申请/专利权人：武汉科技大学

申请日：2021-07-09

公开（公告）日：2024-06-04

公开（公告）号：CN113642767B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F18/2415;G06F18/2321;G06N3/048;G06N3/0442;G06N3/0464;G06N3/08;G06F30/27;G06F113/06;G06F119/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明公开了一种基于MI‑VMD‑DA‑EDLSTM‑VEC的多维特征组合预测方法，包括，S1,对包括原始特征序列xt进行MI特征选择得到风电功率、风速和温度序列；S2,分别对风电功率、风速和温度序列进行VMD分解得到模态分量；S3,基于使用了双层注意力机制的编码解码模型DA‑EDLSTM对于VMD分解得到的模态分量进行模型训练和预测，得到初始预测序列通过得到原始预测误差et；S4,对原始预测误差et进行VMD分解预处理，使用单层LSTM模型进行再训练预测得到误差预测序列并对原始预测结果进行修正得到最终预测结果本发明提出了一种基于MI‑VMD‑DA‑EDLSTM‑VEC的多维特征组合预测方法，提升在风电等数据急剧变化的时候的决策能力，能更加准确预测峰值或低谷的情况，预测精度最优，并且具有较强的预测稳定性。

主权项：1.一种基于MI-VMD-DA-EDLSTM-VEC的多维特征组合预测方法，其特征在于，具体包括：S1,对原始特征序列xt进行MI特征选择得到风电功率、风速和温度序列；S2,分别对风电功率、风速和温度序列进行VMD分解得到模态分量；S3,基于使用了双层注意力机制的编码解码模型DA-EDLSTM对于VMD分解得到的模态分量进行模型训练和预测，得到初始预测序列通过得到原始预测误差et，其中，使用了双层注意力机制的编码解码模型DA-EDLSTM包括依次耦接的输入层、编码层、解码层和输出层，所述编码层对于输入特征使用注意力机制，包括：S31，基于公式2和公式3对输入观测序列X中的第k维特征序列Xk构造注意机制； 其中，和是模型需要学习的参数，和是编码层的隐藏状态和单元状态，m是隐藏层的大小，T是观测时间序列的窗口长度；S32，基于softmax函数将得到的归一化，并且注意力权重之和为1；S33，对于每个时刻的输入Xt，为其中每个影响因子赋予一定的注意力权重因此解码阶段的注意力加权输出S34，将输入到编码层中得到其中，函数f1为LSTM网络；所述解码层使用时间注意力机制，包括：基于ei＝tanhWd[hi；st-1]+bd计算用于表示未归一化的输入重要性的注意力权重向量ei，其中，Wd和bd是需要模型学习的权重参数；基于进行归一化，得到各个时刻的输入序列的关注频率；在t时刻的上下文向量基于加权求和，得到最终进入LSTM的门控单元的向量xt1；S4,对原始预测误差et进行VMD分解预处理，使用单层LSTM模型进行再训练预测得到误差预测序列并对原始预测结果进行修正得到最终预测结果

全文数据：

权利要求：

百度查询： 武汉科技大学 一种基于MI-VMD-DA-EDLSTM-VEC的多维特征组合预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD