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！

申请/专利权人：武汉科技大学

摘要：本发明公开了一种基于两级分解、LSTM和AT的短期风速预测方法，包括：S1、通过WD小波算法对原始风速作一级分解，并重构为低频主成分A1和高频噪声成分D1；S2、通过VMD算法作二级分解，分别将A1和D1分解为一系列模态分量；S3、采用LSTM网络对分解后的低频主成分模态分量和高频噪声成分模态分量两个数据集分别进行训练；S4、在LSTM网络的输出层与隐藏层之间引入Attention层；S5、将低频主成分和高频噪声成分的预测结果进行合成，得到最终风速预测结果。本发明利用小波分解去解决了风速低频信号与高频信号的互相干扰；通过VMD分解充分提取信号频域特征，解决传统LSTM模型存在的预测滞后问题；Attention机制提升了风速发生突变与风速急剧变化时的决策能力，提升模型预测的稳定性。

主权项：1.一种基于两级分解、LSTM和AT的短期风速预测方法，其特征在于，包括步骤如下：S1、通过WD小波算法对原始风速作一级分解，并重构为低频主成分A1和高频噪声成分D1；步骤S1包括如下：S11、对原始风速数据作一级分解，得到低频系数和高频系数，具体如下：采用Daubechies作为小波基函数，对时间间隔一致的时序风速数据进行离散小波变换，即DWT，定义DWT小波函数簇如下： 式1中，ψj,kt为ψt经过缩放和平移变化而来，s0＞1是固定的缩放因子，τ0是平移因子，j为尺度离散化值，k为位置离散化值，Z为整数集合，这样DWT可由式2定义，其中*为复合共轭； 若小波函数簇ψj,kt形成正交基，需要对DWT变换求逆；最后xt的离散小波分解如式3所示： 式3中，cψ为母小波函数，Wxj,k为离散小波变换的函数定义；至此，Daubecies小波将原始风速数据分解为低频系数cAn和高频系数cDmm＝1,2,...,n，n为实验指定的小波分解层数；S12、对分解后的低频系数和高频系数进行重构，得到低频主成分A1和高频噪声成分D1，具体如下：先分别将低频系数cAn通过低通滤波器重构为第n层的低频主成分An，将高频系数cDm通过高频滤波器重构为第m层的高频噪声成分Dm，其中m＝1,2,3,...,n；然后通过式4求解低频主成分A1如下： 最后通过式5求解高频噪声成分如下，其中H为高频滤波器：D1＝HcD15S2、通过VMD算法作二级分解，分别将低频主成分A1和高频噪声成分D1分解为一系列模态分量；步骤S2具体包括如下：设{xt}为风速信号，δt为狄拉克分布函数，μK为第K个分解的本征模态函数IMFs，ωK为μK的中心频率，e为自然常数，取值为2.718的无限循环小数，J为虚数单位；VMD算法分别对低频主成分和高频噪声成分进行分解的主要步骤如下：S21、利用Hilbert变换对风速数据计算每个IMFs，并将其转换为基频带： S22、根据L2范数求解各个模态的带宽，将VMD分解的过程转化为约束变分问题，其中约束条件是表示梯度运算： S23、引入惩罚因子α和拉格朗日乘子λ，将约束变分问题转换成非约束变分问题： S24、采用交替方向乘子算法交替更新IMFs、ωK和λ，求解该非约束性问题，其更新算法如下： 式9-11中，i与K的含义相同，i为VMD分解的第i个模态分量；n为迭代次数；ω为中心频率；τ为更新参数；分别为xt、μKt、μit、λt的傅里叶变换；S25、重复步骤S24，直到满足如下限制条件，即把信号分解为了K个IMFs： S3、采用LSTM网络对分解后的低频主成分模态分量和高频噪声成分模态分量两个数据集分别进行训练；LSTM网络架构的内部包括三个门结构和一个用于存储记忆的状态模块；设Ct为本LSTM单元存储的状态信息，xt为输入层的输入，ht为本单元隐含层的输出，ft为遗忘门，it为输入门，为当前时刻信息，ot为输出门，“×”表示矩阵元素相乘，“+”表示相加运算；遗忘门：用于控制上一单元状态Ct-1被遗忘的程度，其表达式如下：ft＝σWf*[ht-1,xt]+bf13输入门：用于控制哪些信息被加入到本单元中，其表达式如下：it＝σWi*[ht-1,xt]+bi14 单元存储的状态信息：用于根据ft将新信息有选择的记录到Ct中，其表达式如下： 输出门：用于将Ct激活，并控制Ct被过滤的程度，其表达式如下：ot＝σWo*[ht-1,xt]+bo17ht＝ot*tanhCt18式13-18中，Wf、Wi、Wc、Wo分别为ft、it、ot对应的权重矩阵，bf、bi、bo分别为ft、it、ot对应的偏置项，σ为sigmoid激活函数，tanh为双曲正切激活函数，定义如下：σx＝11+e-x19tanhx＝ex-e-xex+e-x20传统的LSTM网络结构包括输入层、LSTM层和输出层，输入层处理之前t个时刻的原始风速数据，模型阶数t根据风速数据的自相关来确定；LSTM层利用t个LSTM单元进行模型学习并得到输出ht；输出层则依据下式将ht经过一个全连接层得到最终预测值yt：yt＝σWy*ht+by21式21中，Wy、by分别为权重矩阵和偏置项；S4、在LSTM网络的输出层与隐藏层之间引入Attention层；在LSTM网络的输出层与隐藏层之间引入Attention层之后，通过式22得到注意力机制矢量gt： 式22中，为softmax激活函数，Wh为权重矩阵，bh为偏置项；依据下式将gt与ht作元素乘，得到Attention层的输出 根据步骤S3中的式21，将作为后续LSTM输出层的输入，并得到最终的预测值： S5、将低频主成分和高频噪声成分的预测结果进行合成，得到最终的风速预测结果，具体是，分别将低频主成分的预测结果表示为yA1t、将高频噪声成分的预测结果表示为yD1t，将两者进行合成，得到最终的风速预测结果yt。

全文数据：

权利要求：

百度查询： 武汉科技大学 一种基于两级分解、LSTM和AT的短期风速预测方法