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：国网经济技术研究院有限公司

摘要：本发明公开了基于CNN‑LSTM及深度学习的时空组合预测方法，包括：S1、通过MI互信息算法对原始数据集的时间和空间相关性进行分析，消除数据间的冗余信息，对原始数据进行降维；S2、建立MI‑CNN‑LSTM模型，对降维后的数据进行预测，CNN用于提取各站点空间信息，LSTM用于获取时间序列数据间的依赖信息；S3、在LSTM网络的LSTM层与输出层之间增加AT层，得到MI‑CNN‑ALSTM模型，并对训练集数据进行模型学习；S4、引入PSO算法对训练参数寻优，得到MI‑CNN‑ALSTM‑PSO模型；S5、对测试集进行预测得到最终的预测值。本发明提出的MI‑CNN‑ALSTM‑PSO时空组合预测模型进一步提高风电功率预测精度和稳定性。

主权项：1.一种基于CNN-LSTM及深度学习的时空组合预测方法，其特征在于，包括如下步骤：S1、通过MI互信息算法对原始数据集的时间和空间相关性进行分析，消除数据间的冗余信息，对原始数据进行降维；S2、建立MI-CNN-LSTM模型，对步骤S1降维后的数据进行预测，其中，CNN网络用于提取各站点空间信息，LSTM网络用于获取时间序列数据间的依赖信息；S3、在LSTM网络的LSTM层与输出层之间增加AT层，得到MI-CNN-ALSTM模型，并对训练集数据进行模型学习；S4、引入PSO算法对训练参数寻优，得到MI-CNN-ALSTM-PSO模型；S5、通过MI-CNN-ALSTM-PSO模型对测试集进行预测，得到最终的预测值；其中，步骤S1中，原始数据集是采集的过去t小时内n个站点的m维特征的风电数据，表示为：X＝X1，X2,...,Xmn×t＝X1，X2,...,Xt∈Rn×m×t上式中，n为观测站点编号，t为观测时间序列的窗口长度，m为数据特征维度；则t时刻特征数据描述为： 上式中，WP为风电功率，WS为风速，WD为风向，TE为温度，PA为气压，DE为空气密度，i为站点编号；步骤S2中，LSTM网络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，σ为sigmoid函数；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]+bf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]+bi单元存储的状态信息：用于根据ft和it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： ht＝ot*tanhCt其中，Wf、Wi、Wc、Wo分别为ft、it、ot对应的权重矩阵，bf、bi、bc、bo分别为ft、it、ot对应的偏置项，tanh为双曲正切激活函数，定义如下： 传统的LSTM网络结构包括输入层、LSTM层和输出层，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+by上式中，Wy和by分别为权重矩阵和偏置项；步骤S3中，在LSTM网络的LSTM层与输出层之间增加AT层之后，通过下式得到注意力机制矢量Gt： 上式中，为softmax激活函数，Wh为权重向量，bh为偏置项；依据下式将Gt与ht作元素乘，得到AT层的输出 根据步骤S2中的yt＝σWy*ht+by，将作为后续LSTM输出层的输入，并得到预测值yt：

全文数据：

权利要求：

百度查询： 国网经济技术研究院有限公司 基于CNN-LSTM及深度学习的时空组合预测方法