[发明专利]一种基于混合神经网络模型的风速预测方法

权利要求书

1.一种基于混合神经网络模型的风速预测方法，其特征在于，包括以下步骤：

S1：采集短期风速时间序列，所述的短期风速时间序列为随机非稳态的时间序列；

S2：对S1的短期风速时间序列进行集成经验模态分解，分解为一系列规律变化的本征模函数和残差信号；所述S2具体包括以下子步骤：

S2.1：定义辅助分析的白噪声的标准差；

S2.2：利用S2.1所定义的标准差随机生成一条白噪声，并加入到S1的短期风速时间序列中，得到信号s(t)；

S2.3：拟合信号s(t)的上下包络线，并计算其平均值，得到平均信号m(t)；

S2.4：从信号s(t)中去除平均信号m(t)，并得到新的时间序列H(t)；

S2.5：对新的时间序列H(t)重复步骤S2.3和S2.4，直到当前时间序列信号满足本征模函数的特征要求，得到一个本征模函数c(t)；

S2.6：从信号s(t)中减去S2.5得到的本征模函数c(t)，得到残差信号r(t)，并对残差信号r(t)重复步骤S2.3～S2.5，从而从原始信号中分离出一系列本征模函数，直到残差信号r(t)满足停止条件；

S2.7：重复步骤S2.2～S2.6 M次，得到最终的本征模函数IMF_j：

其中，c_j,m表示第m次进行经验模态分解得到的第j个本征模函数；

S3：对每一个本征模函数和残差信号建立长短期记忆神经网络模型，并使用贝叶斯优化算法调节优化神经网络的超参数；所述的S3具体为：

S3.1：定义优化问题，即在搜索范围θ^L≤θ≤θ^θ内，找到θ^*＝argminf(θ)

其中，θ为长短期记忆神经网络模型的超参数组，θ＝[θ¹,θ²,θ³,θ⁴]，θ¹,θ²,θ³,θ⁴分别为学习率、隐藏层层数、隐藏层节点数和时间步；f(θ)为超参数组θ与神经网络模型的损失函数值之间存在的关系；隐藏层层数的搜索范围为1～5，每个隐藏层的节点数搜索范围为1～200，时间步的搜索范围为1～150，学习率的搜索范围为0.000001-0.1；

S3.2：对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行初始化，并使用Adam优化算法对长短期记忆神经网络模型的权重矩阵和偏置矩阵进行迭代更新；

S3.3：用测试集数据对训练好的长短期记忆神经网络模型进行测试，计算测试集的损失函数值；

S3.4：利用贝叶斯优化中的采样函数，得到下一组设计变量的值；所述的S3.4具体过程如下：

(1)假设优化目标为Y＝f(θ)，则得到一组采样点{(θ₁,y₁),(θ₂,y₂),…,(θ_n,y_n)}；设定函数f(θ)符合高斯过程，即Y～N(μ,K)，在f(θ)中加入零均值的高斯白噪声，求得n个样本的有限集合的先验分布表示为Y～N(μ,K+σ²I)；

其中，K为协方差矩阵，μ为一n×1的平均向量：

μ＝[μ₁,μ₂,…,μ_n]^T

k为ARD Matern 5/2协方差函数：

I为一个n×n的单位矩阵；σ²为白噪声的方差；

(2)给定采样集S_d＝[X_n,Y_n]，下一个采样点θ_n+1及其函数值f(θ_n+1)也符合高斯分布所述的下一个采样点利用采样函数得到；

其中，

X_n＝[θ₁,θ₂,…,θ_n]^T，Y_n＝[f(θ₁),f(θ₂),…,f(θ_n)]^T；

f(θ_n+1)的均值μ_n+1|D和方差表示为：

μ_n+1|D＝n(θ_n+1)+k(θ_n+1,X_n)(K+σ²I)^-1(Y_n-m)

其中，

m＝[m(θ₁),m(θ₂),…,m(θ_n)]^T

k(θ_n+1,X_n)＝[k(θ_n+1,θ₁),k(θ_n+1,θ₂),…,k(θ_n+1,θ_n)]

k(X_n,θ_n+1)＝k(θ_n+1,X_n)^T；

S3.5：重复步骤S3.2～S3.4，直到满足优化停止条件，得到优化的长短期记忆神经网络模型；

S4：使用S3得到的训练后的长短期记忆神经网络模型对S2得到的本征模函数和残差信号进行预测，得到每一个本征模函数和残差信号的预测值；

S5：将所有本征模函数和残差信号的预测值进行叠加，得到原始时间序列的最终预测结果。

2.根据权利要求1所述的方法，其特征在于，所述的步骤S3.4中的采样函数为期望增量函数。