System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种融合直接预测和递归预测的风速短期多步预测方法技术_技高网

一种融合直接预测和递归预测的风速短期多步预测方法技术

技术编号:43711494 阅读:3 留言:0更新日期:2024-12-18 21:24
本发明专利技术公开了一种融合直接预测和递归预测的风速短期多步预测方法,该方法包括:获取风速短期多步预测任务的原始数据集,并进行归一化处理,得到训练数据集;基于全局编码器和单步编码器构建多通道LSTM编码层;将训练数据集输入到多通道LSTM编码层进行编码,得到编码状态特征;构建双路解码器,并将编码状态特征输入到双路解码器进行全局递归解码和单步直接解码,得到全局解码特征和单步解码特征;对全局解码特征和单步解码特征进行拼接融合,得到融合特征;基于残差网络和填充策略对融合特征进行训练预测,得到多步预测结果。通过使用本发明专利技术,能够实现提升预测精度的同时兼顾降低预测期间的误差累积。本发明专利技术可广泛应用于风速短期多步预测技术领域。

【技术实现步骤摘要】

本专利技术涉及风速短期多步预测,尤其涉及一种融合直接预测和递归预测的风速短期多步预测方法


技术介绍

1、风速短期多步预测技术是指对一段历史窗口数据进行学习,进而对未来一段时间内风速的变化进行预测。历史窗口数据包括历史时刻的风速值和其他相关变量。例如温度,气压,湿度,降雨等因素。风速短期多步预测面临许多挑战,既有风速的随机性和不确定性、天气条件的变化、地形的影响等外部原因;也有考虑多个预测时刻之间的信息关联和减少多步预测的误差传播等内在技术难题。此外,由于风速的短期变化通常较小,因此预测的精度要求较高,同时这种预测对于风电场的运行管理、电力系统的调度和能源市场的交易都具有重要意义。因此需要不断改进和优化预测方法才能解决满足相关需求。

2、在传统方法中,风速预测以物理模型和统计模型研究为主。物理模型以cfd模型和卡尔曼滤波法为代表,这些方法虽然能够考虑多种物理因素的影响,但是需要投入更多的时间来修正风速,因此它更适合长期预测,而不太适合短期预测。统计模型以arima模型为代表,该统计模型只能捕捉线性关系,对于风速中存在的非线性趋势和变化可能无法准确捕捉,导致预测精度下降。

3、相较于传统方法,机器学习和深度学习模型在风速预测上有着更好的普适性和灵活性。在模型训练阶段,可以适应学习不同的气象条件和时间周期做出相应优化。在预测阶段,现有的预测方案可以分为直接预测和递归预测;其中直接预测没有考虑预测时刻之间的关联,不能很好地预测出变化趋势。而递归预测容易产生误差累积,后续步长的预测的精度不高。因此,现有技术无法兼顾提升预测精度与降低预测期间的误差累积。


技术实现思路

1、为了解决上述技术问题,本专利技术的目的是提供一种融合直接预测和递归预测的风速短期多步预测方法,通过融合递归预测和直接预测的优势,实现提升预测精度的同时兼顾降低预测期间的误差累积。

2、本专利技术所采用的技术方案是:一种融合直接预测和递归预测的风速短期多步预测方法,包括以下步骤:

3、获取风速短期多步预测任务的原始数据集,并进行归一化处理,得到训练数据集;

4、基于全局编码器和单步编码器构建多通道lstm编码层;

5、将所述训练数据集输入到所述多通道lstm编码层进行编码,得到编码状态特征;

6、构建双路解码器,并将所述编码状态特征输入到所述双路解码器进行全局递归解码和单步直接解码,得到全局解码特征和单步解码特征;

7、对所述全局解码特征和单步解码特征进行拼接融合,得到融合特征;

8、基于残差网络和填充策略对所述融合特征进行训练预测,得到多步预测结果。

9、进一步,所述多通道lstm编码层由第一lstm通道和其他lstm通道构成,其中:

10、所述第一lstm通道采用全局编码器;

11、所述其他lstm通道采用单步编码器。

12、进一步,所述编码状态特征,其表达式如下:

13、

14、其中,xt表示训练数据集中的第t个样本;表示第一lstm通道;表示全局编码状态;表示第n个lstm通道;表示第n个lstm通道的单步编码状态。

15、进一步,所述全局解码特征,其表达式如下:

16、

17、其中,表示全局编码状态;表示第一lstm通道解码器;表示第n步的全局递归解码特征。

18、进一步,所述单步解码特征,其表达式如下:

19、

20、其中,表示第n个lstm通道解码器;表示第n个lstm通道的单步编码状态;表示第n个单步解码特征。

21、进一步,所述融合特征,其表达式如下:

22、

23、其中,表示第n步的全局递归解码特征;表示第n个单步解码特征;表示第n个融合特征。

24、进一步,所述填充策略为对所述融合特征序列左侧填充左边界值,保证序列长度不变。

25、本专利技术方法的有益效果是:本专利技术设计了多通道lstm编解码网络,通过在编解码过程中融合递归预测和直接预测的优势,能够提取出更全面的隐藏信息;通过残差网络进行最终的预测结果转换,充分考虑了预测期间的信息关联,进一步提升预测精度并且降低了预测期间的误差累积;采用左填充边界值的策略维持序列长度,避免对序列信息的学习造成干扰;最终实现提升预测精度的同时兼顾降低预测期间的误差累积。

本文档来自技高网...

【技术保护点】

1.一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述多通道LSTM编码层由第一LSTM通道和其他LSTM通道构成,其中:

3.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述编码状态特征,其表达式如下:

4.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述全局解码特征,其表达式如下:

5.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述单步解码特征,其表达式如下:

6.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述融合特征,其表达式如下:

7.据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述填充策略为对所述融合特征序列左侧填充左边界值,保证序列长度不变。

【技术特征摘要】

1.一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述多通道lstm编码层由第一lstm通道和其他lstm通道构成,其中:

3.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,其特征在于,所述编码状态特征,其表达式如下:

4.根据权利要求1所述一种融合直接预测和递归预测的风速短期多步预测方法,...

【专利技术属性】
技术研发人员:陈靖宇赵铭恒
申请(专利权)人:广东工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1