一种基于邻域门长短期记忆网络的风速预测方法及系统技术方案

本发明专利技术属于风速预测技术领域，公开了一种基于邻域门长短期记忆网络的风速预测方法及系统，分别采用皮尔逊相关系数和最大信息系数来探究变量间的线性和非线性相关性以筛选风速相关因子；在相关性分析的基础上利用格兰杰因果关系检验探究风速及风速因子在统计意义上的因果关系；将因果关系的结构分为5类，并通过“分解‑虚变量‑剪枝”的方法将所有类型的因果关系统一为一种等价树因果关系结构；针对等价树因果关系结构，提出基于邻域门的长短期记忆网络模型来预测风速。本发明专利技术的预报方法(NLSTM)精确考虑了风速及风速因子之间的因果关系，有效提高了风速的预测精度，对风电的应用和电网的调度具有至关重要的作用。

【技术实现步骤摘要】
一种基于邻域门长短期记忆网络的风速预测方法及系统
本专利技术属于风速预测
，尤其涉及一种基于邻域门长短期记忆网络的风速预测方法及系统。
技术介绍
目前，业内常用的现有技术是这样的：风能是一种有前景的可再生清洁能源，近年来受到来自世界各地的广泛关注。越来越多的风电接入电力系统，使得电力系统变得不可靠，这是由风速的强波动性和强随机性造成的。因此，精确预测风速对风能的利用和电力系统的高效调度具有至关重要的作用。风速受诸多气象因子的影响，包括气压，温度，湿度等因子。因子之间错综复杂的关系使得风速预测变得困难，传统机器学习方法预测风速所能达到的精度有限。深度学习方法长短期记忆网络(LSTM)在解决像风速这样的时间序列预测问题时具有较高的预测精度，但是LSTM通常被当作黑箱模型来使用，这使得模型的可解释性变弱。通过特征工程分析出风速影响因子的相关关系并理清它们之间的因果关系对提高风速预测精度和增强模型的可解释性都非常有利。因此，如何分析出风速及其相关因子之间的因果关系并将这种因果关系精确地考虑进LSTM，以提高风速预测精度并增强模型的可解释性是亟需解决的理论和实际工程问题。在特征工程中，常本文档来自技高网...

【技术保护点】
1.一种基于邻域门长短期记忆网络的风速预测方法，其特征在于，所述基于邻域门长短期记忆网络的风速预测方法分别采用皮尔逊相关系数和最大信息系数分析变量间的线性和非线性相关性筛选风速相关因子；在相关性分析的基础上利用格兰杰因果关系分析风速及风速因子在统计意义上的因果关系；将因果关系的结构进行分类，并通过分解‑虚变量‑剪枝的方法将所有类型的因果关系统一为一种等价树因果关系结构；对等价树因果关系结构，通过基于邻域门的长短期记忆网络模型预测风速。

【技术特征摘要】
1.一种基于邻域门长短期记忆网络的风速预测方法，其特征在于，所述基于邻域门长短期记忆网络的风速预测方法分别采用皮尔逊相关系数和最大信息系数分析变量间的线性和非线性相关性筛选风速相关因子；在相关性分析的基础上利用格兰杰因果关系分析风速及风速因子在统计意义上的因果关系；将因果关系的结构进行分类，并通过分解-虚变量-剪枝的方法将所有类型的因果关系统一为一种等价树因果关系结构；对等价树因果关系结构，通过基于邻域门的长短期记忆网络模型预测风速。2.如权利要求1所述的基于邻域门长短期记忆网络的风速预测方法，其特征在于，所述基于邻域门长短期记忆网络的风速预测方法具体包括：(1)收集风速Y及可能是风速的影响因子的数据(2)分别利用皮尔逊相关系数MIC和最大信息系数MIC分析风速和可能为风速影响因子之间的线性和非线性相关性，得到风速相关因子[x1,x2,,…,xn]，与风速的皮尔逊相关系数绝对值或最大信息系数大于0.5的影响因子均作为风速相关因子；(3)利用格兰杰因果关系分析风速Y及风速相关因子[x1,x2,,…,xn]在统计意义上的因果关系；(4)根据风速及风速相关因子之间因果关系的形状，将因果关系结构分为中心枢纽，链式，环状，树状和网络状共五种结构；中心枢纽结构和链式结构分别是树状结构在横向扩展和纵向扩展的特例，环状结构分解为一系列的链式结构，中心枢纽结构、链式结构和环状结构三种因果关系结构均转换为树状因果关系结构；(5)从风速开始逆因果关系将网络状结构分解出多条链式结构，存在于多条分解线中的因子用虚变量替换和区分，将各条分解线组合成树状结构，根据计算资源大小对树状结构进行剪枝，得到最终的等价树结构，因此所有类型的因果关系结构均转换为等价树因果关系结构；(6)根据等价树因果关系结构，构建由风速因子和风速组成的训练集DTa＝[xTa,YTa]和只由预报因子组成的测试集DTe＝[xTe]，并对数据进行归一化处理；(7)根据等价树因果关系构建基于邻域门的长短期记忆网络NLSTM，设置NLSTM的参数，包括输入层节点数ni，隐藏层节点数nh，输出层节点数no，固定学习率η，批大小T，训练轮数Ep；(8)采用结合mini-batch机制的Adam优化算法在训练集DTa上训练NLSTM；(9)将测试集DTe输入到训练好的NLSTM中进行预测，得到风速预测结果y。3.如权利要求2所述的基于邻域门长短期记忆网络的风速预测方法，其特征在于，步骤(8)中，第t个时段信息前向传播的步骤和计算公式为：a.各个节点先独立完成标准LSTM的前向传播fit＝σ(netf,i,t)＝σ(wfh,i·hi,t-1+wfx,i·xit+bf,i)(1)iit＝σ(neti,i,t)＝σ(wih,i·hi,t-1+wix,i·xit+bi,i)(2)ait＝tanh(neta,i,t)＝tanh(wah,i·hi,t-1+wax,i·xit+ba,i)(3)Cit＝fit*Ci,t-1+iit*ait(4)oit＝σ(neto,i...

【专利技术属性】
技术研发人员：覃晖，张振东，欧阳硕，刘永琦，戴明龙，邵骏，李杰，裴少乾，朱龙军，
申请(专利权)人：华中科技大学，长江水利委员会水文局，
类型：发明
国别省市：湖北,42