x^{\left(0\right)}\left(k\right)---\left(6\right)$

對(duì)(4)式兩邊求導(dǎo)有：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{dt}{|}_{t=k}=C_1{\mathrm{\λ}}_1{e}^{{\mathrm{\λ}}_{1}k}+C_2{\mathrm{\λ}}_2{e}^{{\mathrm{\λ}}_{2}k}---\left(7\right)$

將式(7)帶入式(6)有：

$x^{\left(0\right)}\left(k\right)=C_1{\mathrm{\λ}}_1{e}^{{\mathrm{\λ}}_{1}k}+C_2{\mathrm{\λ}}_2{e}^{{\mathrm{\λ}}_{2}k}---\left(8\right)$

聯(lián)立式(4)和式(8)就可求出參數(shù)C₁和C₂。

步驟2.3、進(jìn)行累減生成操作，確定風(fēng)速預(yù)測(cè)模型：

x⁽⁰⁾(t)＝x⁽¹⁾(t)-x⁽¹⁾(t-1)

x⁽⁰⁾(t)為模型得到的預(yù)測(cè)值。