基于改进长短期记忆网络的超短期风速预测方法技术

本发明专利技术属于电气技术领域，公开一种基于改进长短期记忆网络的超短期风速预测方法，预测方法包括：坐标延迟法的风速序列延迟时间与嵌入维数的计算；风速序列混沌特性分析；基于互信息法，构建风速序列重构相空间；风速序列标准化处理；长短期记忆网络训练；基于上述步骤，开展超短期风速预测。本发明专利技术实施例在超短期风速预测方面，通过李雅普诺夫指数分析，判定了风速序列混沌特征，通过引入互信息法构建风速序列重构相空间，开展风速序列特征分析，实现了风速序列高维特征的提取，在回归预测中引入长短期记忆网络，实现了风速的准确预测。实现了风速的准确预测。实现了风速的准确预测。

【技术实现步骤摘要】
基于改进长短期记忆网络的超短期风速预测方法


[0001]本专利技术涉及电气
，特别涉及一种基于改进长短期记忆网络的超短期风速预测方法。

技术介绍

[0002]大力开发利用风、光等清洁新能源是支撑我国能源转型发展的坚实力量，是逐渐改善我国能源结构、以实现高质量绿色发展的重要举措，而可再生能源并网也给电力系统的安全稳定运行带来了严峻的挑战。高精度风速预测作为一种时序数据预报方法，可以通过预测下一调控周期内的风速点或风速序列数据来为配电网日前、日内调度以及微电网控制指令的生成提供参考，进而提升配电系统运行经济性及稳定性。
[0003]现有研究主要围绕神经网络算法、回归预测算法的应用以及区间预测、空间相关性分析等场景展开了大量讨论。然而现有研究少有针对时序序列固有特征进行分析，在实际对预测模型进行训练的过程中依赖于大量风速或功率数据作为基础，未能充分挖掘出序列变化所蕴含的内部特征，数据利用率较低。因此，如何在上述研究的基础上引入多维数据分析方法，并将分析结果作为输入进行模型训练来拟合风速高维特征，以构建适应场景更广、预测精度更高的风速预测方法，需要更多的探索与研究。
[0004]国内杂志《太阳能学报》第42卷第9期中名称为“基于序列到序列和注意力机制的超短期风速预测”文献公开了一种基于序列到序列网络及注意力机制的超短期风速预测方法，采用1维卷积神经网络和门控循环单元对风速序列数据做编码处理，然后使用注意力机制和门控循环单元对语义向量做动态解码,进而得到预测值。该模型考虑了风速序列与特定神经网络适配性，提高了超短期风速预测精度。但是上述控制方法未对风速序列内在固有特征展开分析与研究，无法在预测过程中考虑风速的原始多力学特征，超短期风速预测精度低。

技术实现思路

[0005]为解决上述现有技术中存在的不足，本专利技术提供了一种基于改进长短期记忆网络的超短期风速预测方法及装置、计算机可读存储介质、计算机设备。
[0006]一种基于改进长短期记忆网络的超短期风速预测方法，包括：
[0007](1)坐标延迟法的风速序列延迟时间与嵌入维数的计算；
[0008](2)风速序列混沌特性分析；
[0009](3)基于互信息法，构建风速序列重构相空间；
[0010](4)风速序列标准化处理；
[0011](5)长短期记忆网络训练；
[0012](6)基于上述步骤(1)
‑
(5)，开展超短期风速预测。
[0013]优选地，步骤(1)中所述的坐标延迟法，对于一维混沌序列{x
i
|i＝1,2,...,N}，其重构相空间的一般表达形式为：
[0014][0015]其中，x
i
为混沌序列元素，m为嵌入维数，τ为延迟时间，n为相空间的长度，其中n＝N
‑
(m
‑
1)τ，N为混沌序列长度。
[0016]优选地，步骤(1)中所述的坐标延迟法的风速序列延迟时间的计算，包括：
[0017]记时间序列x(t)，则其在延迟时间τ下为x(t+τ)，在已知序列x(t)的情况下，x(t+τ)与其的互信息I(x(t+τ),x(t))可表示为：
[0018]I(x(t+τ),x(t))＝H(x(t+τ))
‑
H(x(t+τ)|x(t))
[0019][0020]其中，i为时间序列x(t)中元素的编号，j为时间序列x(t+τ)中元素的编号，P
x(t)
为x(t)的概率，P
x(t),x(t+τ)
为x(t)和x(t+τ)的联合概率密度，H为中间变量函数。
[0021]优选地，步骤(1)中所述的坐标延迟法的风速序列嵌入维数的计算，包括：
[0022]记m维相空间中相点矢量为X
i
，其最邻近点为X
ji
，其之间的距离为：
[0023]r
m,i
＝||X
i
‑
X
j,i
||
[0024]当相空间维数增加1时，其之间的距离更新为：
[0025][0026]若r
m+1,i
显著大于r
m,i
，则可以判定其为虚假最邻近点；
[0027]定义嵌入维数演变函数E1(m)：
[0028][0029][0030]若时间序列为确定系统的序列，则E1(m)将在m达到一定值以后趋于稳定，选取该函数稳定时对应的m即为合适的嵌入维数；
[0031]定义嵌入维数辅助函数E2(m):
[0032][0033][0034]序列的随机性越大，E2(m)的值围绕1的波动越小；当E2(m)波动较大时，可以认为该序列为混沌时间序列。
[0035]优选地，步骤(2)中所述的风速序列混沌特性分析，包括：
[0036]采用李雅普诺夫指数的wolf法计算，步骤如下：
[0037]1)基于步骤(1)所述的坐标延迟法的重构方法，确定相空间的嵌入维数为m，延迟时间为τ，则由长度为N的混沌时间序列构造出相空间可表示为：
[0038]X＝{X
i
|i∈1,2,...,n}
[0039]X
i
＝{x
i
,x
i+τ
,...,x
i+(m
‑
1)τ
}
[0040]其中n＝N
‑
(m
‑
1)τ；
[0041]2)选取X0为初始点，记与其最邻近点之间的距离为L0，设定距离阈值为ε，当时间推进到某一时刻t，使得L0大于ε时，记录X
t
的最邻近点X
t
′
及此时距离值L0′
，并根据夹角最小原则搜索X
t
′
的另一最邻近点，当两点之间距离小于ε时，记录此时距离值为L
i
；
[0042]3)重复步骤2)直至遍历相空间中所有点，记总迭代次数为κ，则系统李雅普诺夫指数为：
[0043][0044]优选地，步骤(3)中所述的基于互信息法，构建风速序列重构相空间，包括：
[0045]假设某观测点某时间段内风速序列为V＝{v
i
,i＝1,2,...,N}，其中N为数据点个数，已知风速序列重构为如下相空间：
[0046][0047]其中，v
i
为风速序列元素，m为嵌入维数，τ为延迟时间，N＝n+(m
‑
1)τ。
[0048]优选地，步骤(4)中所述风速序列标准化处理，包括：
[0049]采用以下公式对风速序列进行标准化：
[0050][0051]其中，为风速序列均值，σ(V)为风速序列方差。
[0052]优选地，步骤(5)中所述的长短期记忆网络训练，包括：
[0053]选取已知风速序列前90％为神经网络训练集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进长短期记忆网络的超短期风速预测方法，其特征在于，包括：(1)坐标延迟法的风速序列延迟时间与嵌入维数的计算；(2)风速序列混沌特性分析；(3)基于互信息法，构建风速序列重构相空间；(4)风速序列标准化处理；(5)长短期记忆网络训练；(6)基于上述步骤(1)
‑
(5)，开展超短期风速预测。2.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(1)中所述的坐标延迟法的风速序列延迟时间的计算，包括：记时间序列x(t)，则其在延迟时间τ下为x(t+τ)，在已知序列x(t)的情况下，x(t+τ)与其的互信息I(x(t+τ),x(t))可表示为：I(x(t+τ),x(t))＝H(x(t+τ))
‑
H(x(t+τ)|x(t))其中，i为时间序列x(t)中元素的编号，j为时间序列x(t+τ)中元素的编号，P
x(t)
为x(t)的概率，P
x(t),x(t+τ)
为x(t)和x(t+τ)的联合概率密度，H为中间变量函数。3.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(1)中所述的坐标延迟法的风速序列嵌入维数的计算，包括：记m维相空间中相点矢量为X
i
，其最邻近点为X
ji
，其之间的距离为：r
m,i
＝||X
i
‑
X
j,i
||当相空间维数增加1时，其之间的距离更新为：若r
m+1,i
显著大于r
m,i
，则可以判定其为虚假最邻近点；定义嵌入维数演变函数E1(m)：(m)：若时间序列为确定系统的序列，则E1(m)将在m达到一定值以后趋于稳定，选取该函数稳定时对应的m即为合适的嵌入维数；定义嵌入维数辅助函数E2(m):(m):序列的随机性越大，E2(m)的值围绕1的波动越小；当E2(m)波动较大时，可以认为该序列
为混沌时间序列。4.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(2)中所述的风速序列混沌特性分析，包括：采用李雅普诺夫指数的wolf法计算，步骤如下：1)基于步骤(1)所述的坐标延迟法的重构方法，确定相空间的嵌入维数为m，延迟时间为τ，则由长度为N的混沌时间序列构造出相空间可表示为：X＝{X
i
|i∈1,2,...,n}X
i
＝{x
i
,x
i+τ
,...,x
i+(m
‑
1)τ
}其中n＝N
‑
(m
‑
1)τ；2)选取X0为初始点，记与其...

【专利技术属性】
技术研发人员：孙鑫，刘阳，张振安，朱全胜，李朝晖，王景钢，滕卫军，张亚飞，魏文荣，苗世洪，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：