一种基于EEMD和LSTM的短期风速预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110555515A(43)申请公布日2019.12.10(21)申请号201910781174.9G06Q50/06(2012.01)(22)申请日2019.08.22(71)申请人南京信大气象科学技术研究院有限公司地址210061江苏省南京市江北新区智达路6号智城园区2号楼(72)发明人陆冰鉴周鹏王兴薛丰昌苗春生周可詹少伟张越(74)专利代理机构南京钟山专利代理有限公司32252代理人上官凤栖(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06Q10/04(2012.01)权利要求书2页说明书7页附图5页(54)发明名称一种基于EEMD和LSTM的短期风速预测方法(57)摘要一种基于EEMD和LSTM的短期风速预测方法，基于集合经验模态分解EEMD与长短期记忆神经网络LSTM相结合的风速预测模型，通过EEMD对风速序列进行分解，得到较为平稳的子序列，较好的保留了原始数据的性质，优化了传统经验模态EMD模态混叠带来的误差，与LSTM预测模型相结合，改善了LSTM预测模型的滞后性，相对于传统的方法效率更高，同时能够有效降低预测误差。CN110555515ACN110555515A权利要求书1/2页1.一种基于EEMD和LSTM的短期风速预测方法，其特征在于，包括如下步骤：步骤1：将某区域气象观测站的实测逐秒风速预处理为时间间隔为τ的风速序列；步骤2：采用EEMD将风速序列分解为多个分量；步骤3：确定时间尺度，对每个分量进行重构，并归一化统一量纲，得到多个样本；步骤4：由重构后的样本确定训练集和测试集；步骤5：对各个训练集和测试集分别建立LSTM预测模型，用于预测各个分量；步骤6：根据LSTM预测模型得到多个分量的风速预测分量，对每个风速预测分量反归一化后进行叠加，得到风速预测结果。2.如权利要求1所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤1中，τ∈[1，86400]s。3.如权利要求1所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤2具体如下：步骤2-1：在风速序列N(t)中加入服从正态分布的白噪声；步骤2-2：对风速序列作EMD分解，求出s个固有模态函数分量imf(t)和1个剩余分量r(t)：式中，imfi(t)是EMD分解得到的第i个imf(t)，r(t)是分解筛除s个imf(t)后的信号残余分量，t为序列长度，t＞0；步骤2-3：重复r次步骤2-1和步骤2-2，每次加入新的白噪声；步骤2-4：求r次分解后的分量imfi(t)的整体平均，作为风速序列N(t)的IMF分量，最终得到s个不同尺度的固有模态函数分量IMF1-IMFs及一个剩余分量Res。4.如权利要求3所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤3中，确定时间尺度Ts，对分解后的IMF分量及Res分量进行重构，得到重构序列，将每个分量重构为如下形式：式中，Nn表示重构出的第n个样本，Mn表示重构出的第n个样本的标签；总样本为N＝[N1，N2，...，Nn]，按列对总样本进行归一化如下：2CN110555515A权利要求书2/2页式中，Nn，k表示总样本第n行k列的值，N′n，k表示总样本第n行k列归一化的值，Nk，min表示第k列的最小值，Nk，max表示第k列的最大值。5.如权利要求4所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤4中，由重构后的样本确定训练集为：E＝{(N′1，M′1)，(N′2，M′2)，…，(N′m，M′m)}测试集为：Test′＝{(N′m+1，M′m+1)，(N′m+2，M′m+2)，…，(N′n，M′n)}其中，N′m表示归一化后第m个样本，M′m表示归一化后第m个样本的标签，1＜m＜n。6.如权利要求5所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤5中，LSTM预测模型包含一个LSTM层，在t′时刻网络的输入为历史风速序列N′n，t′，t′为(1，Ts)间的整数，输出为下一时刻的预测值M′n，t′，经过隐含层运算后得到该隐含层的输出ht′，网络的输出为：M′n，t′＝sigmoid(Wh·ht′+b)式中，Wh为隐含层和输出层之间的权重矩阵，b为输出层的偏置量；采用当前时刻之前的Ts个历史数据作为LSTM网络的输入进行训练和预测。7.如权利要求6所述的一种基于EEMD和LSTM的短期风速预测方法，其特征在于：所述步骤6中，将风速预测分量反归一化后进行叠加，公式如下：*其中Mn，t′为第n个样本的预测值，M′i，n，t′表示第i个分量的风速预测值，Mmax表示训练标签的最大值，Mm