[發明專利]一種基于CEMD和LSTM的非平穩時間序列數據預測方法

在審

• 申請號: 202210199667.3
• 申請日: 2022-03-01
• 公開（公告）號: CN114548592A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 雷建軍;秦振宇;程旭
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06K9/62;G06V10/762
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

1.一種基于CEMD和LSTM的非平穩時間序列數據預測方法，其特征在于，包括獲取目標數據的歷史數據，對歷史目標數據進行異常值處理，得到處理后的目標數據；目標數據為光伏發電量數據；根據處理后的歷史目標數據預測得到用于光伏發電系統電力調配的目標光伏發電量數據的時序預測具體包括以下步驟：

S1、通過歷史數據構建訓練集，通過實時數據構建測試集；

S2、使用經驗模態分解將測試集和訓練集中的目標序列分解為n個本征模態函數和1個殘差序列；

S3、通過聚類算法對n個本征模態函數聚類為m組，形成m個子序列；

S4、利用訓練集中子序列的特征向量分別對深度LSTM神經網絡和AR模型進行訓練，獲取完成訓練的深度LSTM神經網絡和AR模型；

S5、將測試集中子序列輸入完成訓練的深度LSTM神經網絡和AR模型進行預測，得到非平穩時間序列預測結果；

S6、深度LSTM神經網絡和AR模型得到預測結果輸入卡爾曼濾波器進行矯正，得到最終預測結果。

2.根據權利要求1所述的一種基于CEMD和LSTM的非平穩時間序列數據預測方法，其特征在于，將訓練集和測試集的m個子序列分別與目標序列具有高度相關性的特征向量進行拼接組合，將拼接后的子序列作為深度LSTM神經網絡的輸入。

3.根據權利要求1所述的一種基于CEMD和LSTM的非平穩時間序列數據預測方法，其特征在于，通過歷史數據構建訓練集或者通過實時數據構建測試集的過程包括對數據集進行預處理保證數據格式的一致性；預處理后進行標準化處理，即將數據按比例縮放，將數據轉化為無量綱的純數值。

4.根據權利要求1所述的一種基于CEMD和LSTM的非平穩時間序列數據預測方法，其特征在于，使用經驗模態分解將目標序列分解為n個本征模態函數和1個殘差序列的過程包括：

S21、從訓練集或者測試集中分離出目標序列x(t)；

S22、初始化r₀＝x(t)，i＝1；

S23、計算第i個IMF，初始化h₀＝r_i-1(t)，j＝1；

S24、找到h_j-1(t)的局部極大值點和局部極小值點；

S25、對h_j-1(t)的局部極大值點和局部極小值點分別進行三次樣條函數插值，形成上、下包絡線；

S26、計算上、下包絡線的平均值m_j-1(t)；

S27、判斷h_j(t)＝h_j-1(t)–m_j-1(t)是否為本征模態函數，如果是則imf_i(t)＝h_j(t)且轉到步驟S28；否則轉到步驟S24；

S28、計算序列的剩余量r_i(t)＝r_i-1(t)–imf_i(t)；

S29、如果r_i(t)極值點數仍多于2，則i＝i+1并轉到步驟S23；否則，分解結束，r_i(t)作為殘差序列；目標序列

5.根據權利要求1所述的一種基于CEMD和LSTM的非平穩時間序列數據預測方法，其特征在于，通過k-Shape聚類算法對n個本征模態函數聚類為m組，形成m個子序列的過程包括：

S31、計算各個本征模態函數的動態時間歸整值，將該值作為各個本征模態函數之間的相似度；

S32、將n個本征模態函數作為聚類樣本，并從中隨機選擇m個樣本作為初始簇心；

S33、將其他樣本根據動態時間歸整值分別分類到與其最相似的簇心所在的簇，將計算每個樣本與其簇內其他樣本的距離之和，將該距離之和最小的樣本作為新的簇心，重復本步驟直到簇心不再發生變化；

S34、當簇心不再變化，判斷是否每個樣本的輪廓值是否超過設定的閾值，若超過則輸出聚類結果，否則返回步驟S32。