[發(fā)明專利]一種基于混合神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010484805.3
• 申請日: 2020-06-01
• 公開（公告）號: CN111695724B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計）人: 胡偉飛;何亦菡;程錦;劉振宇;譚建榮
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/15;G06N3/0464;G06N3/0442;G06N3/049;G06N3/08;G06Q50/06
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 賈玉霞

1.一種基于混合神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速預(yù)測方法，其特征在于，包括以下步驟：

S1：采集短期風(fēng)速時間序列，所述的短期風(fēng)速時間序列為隨機(jī)非穩(wěn)態(tài)的時間序列；

S2：對S1的短期風(fēng)速時間序列進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解，分解為一系列規(guī)律變化的本征模函數(shù)和殘差信號；所述S2具體包括以下子步驟：

S2.1：定義輔助分析的白噪聲的標(biāo)準(zhǔn)差；

S2.2：利用S2.1所定義的標(biāo)準(zhǔn)差隨機(jī)生成一條白噪聲，并加入到S1的短期風(fēng)速時間序列中，得到信號s(t)；

S2.3：擬合信號s(t)的上下包絡(luò)線，并計算其平均值，得到平均信號m(t)；

S2.4：從信號s(t)中去除平均信號m(t)，并得到新的時間序列H(t)；

S2.5：對新的時間序列H(t)重復(fù)步驟S2.3和S2.4，直到當(dāng)前時間序列信號滿足本征模函數(shù)的特征要求，得到一個本征模函數(shù)c(t)；

S2.6：從信號s(t)中減去S2.5得到的本征模函數(shù)c(t)，得到殘差信號r(t)，并對殘差信號r(t)重復(fù)步驟S2.3～S2.5，從而從原始信號中分離出一系列本征模函數(shù)，直到殘差信號r(t)滿足停止條件；

S2.7：重復(fù)步驟S2.2～S2.6?M次，得到最終的本征模函數(shù)IMF_j：

其中，c_j,m表示第m次進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到的第j個本征模函數(shù)；

S3：對每一個本征模函數(shù)和殘差信號建立長短期記憶神經(jīng)網(wǎng)絡(luò)模型，并使用貝葉斯優(yōu)化算法調(diào)節(jié)優(yōu)化神經(jīng)網(wǎng)絡(luò)的超參數(shù)；所述的S3具體為：

S3.1：定義優(yōu)化問題，即在搜索范圍θ^L≤θ≤θ^θ內(nèi)，找到θ^*＝argminf(θ)

其中，θ為長短期記憶神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)組，θ＝[θ¹,θ²,θ³,θ⁴]，θ¹,θ²,θ³,θ⁴分別為學(xué)習(xí)率、隱藏層層數(shù)、隱藏層節(jié)點(diǎn)數(shù)和時間步；f(θ)為超參數(shù)組θ與神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)值之間存在的關(guān)系；隱藏層層數(shù)的搜索范圍為1～5，每個隱藏層的節(jié)點(diǎn)數(shù)搜索范圍為1～200，時間步的搜索范圍為1～150，學(xué)習(xí)率的搜索范圍為0.000001-0.1；

S3.2：對長短期記憶神經(jīng)網(wǎng)絡(luò)模型的權(quán)重矩陣和偏置矩陣進(jìn)行初始化，并使用Adam優(yōu)化算法對長短期記憶神經(jīng)網(wǎng)絡(luò)模型的權(quán)重矩陣和偏置矩陣進(jìn)行迭代更新；

S3.3：用測試集數(shù)據(jù)對訓(xùn)練好的長短期記憶神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，計算測試集的損失函數(shù)值；

S3.4：利用貝葉斯優(yōu)化中的采樣函數(shù)，得到下一組設(shè)計變量的值；所述的S3.4具體過程如下：

(1)假設(shè)優(yōu)化目標(biāo)為Y＝f(θ)，則得到一組采樣點(diǎn){(θ₁,y₁),(θ₂,y₂),…,(θ_n,y_n)}；設(shè)定函數(shù)f(θ)符合高斯過程，即Y～N(μ,K)，在f(θ)中加入零均值的高斯白噪聲，求得n個樣本的有限集合的先驗(yàn)分布表示為Y～N(μ,K+σ²I)；

其中，K為協(xié)方差矩陣，μ為一n×1的平均向量：

μ＝[μ₁,μ₂,…,μ_n]^T

k為ARD?Matern?5/2協(xié)方差函數(shù)：

I為一個n×n的單位矩陣；σ²為白噪聲的方差；

(2)給定采樣集S_d＝[X_n,Y_n]，下一個采樣點(diǎn)θ_n+1及其函數(shù)值f(θ_n+1)也符合高斯分布所述的下一個采樣點(diǎn)利用采樣函數(shù)得到；

其中，

X_n＝[θ₁,θ₂,…,θ_n]^T，Y_n＝[f(θ₁),f(θ₂),…,f(θ_n)]^T；

f(θ_n+1)的均值μ_n+1|D和方差表示為：

μ_n+1|D＝n(θ_n+1)+k(θ_n+1,X_n)(K+σ²I)^-1(Y_n-m)

其中，

m＝[m(θ₁),m(θ₂),…,m(θ_n)]^T

k(θ_n+1,X_n)＝[k(θ_n+1,θ₁),k(θ_n+1,θ₂),…,k(θ_n+1,θ_n)]

k(X_n,θ_n+1)＝k(θ_n+1,X_n)^T；

S3.5：重復(fù)步驟S3.2～S3.4，直到滿足優(yōu)化停止條件，得到優(yōu)化的長短期記憶神經(jīng)網(wǎng)絡(luò)模型；

S4：使用S3得到的訓(xùn)練后的長短期記憶神經(jīng)網(wǎng)絡(luò)模型對S2得到的本征模函數(shù)和殘差信號進(jìn)行預(yù)測，得到每一個本征模函數(shù)和殘差信號的預(yù)測值；

S5：將所有本征模函數(shù)和殘差信號的預(yù)測值進(jìn)行疊加，得到原始時間序列的最終預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟S3.4中的采樣函數(shù)為期望增量函數(shù)。