[发明专利]基于卡尔曼滤波的风速序列预测方法

权利要求书

1.一种基于卡尔曼滤波的风速序列预测方法，其特征在于，利用时间序列分析方法建立风速时间序列的高阶AR模型，由此建立卡尔曼滤波的状态方程和测量方程，利用时间序列分析方法建立风速时间序列的训练样本对，采用迟滞神经网络实现风速序列的预测分析，利用迟滞神经网络的预测结果作为卡尔曼滤波的测量值，根据AR模型和迟滞神经网络模型的预测误差确定卡尔曼滤波方法的状态方程和测量方程的斜方差矩阵，从而实现卡尔曼滤波方法对风速序列的预测分析。

2.根据权利要求1所述的一种基于卡尔曼滤波的风速序列预测方法，其特征在于，所述的迟滞神经网络的神经元是迟滞神经元，迟滞神经元有n个输入单元x₁(t)，x₂(t)，...，x_n(t)和一个阈值θ.神经元的内部变量为s(t+1)：

s(t+1)=s(t)+Δs(t+1)=Σi=1nwixi(t)-θ---(1)]]>

其中Δs(t+1)为t+1时神经元内部的增量：

Δs(t+1)=[Σi=1nwixi(t)-θ]-s(t)---(2)]]>

神经元的内部增量Δs(t输入到神经元的迟滞算子中，迟滞算子的输出d为激励函数的迟滞参数：

d(t+1)=a,ifΔs(t+1)>h-a,ifΔs(t+1)<-hd(t),if-h<Δs(t+1)<h---(3)]]>

式中h>0，a>0；

y(t+1)为激励函数f()的输出：

y(t+1)=f(s(t+1),d(t+1))=11+exp[-c(s-d)]---(4)]]>

利用该迟滞神经元构造的迟滞神经网络模型，网络中输入层含有m个单元，隐含层含有M个单元，输出层含有1个单元；设风速序列建立的AR模型为p阶，则输入层的单元数为m=p，隐含层的单元数M=2p，采用梯度学习算法训练网络参数。

3.根据权利要求1所述的一种基于卡尔曼滤波的风速序列预测方法，其特征在于，利用迟滞神经网络预测出k+1时刻的风速值作为卡尔曼滤波测量方程的Z(k+1)；系统噪声w(k)的协方差矩阵Q(k)和测量噪声v(k)的协方差矩阵R(k)均选择对角阵，根据AR(p)模型和迟滞神经网络模型的预测误差计算Q(k)和R(k)。