【技术实现步骤摘要】
本专利技术涉及风速数据处理，具体为一种基于算法优化联合数据去噪的风速时间序列预测方法。
技术介绍
1、有学者在小波变换的基础上提出了小波阈值滤波的概念，由于此方法在besov空间上可得到最佳估计值，而任何其他线性估计都达不到同样的估计结果，因此阈值滤波的方法引起了世界范围内学者的广泛关注。小波阈值函数分为硬阈值函数和软阈值函数，通常认为小于阈值的小波系数是由噪声产生的，而大于阈值的小波系数才是由有效信号产生。现有技术中，有通过应用小波阈值滤波对风速数据处理，并结合多元lstm模型进行预测，预测精度显著提升，显著提高了风速预测的准确性。还有通过采用小波去噪算法处理风电数据，并利用改进的黏菌优化算法确定支持向量机的参数，显著提升了预测模型的性能。还有学者提出的基于wt和cnn的短期风速预测模型，通过分解、去噪和预测重构，在实验中实现了最低误差，显著优于其他模型。还有的将数据分解成几个子序列，然后使用小波阈值滤波对最高频率序列进行处理，最后使用lstm进行预测，该方法具有更高的预测准确性。但是由于采用的硬阈值函数的不连续性,软阈值函数的导数不连续以及所估计的小波系数与被处理的信号的小波系数之间存在恒定偏差等，正是这些缺陷大大限制了这两种方法的进一步应用。
2、为了克服传统软、硬阈值在信号消噪中存在的不足，现有技术中提出的一种集成小波软阈值滤波和gru的风速预测模型，通过消除冗余信息和优化gru参数提升模型精度。具体的，首先对信号分解，对高频分量使用连续且可导的小波阈值滤波，删除低于固定阈值的低频分量，实验证明该模型精度更高
3、表1-1wt模型
4、
5、点预测方法虽能提供结果，但无法反映风力发电的随机不确定性，信息有限，难以评估预测结果的可靠性和误差范围。滤波过程可以有效去除高频噪声和随机波动，使数据呈现出更清晰的趋势和结构，这对区间预测特别有利。目前，区间预测一般有两种类型。第一类首先进行点预测，随后基于这些点预测的结果，进一步构建出预测区间。有学者采用随机森林模型整合三种模型，构建组合预测模型，并通过模糊信息粒化将点预测拓展为区间预测。还有使用多目标优化算法和模糊信息粒化构建了风速区间预测系统，同时提升了点预测和区间预测的准确性。以及基于区间构造法将历史数据转化为区间数据，应用双变量经验模态分解技术和最小二乘支持向量机对区间的上下限分别进行预测。但是这种区间预测方法过度依赖于点预测模型的性能，容易受到噪声或异常值的影响。第二类是以概率统计的形式拟合预测区间。参数化法通过拟合某种概率分布函数，来产生轨迹点的分布概率构造预测区间。有学者采用t-location-scale函数描述风电功率预测误差的概率特性，并基于此建立误差模型进行概率预测。还有学者对预测误差的概率分布进行正态指数平滑法和滑动核密度估计估计，然后利用熵权法加权得到最终的预测区间。以及利用经验分布模型对误差进行概率分布拟合，然后进行蒙特卡洛抽样，得到相应预测区间。但是参数法依赖于预先设定的数据分布，面对复杂、不规则的数据时缺乏灵活性，难以适应数据的多峰性或非对称性。非参数化法可以在不对分布进行任何假设的情况下进行区间预测，有学者采用核密度估计方法来扩大预测区间，并使用速度受限的多目标粒子群优化来对区间的上下界进行调整。还有学者提出了基于tcn共形分位数回归(conformal quantile regression，cqr)算法的风电预测区间构建方法，显著提升了预测精度。虽然qr分位数回归作为一种灵活和高效的预测方法，但预测结果依赖于选择的回归模型，需要合理的模型设定和参数调整。因此，有学者提出将深度学习和qr分位数回归相结合的区间预测模型，通过算法优化参数，显著提升了区间预测的覆盖率和精度，具有更高的鲁棒性和更窄的平均带宽。尽管组合系统模型预测具有优势，但其参数设置和非线性信息丢失仍是两个突出的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于算法优化联合数据去噪的风速时间序列预测方法，将小波阈值滤波(wt)和深度学习模型(bitcn-bigru)相结合，以解决上述
技术介绍
提出的组合系统模型预测中参数设置和非线性信息丢失的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于算法优化联合数据去噪的风速时间序列预测方法，包括以下步骤：
4、s1：使用星鸦优化算法noa优化小波阈值滤波wt的两个调节因子，应用noa-wt模型对风速数据进行滤波处理；
5、s2：对处理过的数据进行相空间重构，计算李雅普诺夫指数并识别其混沌特性；
6、s3：使用noa优化的深度学习模型bitcn-bigru进行分位数回归qr区间预测。
7、进一步地，s1中小波阈值函数分为硬阈值函数和软阈值函数，其中，小于阈值的小波系数由噪声产生，而大于阈值的小波系数由有效信号产生，计算公式如下所示：
8、硬阈值函数：
9、
10、软阈值函数：
11、
12、其中，wj,k为阈值处理后的小波系数，wj,k为小波分解系数，
13、进一步地，s1中使用noa优化wt滤波模型的函数表达式如下：
14、
15、其中，α和β为调节因子，通过调整α和β两个参数用于减小信号在阈值函数中的偏差，从而获得更好的滤波效果。
16、进一步地，s2中相空间重构的条件为：d＞2d+1，其中，d为嵌入维数，d为系统关联维数；使用关联积分估算出时间延迟和嵌入维数，同时考虑τ和d，利用嵌入时间序列的关联积分分析得到时间序列的相关性，得出统计量scor(τ)和根据scor(τ)、和τ的关系来获得最佳延迟时间τd和嵌入窗τw，最后求出嵌入维数d。
17、进一步地，s3中深度学习模型中的双向时间卷积网络bitcn利用卷积神经网络cnn来高效处理时间序列数据，具体方法包括：
18、1.扩张卷积：通过膨胀基数d堆叠稀释的核，在卷积操作中跳过一定数量的输入数据点，使得卷积核能够在不增加计算成本的情况下扩大感受野；
19、2.gelu激活函数：使用高斯误差线性单元代替传统的relu激活函数，使得模型返回一些小的负值，从而提升模型的学习能力；
20、3.dropout层：通过随机丢弃一些神经元的输出防止网络过拟合，提高模型的泛化能力。
21、进一步地，s3中深度学习模型中的双向门控循本文档来自技高网...
【技术保护点】
1.一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S1中小波阈值函数分为硬阈值函数和软阈值函数，其中，小于阈值的小波系数由噪声产生，而大于阈值的小波系数由有效信号产生，计算公式如下所示：
3.如权利要求2所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S1中使用NOA优化WT滤波模型的函数表达式如下：
4.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S2中相空间重构的条件为：d＞2D+1，其中，d为嵌入维数，D为系统关联维数；使用关联积分估算出时间延迟和嵌入维数，同时考虑τ和d，利用嵌入时间序列的关联积分分析得到时间序列的相关性，得出统计量Scor(τ)和根据Scor(τ)、和τ的关系来获得最佳延迟时间τd和嵌入窗τw，最后求出嵌入维数d。
5.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S3中深度学习模型中的双向时间
6.如权利要求5所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S3中深度学习模型中的双向门控循环单元BiGRU是基于门控循环单元GRU用于处理序列数据的递归神经网络架构，门控循环单元GRU的计算过程如下：
7.如权利要求6所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S3中使用NOA优化深度学习模型BiTCN-BiGRU的方法包括：使用NOA算法分别对BiTCN模型中的滤波器个数、BiGRU单元中的神经元个数以及组合模型中的学习率和正则化参数4个参数进行优化，在复杂的搜索空间中找到适合的超参数组合。
8.如权利要求7所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：S3中分位数回归QR是一种统计方法，用于估计因变量的条件分位数与自变量之间的关系，QR的目标是预测因变量的某个特定分位数，通过最小化下列不对称损失函数来估计不同分位数下的回归系数：
...【技术特征摘要】
1.一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：s1中小波阈值函数分为硬阈值函数和软阈值函数，其中，小于阈值的小波系数由噪声产生，而大于阈值的小波系数由有效信号产生，计算公式如下所示：
3.如权利要求2所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：s1中使用noa优化wt滤波模型的函数表达式如下：
4.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：s2中相空间重构的条件为：d＞2d+1，其中，d为嵌入维数，d为系统关联维数；使用关联积分估算出时间延迟和嵌入维数，同时考虑τ和d，利用嵌入时间序列的关联积分分析得到时间序列的相关性，得出统计量scor(τ)和根据scor(τ)、和τ的关系来获得最佳延迟时间τd和嵌入窗τw，最后求出嵌入维数d。
5.如权利要求1所述的一种基于算法优化联合数据去噪的风速时间序列预测方法，其特征在于：s...
【专利技术属性】
技术研发人员：马少娟，许鑫翼，许昌林，肖晖，侯文涛，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。