[发明专利]一种基于邻域门长短期记忆网络的风速预测方法及系统

权利要求书

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；

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,,…,x_n]，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,,…,x_n]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D^Ta＝[x^Ta,Y^Ta]和只由预报因子组成的测试集D^Te＝[x^Te]，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n_i，隐藏层节点数n_h，输出层节点数n_o，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D^Ta上训练NLSTM；

(9)将测试集D^Te输入到训练好的NLSTM中进行预测，得到风速预测结果y。