[發明專利]一種基于兩級分解、LSTM和AT的短期風速預測方法

在審

• 申請號: 202010420340.5
• 申請日: 2020-05-18
• 公開（公告）號: CN111950759A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 廖雪超;鄧萬雄;伍杰平;陳才圣
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G01P5/00
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 劉艷艷

本發明公開了一種基于兩級分解、LSTM和AT的短期風速預測方法，包括：S1、通過WD小波算法對原始風速作一級分解，并重構為低頻主成分A₁和高頻噪聲成分D₁；S2、通過VMD算法作二級分解，分別將A₁和D₁分解為一系列模態分量；S3、采用LSTM網絡對分解后的低頻主成分模態分量和高頻噪聲成分模態分量兩個數據集分別進行訓練；S4、在LSTM網絡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測結果進行合成，得到最終風速預測結果。本發明利用小波分解去解決了風速低頻信號與高頻信號的互相干擾；通過VMD分解充分提取信號頻域特征，解決傳統LSTM模型存在的預測滯后問題；Attention機制提升了風速發生突變與風速急劇變化時的決策能力，提升模型預測的穩定性。

技術領域

本發明涉及風速預測技術領域，具體涉及一種基于兩級分解、LSTM和AT 的短期風速預測方法。

背景技術

風能作為可再生能源，在現實生活中運用非常廣泛。在實際中，風速的預 測在風能的轉化起著至關重要的作用，所以對風速預測的精度要求很高。在過 去的幾十年中，大量的方法被人們用于風速的預測，總體上來看這些方法大致 可以分為兩類：物理模型方法和統計分析方法。物理模型方法是使用環境中眾 多物理因素來預測風速，其中數值天氣預報是最常見的一種，物理模型方法需 要大量的不同的數據來預測風速，并且在預測過程需要花費大量時間進行計算。 而統計分析方法則是通過分析風速的歷史數據來預測未來數據，該類方法通常 可以被分為三類：時間序列模型、機器學習方法和混合模型。時間序列模型包 括自回歸模型、移動平均模型、自回歸移動平均模型、自回歸整合移動平均模 型。時間序列模型在線性的、平穩的時間序列預測中具有較好的預測效果，但 是在非線性和非平穩的時間序列中就很難達到預期的目標。為了提高預測非線 性和非平穩的風速數據的效果，一些機器學習方法BP神經網絡，支持向量回歸 被用于風速的預測，并且在預測效果上有很大提升。此外，一些組合模型也被 提出，以此來獲得比單一方法具有更好的預測效果。

綜上所述，傳統的單模型AR模型在非線性、非平穩數據的預測上很難達到 預期的效果，而單一SVR模型、LSTM模型在一些風速數據預測上存在預測滯 后等問題，ARMA-ANN模型未考慮風速在頻域上的特征與不同頻率之間相互影 響，基于EMD分解和VMD分解的組合模型則未充分考慮風速不同頻率信號之 間的相互影響。

發明內容

本發明為了克服以上技術的不足，提供了一種基于兩級分解、LSTM和AT 的短期風速預測方法。

術語解釋：

WD：Daubechies小波分解。

VMD：變分模態分解，VMD分解是Konstantin Dragomiretskiy和Dominique Zosso在2014年提出的自適應、準正交、完全非遞歸的變分模式分解模型；該 模型基于Hilbert變換和Wiener濾波，將信號分解為頻譜域中具有限制帶寬的一 系列本征模態函數(Intrinsic mode functions，IMFs)。

LSTM：長短時記憶網絡，是由Sepp Hochreiter提出的用于解決時間反向傳 播(Back-Propagation Through Time，BPTT)存在的梯度消失和梯度爆炸問題。

AT：Attention機制，即在LSTM網絡模型的LSTM層與輸出層之間增加 Attention層。

本發明克服其技術問題所采用的技術方案是：

一種基于兩級分解、LSTM和AT的短期風速預測方法，包括步驟如下：

S1、通過WD小波算法對原始風速作一級分解，并重構為低頻主成分A₁和 高頻噪聲成分D₁；