[发明专利]基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统

权利要求书

1.一种基于两阶段特征提取和改进BiLSTM的光功率预测方法，其特征在于，包括以下步骤：

(1)收集光功率数据，使用偏自相关函数对光功率数据进行浅层特征提取后，然后再进行归一化处理；

(2)构建CNN网络，将浅层特征提取的输出数据送入CNN网络进行深度特征提取，并将其划分为训练集和测试集；

(3)构建BiLSTM模型，实现过程如下：

建立遗忘门单元f_t，公式如下：

f_t＝σ*(w_f*[h_t-1,x_t]+b_f)              (3)

式中，w_f和b_f分别为遗忘门输入的权值和偏置，σ为sigmoid激活函数，h_t-1为上一时刻的输入信息，x_t为当前时刻输入；

i_t＝σ(w_i*[h_t-1,x_t]+b_i)               (5)

式中，w_c和w_i分别为中间变量和输入i_t的权重参数；b_c和b_i分别为中间变量和输入i_t的偏置；tanh为tanh的激活函数；

建立输出门单元，公式如下：

o_t＝σ*(w_o*[h_t-1,x_t]+b_o)              (7)

h_t＝o_t*tanh(C_t)                 (8)

式中，w_o和b_o分别为输出门输入的权值和偏置，C_t为控制门输出，h_t为本LSTM计算单元的输出值；

在t时刻的BiLSTM计算单元的总输出值为前向LSTM单元和后向LSTM单元输出值的和：

h_t＝h_t⁽¹⁾⊕h_t⁽²⁾      (11)

其中，⊕为向量拼接操作；

(4)改进鲸鱼优化算法，引入Lorenz映射产生鲸鱼初始种群，将训练数据送入到改进的鲸鱼优化算法中对步骤(3)构建的BiLSTM模型的学习率和隐含层节点数进行优化；具体实现过程如下：

(41)初始化鲸鱼优化算法的参数种群规模、迭代次数、鲸鱼的位置的上下边界，引入Lorenz映射生成初始种群：

其中，x，y，z分别表示与对流强弱、水平温差和垂直温差有关的变量；参数ζ，η，分别表示和普兰多数、瑞利数和容器大小有关的参数；

(42)计算种群中所有个体的适应度值，得到当前最优的鲸鱼个体位置向量；

(43)引入参数p和收敛因子A，p为[0，1]中的一个随机数，收敛因子A＝a*(2*r₁-1)；r₁为[0,1]之间的随机数，a从2逐渐减小到0；每次迭代时，计算p和收敛因子A的值，当p≤0.5且|A|1，跳转步骤(44)；当p0.5且|A|≥1时，跳转步骤(45)；当p0.5时，跳转步骤(46)；

(44)对鲸鱼个体位置向量进行收缩包围迭代更新；

x(t+1)＝x_rand-A*|C*x_rand-x_t|     (13)

式中，x_t时第t次迭代时个体所在的位置，摆动因子C是[0，2]中的一个随机数，x_rand是鲸鱼种群中的随机个体；

(45)对鲸鱼个体位置向量进行随机搜索捕食迭代更新；对鲸鱼个体位置向量进行螺线捕食迭代更新：

x(t+1)＝x_best-A*|C*x_best-x_t|     (14)

式中，x_best表示当前种群中的最优个体；

(46)对鲸鱼个体位置向量进行螺线捕食迭代更新：

x(t+1)＝d_best*exp(bl)*cos(2πl)+x_best      (15)

式中，d_best＝|x_best-x_t|表示表示个体x在位置更新之前距离最优个体x_best的长度，b是常数，l是区间[－1，1]上的随机数；

(47)迭代次数加1，判断是否达到算法的最大迭代次数，若达到最大迭代次数跳转步骤(48)，否则，进入步骤(42)；

(48)将改进鲸鱼优化算法对BiLSTM的学习率和隐含层节点数进行优化；

(5)使用含有优化参数的BiLSTM模型对光功率进行预测。