[发明专利]一种集成深度学习和数据去噪的短期风速预测方法

权利要求书

1.一种集成深度学习和数据去噪的短期风速预测方法，其特征在于，包括以下步骤：

1)获取原始风速序列，并对所述原始风速序列进行预处理，得到风速序列A:{α₁,α₂,…,α_l}；l为数据序列的长度；

2)利用离散小波变换对风速序列A进行分解，得到包含低频信息的比例系数c_m,n和包含高频信息的小波系数d_m,n；

3)设置阈值λ，并利用小波软阈值去噪方法区分离散小波变换后的噪声信号和有效信号；

4)将噪声信号的小波变换系数设为零，并重建风速时间序列，得到去噪后的风速序列B:{b₁,b₂,…,b_l}；

5)利用风速序列B训练门控循环单元神经网络，得到风速预测模型；

6)将实时风速输入到风速预测模型中，完成未来多步风速预测；

利用离散小波变换对风速序列A进行分解的步骤如下：

2.1)设置小波函数为二进小波，即令a＝2^m,b＝n2^m,m,n∈Z；a为尺度因子，b为时移因子，m为尺度，n是与时移有关的参数；

2.2)利用尺度因子a、时移因子b对母小波ψ(·)进行伸缩和时移变换，得到小波序列ψ_m,n(t)，即：

2.3)基于公式(1)和小波序列定义公式，计算离散小波变换系数W_x，即：

式中，W_x为表示小波变换系数；x(t),ψ_m,n(t)表示离散小波变换系数W_x与输入x(t)和小波序列ψ_m,n(t)相关；表示ψ(·)的共轭；x(t)为小波变换的输入，也即风速序列A；

2.4)利用Mallat算法对输入x(t)进行多级离散小波变换分解，得到包含低频信息的比例系数c_m,n和包含高频信息的小波系数d_m,n；

分解公式如下：

式中，φ(·)为小波函数；

比例系数c_m,n和小波系数d_m,n分别如下所示：

区分离散小波变换后的噪声信号和有效信号的方法为：判断信号的小波变换系数绝对值|W_x|≥λ是否成立，若成立，则对应信号为有效信号，若不成立，则对应信号为噪声信号；区分后，将噪声信号的小波变换系数设为0，即：

式中，W_x表示小波变换系数；sign(·)表示符号函数；表示评估后的小波变换系数；

建立风速预测模型的步骤如下：

5.1)建立风速序列矩阵X:{x₁,x₂,...,x_l}，即：

式中，n为预测次数，m为预测器的输入次数；l＝n+m-1；x_i＝b_i,i＝1,2,…,l；

5.2)提取风速序列矩阵X的第i行作为输入向量X_i，即：

X_i＝{x_i,x_i+1,…,x_i+m-1}_1×m；      (8)

式中，i初始值为1；

5.3)基于门控循环单元神经网络，建立预测函数f(·)；预测函数f(·)的更新门z_t、复位门r_t如下所示：

z_t＝σ(W_xzx_t+W_hzh_t-1+b_z)；     (9)

r_t＝σ(W_xrx_t+W_hrh_t-1+b_r)；      (10)

式中，当前神经元的输入x_t为当前t时刻的输入向量X_i；W_xz为当前神经元输入与更新门之间的权值；W_hz为隐藏状态与更新门之间的权值；h_t-1表示前一个神经元的输出；b_z是更新门的偏置；σ为sigmoid函数；W_xr为当前神经元输入与复位门之间的权值；W_hr为隐藏状态与复位门之间的权值；b_r是复位门的偏置；

当前神经元的输出h_t如下所示：

式中，为候选隐藏状态；

5.4)将输入向量X_i输入到预测函数f(·)中，得到输出状态y_t，即：

y_t＝σ(W_hoh_t+b_h)；       (12)

式中，W_ho为隐藏状态与最终输出状态之间的权值；b_h是隐态的偏置；

5.5)将输出状态y_t赋值给第i个预测时刻的预测输出y_i+m，得到：

y_i+m＝f(X_i)＝f({x_i,...,x_i+m-1}),i＝1,2,…,n；    (13)

5.6)令i＝i+1，重复步骤5.2)至步骤5.4)，直至风速序列矩阵每行向量均预测完毕，输出单步风速预测结果Y_output:{y_1+m,y_2+m,…,y_n+m}_1×n；

5.7)基于单步时间序列预测，进行多步时间序列的预测；

预测器f(X_i,c)的单轮输出，即第i次预测时第c步预测结果y_i+m+(c-1)如下所示：

y_i+m+(c-1)＝f(X_i,c)＝f({x_i+(c-1),x_i+c,...,x_m,y_i+m,...y_i+m+(c-2)})；  (14)

式中，c为预测超前步骤；X_i，c为第i次预测时第c步时预测器的输入向量；

5.8)利用公式(10)对风速序列矩阵每行向量进行预测，整合得到风速预测结果Y_output:{y_1+m+(c-1),y_2+m+(c-1)...,y_n+m+(c-1)}_1×n。

2.根据权利要求1所述的一种集成深度学习和数据去噪的短期风速预测方法，其特征在于：所述预处理包括线性插值和归一化。