基于最优深度学习和简约集合模型的短期风速预测方法技术

本发明专利技术提出了一种基于最优深度学习和简约集合模型的短期风速预测方法，包括以下步骤：S1，对采集的原始序列进行分解，得到多个模态分量；S2，将所述多个模态分量分别输入深度置信网络DBN，得到多个预测结果；S3，将所有预测结果进行汇总相加，得到最终的风速预测序列。本发明专利技术采用二次分解处理风速序列，能完全处理风速序列的非平稳特性。还采用DBN处理利用分解技术得到的子序列，由于能够提取数据的深层特征，能更准确地建立输入

【技术实现步骤摘要】
基于最优深度学习和简约集合模型的短期风速预测方法


[0001]本专利技术涉及风速预测
，特别是涉及一种基于最优深度学习和简约集合模型的短期风速预测方法。

技术介绍

[0002]近年来，研究人员提出了三种主要的风速预测方法。第一种方法是利用气象和地理数据来预测风速，其建立的预测模型也被称为物理模型，然而，在短期风速预测领域，它的表现并不理想。与物理模型相比，统计方法是第二种预测方法，它试图在输入和输出之间建立一种数学关系，因此其预测精度更高。然而，缺点是它不能检测风速序列的非线性特征。基于人工智能的方法，如ANN、SVM、模糊逻辑等，是在短期风速预测中取得巨大成功的第三种预测方法。其中，深度学习更是表现突出，能够获得高度准确的预测结果。此外，深度学习还被应用于其他方面的预测，如电力负荷和价格，并具有很高的准确性。
[0003]然而，人工智能模型的应用只是提高预测精度的一部分，在最近的许多研究中，数据预处理技术已经成为处理风速序列的非线性和非平稳特性的有力工具。其中的单一分解技术结合人工智能模型在序列预测中的应用已得到广泛实现，但由于单一分解技术总是不能完全处理风速序列的非平稳特性，因此在建模过程中仍有很大的改进空间。
[0004]如今有各种方法来处理利用分解技术得到的子序列，在一些研究中，得到的子序列被选择分别输入不同的预测模型。例如，Zhang等人设计了一个基于CEEMDAN和五个神经网络的组合模型。它首先应用CEEMDAN将原始风速信号分解成几个IMF，然后，将这些IMF分别送入BPNN、RBFNN、GRNN、WNN和ENN进行风速预测。虽然这样可以在一定程度上提高预测精度，但多个预测模型势必会增加需要调整的参数和系统复杂度，进而导致训练效率降低，而且各个预测模型的权重系数也不容易确定。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于最优深度学习和简约集合模型的短期风速预测方法。
[0006]为了实现本专利技术的上述目的，本专利技术提供了一种基于最优深度学习和简约集合模型的短期风速预测方法，包括以下步骤：
[0007]S1，对采集的原始序列进行分解，得到多个模态分量；
[0008]S2，将所述多个模态分量分别输入深度置信网络DBN，得到多个预测结果；
[0009]S3，将所有预测结果进行汇总相加，得到最终的风速预测序列。
[0010]采用单个DBN代替多个预测模型，不仅可以获得准确的预测结果，还可以降低系统复杂度，提高训练效率，实现简约集合和高效预测。
[0011]进一步地，所述S1包括：
[0012]S1
‑
1，采用CEEMDAN对原始序列进行一级分解得到若干IMF分量，所述IMF分量包括最高频率分量IMF1即第一模态分量；
[0013]S1
‑
2，对所述高频率分量IMF1采用VMD进行二级分解得到若干模态分量u。
[0014]受添加的高斯白噪声和风速的波动性影响，所述IMF分量的个数为5～10个；
[0015]由于模态分量u与最高频率分量IMF1相关，模态分量u的个数为8～12个。
[0016]进一步地，所述深度置信网络DBN包括多个RBM和一个回归层神经网络，所述回归层神经网络为BPNN、GRNN、RBFNN中的任一种。
[0017]进一步地，当回归层神经网络为BPNN时，所述BPNN的激活函数为tanh。
[0018]相较于BPNN常采用的激活函数sigmoid，采用tanh的效果更好。
[0019]进一步地，采用乌鸦搜索算法CSA优化所述DBN的超参数，包括以下步骤：
[0020]第1步，初始化乌鸦的位置和记忆：N只乌鸦根据公式(21)生成一个原始位置种群，再用公式(22)获得对立位置种群，然后合并原始位置种群和对立位置种群并计算它们的适应度值，从中选取适应度值最好的N个位置作为初始种群；在第一次迭代中，每只乌鸦的记忆被初始化为它们的初始位置；
[0021]x
i
＝lb
i
+rand(0,1
·
(ub
i
‑
lb
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0022]其中，x
i
表示初始化时乌鸦i的原始位置；
[0023]rand(0,1)表示0到1之间的一个随机数；
[0024]lb
i
、ub
i
分别表示乌鸦i位置即被优化超参数的最小值、最大值；
[0025]ox
i
＝lb
i
+ub
i
‑
x
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0026]ox
i
表示始化时乌鸦i的对立位置；
[0027]第2步，评估适应度值：计算每只乌鸦对应的适应度值，以此来确定其位置的质量；
[0028]第3步，更新位置：在每次迭代中，乌鸦i的位置按如下规则更新：
[0029]当r
i
≥AP
j,iter
时，x
i,iter+1
＝x
i,iter
+r
i
×
fk
i,iter
×
(m
j,iter
‑
x
i,iter
)；
[0030]当r
i
＜AP
j,iter
时，x
i,iter+1
的值为一个任意值；
[0031]其中，x
i,iter+1
表示示乌鸦i在第iter+1次迭代时的位置；
[0032]fl
i,iter
表示乌鸦i在第iter次迭代时的飞行距离；
[0033]m
j,iter
表示乌鸦j在第iter次迭代时的记忆；
[0034]r
i
是在0和1之间的随机数；
[0035]AP
j,iter
表示迭代时乌鸦j的感知概率，取0.1～0.2；
[0036]第4步，检查新位置的可行性：如果乌鸦的新位置处于被优化超参数的最小值到被优化超参数的最大值范围内，乌鸦就会留在这个位置，否则就还是留在原位；
[0037]第5步，更新记忆：如果乌鸦新位置的适应度值优于记忆位置的适应度值，则乌鸦通过新位置更新其记忆，否则，保持原来的记忆；
[0038]第6步，检查终止标准：当达到最大迭代次数iter
max
时，满足终止标准，得到DBN超参数的最佳值。
[0039]进一步地，所述超参数包括RBM的个数、学习率和批量大小之一或者任意组合。
[0040]综上所述，由于采用了上述技术方案，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优深度学习和简约集合模型的短期风速预测方法，其特征在于，包括以下步骤：S1，对采集的原始序列进行分解，得到多个模态分量；S2，将所述多个模态分量分别输入深度置信网络DBN，得到多个预测结果；S3，将所有预测结果进行汇总相加，得到最终的风速预测序列。2.根据权利要求1所述的一种基于最优深度学习和简约集合模型的短期风速预测方法，其特征在于，所述S1包括：S1
‑
1，采用CEEMDAN对原始序列进行一级分解得到若干IMF分量，所述IMF分量包括最高频率分量IMF1即第一模态分量；S1
‑
2，对所述高频率分量IMF1采用VMD进行二级分解得到若干模态分量u。3.根据权利要求1所述的一种基于最优深度学习和简约集合模型的短期风速预测方法，其特征在于，所述深度置信网络DBN包括多个RBM和一个回归层神经网络，所述回归层神经网络为BPNN、GRNN、RBFNN中的任一种。4.根据权利要求3所述的一种基于最优深度学习和简约集合模型的短期风速预测方法，其特征在于，当回归层神经网络为BPNN时，所述BPNN的激活函数为tanh。5.根据权利要求1所述的一种基于最优深度学习和简约集合模型的短期风速预测方法，其特征在于，采用乌鸦搜索算法CSA优化所述DBN的超参数，包括以下步骤：第1步，初始化乌鸦的位置和记忆：N只乌鸦根据公式(21)生成一个原始位置种群，再用公式(22)获得对立位置种群，然后合并原始位置种群和对立位置种群并计算它们的适应度值，从中选取适应度值最好的N个位置作为初始种群；在第一次迭代中，每只乌鸦的记忆被初始化为它们的初始位置；x
i
＝lb
i
+rand(0，1)
·
(ub
i
‑
lb
i
)
ꢀꢀꢀꢀ
(21)其中，x
i
表示初始化时乌鸦i的原始位置；rand(0，1)表示0到1之间的一个随机数；lb
i
、ub
i
分别表示乌鸦i位置即被优化超参数的最小值、最大值；...

【专利技术属性】
技术研发人员：车金星，夏文鑫，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：