[发明专利]一种基于粒子滤波算法的短期室外温度预测方法

权利要求书

1.一种基于粒子滤波算法的短期室外温度预测方法，其特征在于包括以下步骤：

S1：获取目标特征数据，并对原始数据进行零均值化处理，其中，所述目标特征数据是指所测地区在预设时间段内的室外温度基本数据；

S2：采用偏自相关函数确定与下一时刻温度值相关性最大的输入数据集合，依此确定状态向量并构建合适的训练粒子样本集合；

S3：在训练粒子样本集合中建立傅里叶过程回归短期室外温度预测模型，并给出训练过程和拟合残差；

S4：结合状态向量和傅里叶回归过程模型，将训练粒子样本集合代入粒子滤波状态方程进行拟合，得到当前时刻粒子温度的预测点集和观测点集；

S5：获取当前时刻所有粒子的权值并归一化；

S6：根据粒子归一化后的权值对粒子进行重采样，得到新的粒子集；

S7：对新的粒子集重新建立傅里叶回归预测模型；在进行提前5小时温度预测时，同样采用粒子滤波算法对最新测量值进行状态估计，并根据权重实现在线修正。

2.根据权利要求1所述的一种基于粒子滤波算法的短期室外温度预测方法，其特征在于：所述步骤S1中对原始室外温度基本数据进行零均值化处理，所述零均值化基本公式为：

式中，x(t)为原始温度时间序列，为序列x(t)的平均值。

3.根据权利要求1所述的一种基于粒子滤波算法的短期室外温度预测方法，其特征在于：所述步骤S2采用偏自相关函数确定与下一时刻温度值相关性最大的输入数据集合，依此确定状态向量并构建合适的训练粒子样本集合，所述偏自相关函数实现步骤和计算方法为：

S2-1.假设x_i是输出变量，当滞后阶数为k时，偏自相关系数值在95％置信区间内，则x_i-k可以作为其中一个输入向量，如果所有偏自相关系数值在95％置信区间，则认为x_i-1时输入变量；

S2-2.对于时间序列{x₁，x₂，...，x_n}，滞后阶数为k时的协方差定义为k＝0时，γ为方差，计算公式如下：

式中，k＝1，2，...，M，是时间序列的均值；M＝n/4是最大滞后阶数；

S2-3.滞后阶数为k的自相关函数定义为

式中，为滞后阶数为k时的协方差；

则滞后阶数为k时的偏自相关函数PACF定义为a_kk：

式中，k＝1，2，...，M。

4.根据权利要求1所述的一种基于粒子滤波算法的短期室外温度预测方法，其特征在于：所述步骤S4结合状态向量和傅里叶回归过程模型，将训练粒子样本集合代入粒子滤波状态方程进行拟合，得到当前时刻粒子温度的预测点集和观测点集，所述状态方程和测量方程表示方法如下：

X(k)＝f(X(k-1)，W(k))

Z(k)＝h(X(k)，V(k))

式中，表示k时刻的状态，表示粒子状态集合；而X(k-1)表示k-1时刻的状态；表示k时刻传感器的测量结果，表示测量集合；是系统的过程噪声，表示过程噪声集合；则

表示传感器的测量噪声，表示测量噪声集合。