一种基于概率性长短期记忆模型的风速区间预测方法技术

本发明专利技术提供了一种基于概率性长短期记忆模型的风速区间预测方法，首先构建LSTM时序预测模型和高斯过程回归概率性预测模型；然后根据所述LSTM时序预测模型和高斯过程回归概率性预测模型，构建概率性的LSTM时序预测模型；通过提取的预报因子和预报对象，训练得到所述概率性的LSTM时序预测模型参数，得到最优概率性的LSTM时序预测模型；针对任意一组风速预报因子，提取预报风速的均值和方差，根据所述均值和方差构建风速的正态分布，以便预测得到高精度的风速结果。本发明专利技术的有益效果是：能快速提供风速区间预测结果，且该预测结果具有深度学习的高精度拟合特性。学习的高精度拟合特性。学习的高精度拟合特性。

【技术实现步骤摘要】
一种基于概率性长短期记忆模型的风速区间预测方法


[0001]本专利技术涉及风速预测
，尤其涉及一种基于概率性长短期记忆模型的风速区间预测方法。

技术介绍

[0002]大规模风能开发已成为解决能源和环境问题的重要战略之一，对风能的准确预测能为发电计划编制做出合理参考。数据挖掘模型已被广泛用于风速预测，包括多元线性回归、时间序列分析、模糊聚类和人工神经网络。近年来，受深度学习在人类感知、图像分类和环境模拟等领域的快速发展和成功应用的启发，研究人员开始将各种深度网络模型引入风速预测。长短期记忆(LSTM)是一种改进的循环神经网络架构，能够解决梯度消失问题。然而，包括风速在内的气候变量受到不确定性的困扰，概率风速预测成为一个更好的选择。值得一提的是，采用传统的集合模型进行概率预测时，需要个体数量足够大以保证概率预测具有更好的可靠性。然而，LSTM通过复杂的循环结构和反馈算法处理相关序列，复杂且耗时，因此很少人实现在深度学习框架内进行概率风速预测。因此，需要一个更直接、可靠的深度学习模型进行风速区间预测。由此可见，现有技术还不能完全解决基于长短期记忆模型的风速区间预测问题。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种基于概率性长短期记忆模型的风速区间预测方法，主要包括以下步骤：
[0004]S1：构建LSTM时序预测模型，包括输入层，LSTM隐藏层和回归输出层；
[0005]S2：构建高斯过程回归概率性预测模型，包括输入层和高斯过程回归输出层；
[0006]S3：将所述高斯过程回归输出层替换LSTM时序预测模型中的回归输出层，得到概率性的LSTM时序预测模型；
[0007]S4：提取预报因子；
[0008]S5：提取预报对象；
[0009]S6：利用所述预报因子和预报对象训练得到所述概率性的LSTM时序预测模型参数，得到最优概率性的LSTM时序预测模型，该最优概率性的LSTM时序预测模型的输入是预报因子，输出是预报时刻风速正态概率分布的均值和方差；
[0010]S7：选取预报时刻前期任意一组预报因子，输入至所述最优概率性的LSTM时序预测模型，得到风速概率分布的均值和方差；
[0011]S8：根据所述风速概率分布的均值和方差，构建风速的正态分布函数，得到概率性风速预报结果，即获得任意分位数下的风速值及置信区间。
[0012]进一步地，所述LSTM时序预测模型为：
[0013]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]C
′
t
＝tanh(W
C
·
[h
t
‑1,x
t
]+b
C
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0016]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0017]C
t
＝f
t
⊙
C
t
‑1+i
t
⊙
C
′
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0018]h
t
＝o
t
⊙
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0019][0020]其中，f
t
，i
t
分别表示t时刻的两个控制门，f
t
表示t时刻删除的旧消息，i
t
表示t时刻添加的新消息，C
t
‑1表示t
‑
1时刻的网络状态，C
t
表示t时刻的网络状态，C
t
'表示t时刻网络的更新信息，h
t
表示t时刻LSTM隐藏层状态，h
t
‑1表示t
‑
1时刻LSTM隐藏层状态，x
t
表示t时刻的预报因子，y
t
表示t时刻的预报对象，σ表示sigmoid函数，W
f
表示遗忘门权重矩阵，b
f
表示遗忘门偏斜向量，W
i
表示输入门权重矩阵，b
i
表示输入门偏斜向量，W
C
表示状态更新的权重矩阵，b
C
表示状态更新的偏斜向量，h()表示隐藏层状态，W
o
表示输出门权重矩阵，b
o
表示输出门偏斜向量，o
t
表示模型输出，表示隐藏层到输出层权重矩阵，ψ()表示固定element
‑
wise函数。
[0021]进一步地，所述高斯过程回归概率性预测模型为：
[0022]p(y
t
|x
t
,X,y)＝N(K(x
t
,X)(K(X,X)+σ2I
n
)
‑1y,K(x
t
,x
t
)
‑
K(x
t
,X)(K(X,X)+σ2I
n
)
‑1K(X,x
t
))(8)
[0023]其中，X是预报因子历史序列，y是预报对象历史序列，x
t
是t时刻的预报因子，N表示正态分布，σ表示恒定方差，I
n
表示n维单位向量，K(X,X)表示预报因子历史序列X和X的核函数值，K(x
t
,x
t
)表示t时刻的预报因子和预报因子的核函数值，K(X,x
t
)表示预报因子历史序列X和t时刻的预报因子的核函数值，K(x
t
,X)表示t时刻的预报因子和预报因子历史序列X的核函数值，y
t
是t时刻以正态分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率性长短期记忆模型的风速区间预测方法，其特征在于：包括以下步骤：S1：构建LSTM时序预测模型，包括输入层，LSTM隐藏层和回归输出层；S2：构建高斯过程回归概率性预测模型，包括输入层和高斯过程回归输出层；S3：将所述高斯过程回归输出层替换LSTM时序预测模型中的回归输出层，得到概率性的LSTM时序预测模型；S4：提取预报因子；S5：提取预报对象；S6：利用所述预报因子和预报对象训练得到所述概率性的LSTM时序预测模型参数，得到最优概率性的LSTM时序预测模型，该最优概率性的LSTM时序预测模型的输入是预报因子，输出是预报时刻风速正态概率分布的均值和方差；S7：选取预报时刻前期任意一组预报因子，输入至所述最优概率性的LSTM时序预测模型，得到风速概率分布的均值和方差；S8：根据所述风速概率分布的均值和方差，构建风速的正态分布函数，得到概率性风速预报结果，即获得任意分位数下的风速值及置信区间。2.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法，其特征在于：步骤S1中，所述LSTM时序预测模型为：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)C
′
t
＝tanh(W
C
·
[h
t
‑1,x
t
]+b
C
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)C
t
＝f
t
⊙
C
t
‑1+i
t
⊙
C
′
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)h
t
＝o
t
⊙
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，f
t
，i
t
分别表示t时刻的两个控制门，f
t
表示t时刻删除的旧消息，i
t
表示t时刻添加的新消息，C
t
‑1表示t
‑
1时刻的网络状态，C
t
表示t时刻的网络状态，C
t
'表示t时刻网络的更新信息，h
t
表示t时刻LSTM隐藏层状态，h
t
‑1表示t
‑
1时刻LSTM隐藏层状态，x
t
表示t时刻的预报因子...

【专利技术属性】
技术研发人员：王帮灿，谢蒙飞，蔡华祥，严明辉，张茂林，马高权，丁文娇，杨喆麟，
申请(专利权)人：昆明电力交易中心有限责任公司，
类型：发明
国别省市：