[发明专利]基于神经微分方程的水库入库流量预测方法

权利要求书

1.基于神经微分方程的水库入库流量预测方法，其特征是，包括以下步骤：

S1：获取目标水库的多元水电时序数据和外部因素，并对所述多元水电时序数据和所述外部因素进行数据预处理；

S2：将所述多元水电时序数据输入到预构建的随机递归神经网络中进行深度学习，通过引入ODE求解器对所述随机递归神经网络中的隐藏状态的均值和方差在时间上进行连续转换，并通过重采样技术得到任意时间点连续的随机潜在变量序列；

S3：通过ODE外推网络对当前随机潜在变量进行外推学习，得到未来任意时间点对应的随机潜在变量特征；

S4：通过外部因素特征提取网络提取所述外部因素中的因素特征；

S5：将步骤S1-S4中学习到的特征融合，并通过多层感知机依据融合结果对未来多步的水库入库流量进行预测，得到水库入库流量预测值。

2.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法，其特征是，所述多元水电时序数据包括历史水流数据和历史电力数据；

所述历史水流数据的流量维度分别为入库流量、流出流量和用于发电的水流量；

所述历史电力数据的流量维度分别为总发电量、上网电量和厂用电量。

3.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法，其特征是，所述多元水电时序数据和所述外部因素的数据预处理过程具体为：

对所述多元水电时序数据和所述外部因素进行线性归一化处理后转换到[0,1]的范围数值；

以及，将所述多元水电时序数据中的每一条训练数据的序列长度划分为至少一批固定长度序列，所述固定长度序列的大小满足所述随机递归神经网络的输入训练数据需求。

4.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法，其特征是，若所述多元水电时序数据中存在着离群点、异常值的序列点时，则在所述数据预处理阶段通过插值法或平滑措施进行数据处理。

5.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法，其特征是，对所述多元水电时序数据的分布进行连续转换的具体过程为：

通过所述ODE求解器将所述多元水电时序数据中参与深度学习的目标特征的时间变量以微分形式无限细分后转换成连续变量；

根据所述连续变量计算得到任意期望时间步的均值和方差，并通过初始化所述均值和所述方差对潜在变量进行连续变换选择；

所述随机递归神经网络依据所述潜在变量的连续变换选择完成无限步的潜在变量的更新，得到任意时间点连续的随机潜在变量。

6.根据权利要求5所述的基于神经微分方程的水库入库流量预测方法，其特征是，通过初始化所述均值和所述方差对潜在变量进行连续变换选择的具体计算公式为：

；

；

其中， R表示GRU网络中的重置门；U表示GRU网络中的更新门；I表示重置门、更新门的输入；O表示GRU网络中新均值和方差更新网络的输入；表示t时刻对应的隐藏状态h的均值；表示t-1时刻对应的隐藏状态h的均值；表示t时刻对应的隐藏状态h的方差；表示t-1时刻对应的隐藏状态h的方差；表示t时刻对应的多元水电时序数据输入；表示由参数化的可微网络；表示GRU网络中可学习的参数；表示与输入O有关的偏置项；表示均值更新时的中间状态；表示方差更新时的中间状态。

7.根据权利要求6所述的基于神经微分方程的水库入库流量预测方法，其特征是，无限步的所述潜在变量的更新具体过程为：

通过重新参数化从学习分布的推断网络直接采样潜在变量，计算公式如下：

其中，表示与均值学习相关的参数矩阵；表示与方差相关的参数矩阵；表示从标准高斯分布中采样的样本。