[发明专利]一种基于深度混合建模的覆冰拉力预测方法

权利要求书

1.一种基于深度混合建模的覆冰拉力预测方法，它包括：

步骤1、获取输电覆冰线路的拉力数据、气象数据，构建变量数据集X，构建需要预测的拉力的序列数据集Y；

步骤2、对数据集X和Y进行归一化操作；

步骤3、构建融合传统回归方法和卷积神经网络层的深度混合网络模型；得到最准的输出结果；

步骤4、将步骤3得到的最终的输出结果，进行反归一化操作得到最终的预测值。

2.根据权利要求1所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：它还包括：步骤5、将所述深度混合网络模型采用测试样本进行测试，将RMSE、MAE和MAPE作为模型误差分析指标，用于评估预测性能。

3.根据权利要求2所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：RMSE、MAE和MAPE作为模型误差分析指标的计算方法为：

4.根据权利要求1所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：X＝{x_t|t＝1,2,3...n},x_t∈R^k×4，4表示特征个数，k表示输入的滑动窗口的大小，样本的数量是n；Y＝{y_t|t＝1,2,...m},y_t∈R^j×1，j表示输出的预测的窗口的大小，样本数量为m。

5.根据权利要求1所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：归一化操作公式为：x_i＝x_i/delta，y_i＝y_i/delta；表示为第i个特征维度的最大值，表示第i个特征维度的最小值，对归一化后得数据集分别构建训练集X_train和Y_train；测试集X_test和Y_test。

6.根据权利要求5所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：步骤3所述构建融合传统回归方法和卷积神经网络层的深度混合网络模型；得到最准的输出结果的方法包括：

步骤3.1、在训练集依次选择批处理得样本，X_b＝{x_i,y_i|i＝1,2,3,...b}；

步骤3.2、将样本先送到没有池化层的卷积层提取短期特征，并且提取变量之间的局部依赖性；卷积层包含一个以上过滤器，过滤器宽度为w,高度为n；第k个过滤器扫描样本得到的输出为：

h_k＝RELU(W_k*X_b+b_k)

W_k和b_k表示过滤器得权重和偏置；

步骤3.3、将步骤3.2卷积层得到的输出同时传入到递归组件和递归-跳跃组件中；

步骤3.4、使用全连接层来组合递归层和递归跳跃组件层；

步骤3.5、采用经典的自回归AR模型来为模型添加线性成分，AR模型的预测结果表示为h^L(t)，该值的维度是m，系数表示为维度是k^ar，和输入矩阵的输入窗口大小相同，b^ar表示偏置，维度是1*1，AR层的输出记为

步骤3.6、模型最终的预测部分是全连接层的输出和AR层的输出结合得到，选择sigmoid激活函数，为最终的输出结果,计算公式为：

7.根据权利要求6所述的一种基于深度混合建模的覆冰拉力预测方法，其特征在于：所述递归组件是一个带有长短时记忆网络的递归层，使用RELU函数作为隐藏层更新激活函数，输入为h_k；r_t，u_t，c_t，h_t别为LSTM的遗忘门、输入门、内部记忆单元和输出门；在t时刻的递归单元按下述方式计算：