[发明专利]基于联想神经网络的风速序列预测方法

摘要

本发明属于时间序列预测分析领域，具体为基于联想神经网络的风速序列预测方法。针对具有混沌特性的风速序列，构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息完成网络的学习，从而完成具有自相似性的风速序列的一步和多步预测分析。本发明适用于风速序列预测分析中。

主权项

一种基于联想神经网络的风速序列预测方法，其特征在于，针对具有混沌特性的风速序列，构造了一种用于风速序列预测的联想网络，以风速序列的波动性作为相似性测度准则，构造联想网络的存储样本模式，根据存储模式中蕴含的关联信息完成网络的学习，从而完成具有自相似性的风速序列的一步和多步预测分析；风速序列为{x(t)，t＝1，2，...，n}，可获得该序列的波动模式序列{y(t)，t＝1，2，...，n}，其中：y(t)=sgn(x(t)-x(t-1))=+1,if(x(t)-x(t-1))≥0-1,if(x(t)-x(t-1))<0---(1)]]>式中，x(t)为t时刻的风速值，x(t)为t‑1时刻的风速值，sgn(·)为二值函数，y(t)为波动模式序列t时刻的模式值，y(t)的取值为+1或者‑1，当x(t)的值比前一时刻的值x(t)小的时候，也就是风速值变小时，y(t)取‑1，否则为+1；根据y(t)的取值可判断出风速的变化或波动趋势；根据风速序列的波动性对不同序列段的风速状态进行匹配性测度，设输入模式长度为N，则可确定输入模式向量Xin＝[x(n‑N+1)，x(n‑N+2)，...，x(n‑1)，x(n)]，这样，输入模式向量对应的输入波动模式为Yin＝[y(n‑N+2)，...，y(n‑1)，y(n)]，设联想网络存储样本模式数量为P，从后向前寻找与输入波动模式相同的P个向量作为联想模式向量{Zi，i＝1，2，...，P}，其中，Zi＝[zi1，zi2，...，ziN‑1]＝[y(k)，y(k+1)，y(k+2)，...，y(k+N‑2)]，Zi的各元素取值均为±1，且Zi＝Yin，而Zi对应的风速序列段为[x(k‑1)，x(k)，x(k+1)，...，x(k+N‑2)]；其中，x(n‑N+1)为n‑N+1时刻的风速值，x(n‑N+2)为n‑N+2时刻的风速值，x(n‑1)为n‑1时刻的风速值，x(n)为n时刻的风速值，y(n‑N+2)为波动模式序列n‑N+2时刻的模式值，y(n‑1)为波动模式序列n‑1时刻的模式值，y(n)为波动模式序列n时刻的模式值；x(k‑1)为k‑1时刻的风速值，x(k)为k时刻的风速值，x(k+1)为k+1时刻的风速值，x(k+N‑2)为k+N‑2时刻的风速值，y(k)为波动模式序列k时刻的模式值，y(k+1)为波动模式序列k+1时刻的模式值，y(k+2)为波动模式序列k+2时刻的模式值，y(k+N‑2)为波动模式序列k+N‑2时刻的模式值，zi1为联想模式向量Zi的第1个分量，zi2为联想模式向量Zi的第2个分量，ziN‑1为联想模式向量Zi的第N‑1个分量，设风速序列的最大预测步长为p，则利用寻找到的相似模式构造训练样本对集{Bi，i＝1，2，...，P}，其中Bj=[(b1j,b2j,...,bNj),(bN+1j,bN+2j,...,bN+pj)]=[(x(k-1),x(k),x(k+1),...,x(k+N-2)),(x(k+N-1),x(k+N),...,x(k+N-2+p))]---(2)]]>其中，x(k+N‑1)为k+N‑1时刻的风速值，x(k+N)为k+N时刻的风速值，x(k+N‑2+p)为k+N‑2+p时刻的风速值，设输入模式Xin＝A＝[ai，a2，...，aN]＝[x(n‑N+1)，x(n‑N+2)，...，x(n‑1)，x(n)] (3)其中，A表示输入样本模式向量，a1表示输入样本模式向量A的第1个分量，a2表示输入样本模式向量A的第2个分量，aN表示输入样本模式向量A的第N个分量；训练样本对Bj由两部分组成，(bj1，bj2，...，bjN)对应与输入样本模式向量A具有相同波动性的序列段，(bjN+1，bjN+2，...，bjN+p)为该样本对应的未来数据，这两部分共同组成了训练样本对；其中，bj1表示训练样本对Bj的第1个分量，bj2表示训练样本对Bj的第2个分量，bjN表示训练样本对Bj的第N个分量，bjN+1表示训练样本对Bj的第N+1个分量，bjN+2表示训练样本对Bj的第N+2个分量，bjN+p表示训练样本对Bj的第N+p个分量；联想网络包含输入层和输出层两层结构，输入层有N个单元，对应输入模式的N个分量，输出层含有p个单元，对应1～p步的预测值；两层之间有网络的连接权值，连接权值根据P个训练样本对所蕴含的关联信息进行设计；x′n+h表示n+h时刻的风速预测值，x′n+h就是输出层第h个单元的输出值；输入层第i个单元与输出层第h个单元之间的连接权值wih设计为：wih=1NPΣj=1PbN+hjbij---(4)]]>权值wih表征了存储模式的第N+h个元素与第i个元素比值的平均值，第h个单元的输出x′n+h为：xn+h′=Σi=1Nwihai=1NPΣi=1NΣj=1PbN+hjbijai---(5).]]>