[发明专利]一种基于CNN-LSTM的风速预测方法

权利要求书

1.一种基于CNN-LSTM的风速预测方法，其特征及具体步骤如下：

S1，对气象要素的原始记录数据进行数据清洗。对于其中的缺损值或奇异值，将该值替换成前后两个值的平均值或是某一时间区间的均值，当遇到非数值型数据时进行数据格式编码；

S2，以N个站点的F个气象要素的历史记录数据作为输入，通过Z-score方法对数据进行标准化处理，使其满足(0,1)标准正态分布；

S3，利用PCA技术将原来具有一定相关性的F个气象要素进行线性组合，通过正交变换将其转换为一组线性不相关的变量；

S4，通过LASSO算法从上步骤产生的变量中提取影响风速变化的气象要素特征集，将其作为预测模型的输入；

S5，通过空间特征提取算法提取目标站点和其相邻站点的气象因素之间的潜在空间关系，得到目标站点在T个预报时次上的空间特征向量，结合莫兰指数对风速变化的空间关系进行分析检验；

S6，通过时间特征提取算法在T个空间特征向量上提取时间特征关系，并采用Adam算法不断优化，获得目标站点的风速预测结果；

S7，以预测值和真实值的拟合度平均绝对百分比误差MAPE作为评估指标，在测试集上验证风速预测的准确率。

2.根据权利1所述的一种基于CNN-LSTM的风速预测方法，其特征在于，对于步骤S2，本发明采用Z-score数据标准化算法对步骤S1中的数据进行标准化处理，将所有数据同样转换为零值附近区域值，处理后的数据满足(0,1)标准正态分布，定义表示为：

式(1)中，某一气象要素的平均值，σ为该气象要素的标准差。

3.根据权利1所述的一种基于CNN-LSTM的风速预测方法，其特征在于，对于步骤S3，本发明采用基于SVD分解协方差矩阵实现的PCA主成分分析方法。设定原始气象要素集X＝{x₁,x₂,x₃,...,x_n}并将其表示为二维矩阵。将每一个气象要素的数据减去各自的平均值得到新的矩阵向量。计算协方差矩阵XX^T，通过SVD计算协方差矩阵XX^T的特征值与特征向量并对特征值从大到小排序，选择其中最大的k个。然后将k个特征向量分别作为列向量组成特征向量矩阵做低维投影降维，将数据转换到k个特征向量构建的新空间中。

4.根据权利1所述的一种基于CNN-LSTM的风速预测方法，其特征在于，对于步骤S4，本发明采用LASSO算法从PCA筛选出的主成分中进一步提取出能够对风速变化带来显著影响的特征气象要素。通过LASSO回归构造一个惩罚函数得到一个精炼模型，使得它压缩一些系数同时设定一些系数为0。在本发明中，给定有m个气象要素的特征向量x＝(x₁,x₂,...,x_m)其中x_i为x在第i个特征上的取值，通过m个气象特征的线性组合来进行预测风速，具体计算如下：

f(x)＝w₁x₁+w₂x₂+...+w_mx_m (2)

式(2)中，(w₁,w₂,...w_m)是特征气象要素的权重。损失函数定义为：

loss(w)＝||f(x)-y||²+σ||w|| (3)

式(3)中，y表示风速实测值，σ||w||是正则化项，具体计算如下，

式(4)中，n为某一气象要素的样本个数，k为参数个数，其中的为L1正则化。通过对loss(w)求最小值，LASSO模型学习得到w，从而LASSO回归模型得以确定。随着惩罚力度的加强(超参数σ变大)，越来越多的变量会被收缩为0，从而得到最终的特征气象要素。