一种基于变分模态分解与注意力机制的风速预测方法技术

本发明专利技术属于风速预测方法技术领域，提出了一种基于变分模态分解与注意力机制的风速预测方法。考虑自然因素的影响，研究多变量条件下风速预测问题。通过预处理已采集的数据进行变分模态分解，深度神经网络的输入序列；深度神经网络包括位置编码、编码器与解码器；位置编码为输入信号提供相对位置信息；编码器包括注意力机制层、前馈网络层与归一化残差连接层，用于神经网络模型捕获时序特征间的相互关系；解码器由双层全连接网络构成，用于将编码器获取的时序特征信息进行解构从而输出预测值。该方法能有效提高超短期风速预测精度；对操作平台没有限制，使用灵活方便，可移植性强，风速预测性能优异。风速预测性能优异。风速预测性能优异。

【技术实现步骤摘要】
一种基于变分模态分解与注意力机制的风速预测方法


[0001]本专利技术涉及风速预测方法
，具体涉及一种基于变分模态分解与注意力机制的风速预测方法。

技术介绍

[0002]在远洋航行领域，有效并准确的风速预测结合海况信息预报可以为船舶航行设计出最佳的航线，在保障航行安全性的同时，减少航时与油耗。在军事领域，在作战规划制定、任务部署安排上，气象状况是一项极为重要的参考因素，借助准确的气象预测，军事指挥人员可针对性装配部队、制定行军方案、设定适当的运输模式，从而提高军事行动成功率。因此，风速预测方法研究有着重大的现实意义与应用价值。
[0003]传统气象数值预测技术中采用以WRF等NWP数值天气预报物理模型，对实时气象运行规律有较好的模拟，但因建模过程本身的复杂性与对环境信息精确性的高依赖度，使得结果表现出对短期高精度预测的不确定性。新兴的气象数值预测技术区别于经典的物理模型基于气象变化机理的解析，主要从统计学理论与机器学习两个方向展开对时间序列数据的处理。其中，基于统计学理论的预测模型中，较为常用的是基于模糊聚类法等分类方法对不同时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分模态分解与注意力机制的风速预测方法，其特征在于，包括步骤如下：步骤一：采集历史气象数据，构建原始风速及相关协变量数据集，对数据缺失或异常的情况，采用分权线性插值法填补数据；步骤二：数据预处理，采用均值
‑
方差归一化方法将数据集中的数据缩放至同一尺度；以8∶1∶1比例划分数据集为训练集、验证集与测试集；步骤三：变分模态分解；取数据集一定步长的序列作为深度神经网络的输入序列u(t)，对输入序列u(t)采用变分模态分解获得K个具有特定模态的序列u
k
(t)，k＝1，2...K；(3.1)将输入序列u(t)各模态经希尔伯特变换后的解析信号混合为一预估中心频率：其中，δ(t)为狄拉克函数，ω
k
为第k个模态的中心频率；K个模态之和为输入序列u(t)且各模态的估计带宽之和最小，即：其中，{u
k
}＝{u1，
…
，u
K
}，{ω
k
}＝{ω1，
…
，ω
K
}；(3.2)将式(2)的约束性变分问题变为非约束性变分问题：式中，α为二次惩罚因子，保证输入序列u(t)在混入噪声信号的情况下的重构精度；λ(t)为拉格朗日乘法算子，保持约束条件严格性；采用交替方向乘子法通过迭代交替更新和求得式(2)中最优解；各模态新分量中心频率由下式表示：分解后各模态新分量为：其中，n为算法迭代次数，与分别代表u(w)、与λ
n
(w)傅里叶变换；分解后输入序列u(t)经傅里叶逆变换取实部为：
式中，F
‑1(
·
)表示傅里叶逆变换，Real(
·
)表示取复数实部；步骤四：分解后的K个分量{u
k
(t)}取实部作为融合注意力机制的深度神经网络的输入信号，以实际风速作为预测目标，对深度神经网络进行参数训练、验证或预测；深度神经网络包...

【专利技术属性】
技术研发人员：章靖凯，顾宏，余向军，秦攀，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：