[發(fā)明專(zhuān)利]一種基于兩級(jí)分解、LSTM和AT的短期風(fēng)速預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010420340.5
• 申請(qǐng)日: 2020-05-18
• 公開(kāi)（公告）號(hào): CN111950759A
• 公開(kāi)（公告）日: 2020-11-17
• 發(fā)明（設(shè)計(jì)）人: 廖雪超;鄧萬(wàn)雄;伍杰平;陳才圣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢科技大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G01P5/00
• 代理公司: 杭州宇信知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33231
• 代理人: 劉艷艷

1.一種基于兩級(jí)分解、LSTM和AT的短期風(fēng)速預(yù)測(cè)方法，其特征在于，包括步驟如下：

S1、通過(guò)WD小波算法對(duì)原始風(fēng)速作一級(jí)分解，并重構(gòu)為低頻主成分A₁和高頻噪聲成分D₁；

S2、通過(guò)VMD算法作二級(jí)分解，分別將低頻主成分A₁和高頻噪聲成分D₁分解為一系列模態(tài)分量；

S3、采用LSTM網(wǎng)絡(luò)對(duì)分解后的低頻主成分模態(tài)分量和高頻噪聲成分模態(tài)分量?jī)蓚€(gè)數(shù)據(jù)集分別進(jìn)行訓(xùn)練；

S4、在LSTM網(wǎng)絡(luò)的輸出層與隱藏層之間引入Attention層；

S5、將低頻主成分和高頻噪聲成分的預(yù)測(cè)結(jié)果進(jìn)行合成，得到最終的風(fēng)速預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟S1包括如下：

S11、對(duì)原始風(fēng)速數(shù)據(jù)作一級(jí)分解，得到低頻系數(shù)和高頻系數(shù)，具體如下：

采用Daubechies作為小波基函數(shù)，對(duì)時(shí)間間隔一致的時(shí)序風(fēng)速數(shù)據(jù)進(jìn)行離散小波變換，即DWT，定義DWT小波函數(shù)簇如下：

式(1)中，ψ_j,k(t)為ψ(t)經(jīng)過(guò)縮放和平移變化而來(lái)，s₀＞1是固定的縮放因子，τ₀是平移因子，j為尺度離散化值，k為位置離散化值，Z為整數(shù)集合，這樣DWT可由式(2)定義，其中*為復(fù)合共軛；

若小波函數(shù)簇ψ_j,k(t)形成正交基，需要對(duì)DWT變換求逆；最后x(t)的離散小波分解如式(3)所示：

式(3)中，c_ψ為母小波函數(shù)，W_x(j,k)為離散小波變換的函數(shù)定義；

至此，Daubecies小波將原始風(fēng)速數(shù)據(jù)分解為低頻系數(shù)cA_n和高頻系數(shù)cD_m(m＝1,2,...,n)，n為實(shí)驗(yàn)指定的小波分解層數(shù)；

S12、對(duì)分解后的低頻系數(shù)和高頻系數(shù)進(jìn)行重構(gòu)，得到低頻主成分A₁和高頻噪聲成分D₁，具體如下：

先分別將低頻系數(shù)cA_n通過(guò)低通濾波器重構(gòu)為第n層的低頻主成分A_n，將高頻系數(shù)cD_m通過(guò)高頻濾波器重構(gòu)為第m層的高頻噪聲成分D_m，其中m＝1,2,3,...,n；

然后通過(guò)式(4)求解低頻主成分A₁如下：

最后通過(guò)式(5)求解高頻噪聲成分如下，其中H為高頻濾波器：

D₁＝H(cD₁) (5)。

3.根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟S2具體包括如下：

設(shè){x(t)}為風(fēng)速信號(hào)，δ(t)為狄拉克分布函數(shù)，μ_K為第K個(gè)分解的本征模態(tài)函數(shù)IMFs，ω_K為μ_K的中心頻率，e為自然常數(shù)，取值為2.718的無(wú)限循環(huán)小數(shù)，J為虛數(shù)單位；VMD算法分別對(duì)低頻主成分和高頻噪聲成分進(jìn)行分解的主要步驟如下：

S21、利用Hilbert變換對(duì)風(fēng)速數(shù)據(jù)計(jì)算每個(gè)IMFs，并將其轉(zhuǎn)換為基頻帶：

S22、根據(jù)L²范數(shù)求解各個(gè)模態(tài)的帶寬，將VMD分解的過(guò)程轉(zhuǎn)化為約束變分問(wèn)題，其中約束條件是表示梯度運(yùn)算：

S23、引入懲罰因子α和拉格朗日乘子λ，將約束變分問(wèn)題轉(zhuǎn)換成非約束變分問(wèn)題：

S24、采用交替方向乘子算法交替更新IMFs、ω_K和λ，求解該非約束性問(wèn)題，其更新算法如下：

式(9)-(11)中，i與K的含義相同，i為VMD分解的第i個(gè)模態(tài)分量；n為迭代次數(shù)；ω為中心頻率；τ為更新參數(shù)；分別為x(t)、μ_K(t)、μ_i(t)、λ(t)的傅里葉變換；

S25、重復(fù)步驟S24，直到滿(mǎn)足如下限制條件，即把信號(hào)分解為了K個(gè)IMFs：