买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江工业大学申请的专利一种基于LSTM的双阶段分解风向预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114792171B 。

龙图腾网通过国家知识产权局官网在2025-06-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210581104.0，技术领域涉及：G06Q10/04；该发明授权一种基于LSTM的双阶段分解风向预测方法是由程宏兵;谢阳青;刘半藤;王柯;张旭东;吕晓雯设计研发完成，并于2022-05-25向国家知识产权局提交的专利申请。

本一种基于LSTM的双阶段分解风向预测方法在说明书摘要公布了：本发明公开了一种基于LSTM的双阶段分解风向预测方法，先获取待分析地区的历史风向数据，进行采样并划分数据生成训练样本，每个训练样本为一个原始序列数据；然后对原始序列数据进行第一阶段分解，将原始序列分解为趋势子序列、季节子序列和残差子序列；对第一阶段分解得到的残差子序列进行第二阶段分解，分解后得到H个模态子序列；最后构建LSTM预测模型，利用分解后的趋势子序列、季节子序列和模态子序列对构建的LSTM预测模型进行训练，采用训练好的LSTM预测模型对未来风向进行预测。本发明具有适应性好、参数不敏感、预测精度高等特点，实现了风向的精确预测。

本发明授权一种基于LSTM的双阶段分解风向预测方法在权利要求书中公布了：1.一种基于LSTM的双阶段分解风向预测方法，其特征在于，所述基于LSTM的双阶段分解风向预测方法，包括：获取待分析地区的历史风向数据，进行采样并划分数据生成训练样本，每个训练样本为一个原始序列数据；对原始序列数据进行第一阶段分解，将原始序列数据分解为趋势子序列、季节子序列和残差子序列；对第一阶段分解得到的残差子序列进行第二阶段分解，分解后得到H个模态子序列；构建LSTM预测模型，利用分解后的趋势子序列、季节子序列和模态子序列对构建的LSTM预测模型进行训练，采用训练好的LSTM预测模型对未来风向进行预测；其中，所述进行采样并划分数据生成训练样本，包括：对历史风向数据进行固定时长间隔的采样，将采样得到的所有采样数据按照预设的数据量进行划分，得到训练样本；将训练样本中的每个数据除以360，获得类归一化处理后的训练样本；所述对原始序列数据进行第一阶段分解，将原始序列数据分解为趋势子序列、季节子序列和残差子序列，包括：初始化分解参数，开始内循环；用原始序列数据减去上一轮内循环的趋势子序列，去除趋势；对去趋势后的子序列进行平滑操作，获取周期子序列；去除周期子序列中的低频序列，得到季节子序列；用原始序列数据减去本轮内循环的季节子序列，去除季节；对去季节后的子序列进行平滑操作，得到趋势子序列；计算得到残差子序列；判断残差子序列是否小于给定阈值，若小于，则分解完成，输出最终的趋势子序列、季节子序列和残差子序列；若不小于，则进入外循环计算鲁棒权值，然后继续进入下一次内循环；所述对第一阶段分解得到的残差子序列进行第二阶段分解，采用VMD分解法进行第二阶段分解，包括：将残差子序列表示为函数ft，将函数ft分解为H个模态函数ut，其中t表示时间变量，对每个模态函数uiti∈[1,H]进行希尔伯特变换，以获得其单边频谱u′it，计算公式如下： 其中，δt是狄拉克分布，j表示变换过程中的一个固定常数；以各个模态的中心频率ωit为基准，将每个模态的单边频谱u′it通过如下公式调制到其相应基频带Ψit，计算公式如下： 构建变分模型： 其中，ft为残差子序列数据，δtΨit表示Ψit关于时间变量t的导数；构造拉格朗日函数L，通过加入二次正则化因子C和拉格朗日乘子θt，构造的拉格朗日函数L表达式如下： 其中，uit表示第i个模态函数，θit表示第i个拉格朗日乘子，H表示模态函数的个数，δt表示狄拉克分布，Ψit表示第i个模态函数相应的基频带，ft表示为残差子序列的函数；利用交替迭代乘子法，按照下式交替迭代求解拉格朗日函数L的最优解： 其中，分别是ft，uit，θt，的傅里叶变换结果，n为迭代次数，N为最大迭代次数n∈[1，N]，τ表示噪声容忍度是一个常数，τ∈0,1；当满足以下条件迭代终止： 其中，e为停止阈值，满足条件时迭代终止，输出分解所得的H个模态子序列。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。