本发明专利技术公开了基于核化循环神经网络的风速预测方法及系统；其中，所述方法，包括：获取研究地区的待预测风速时间序列；计算待预测风速时间序列样本分布与不同模式下历史风速时间序列样本分布之间的散度值；找到散度最小值对应的模式；根据找到的模式，查找与当前模式一一对应的训练后的核化循环神经网络参数；其中，所述训练后的核化循环神经网络，是根据当前模式对应的历史风速时间序列对核化循环神经网络进行预先训练得到的；采用训练后核化循环神经网络，对待预测的风速时间序列进行预测，输出预测的风速值。输出预测的风速值。输出预测的风速值。
全部详细技术资料下载
【技术实现步骤摘要】
基于核化循环神经网络的风速预测方法及系统
[0001]本专利技术涉及风速预测
，特别是涉及基于核化循环神经网络的风速预测方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]目前，在风速预测问题中主要有三类研究方法：
[0004](1)利用自然环境中存在的一些物理信息来预测风速，例如外界温度、湿度等；
[0005](2)基于各种数学模型建立的预测系统，例如早期学者们常用自回归移动平均(ARMA)、自回归积分滑动平均(ARIMA)等时间序列模型来构建系统；
[0006](3)随着人工智能各项技术的快速发展，越来越多的学者将机器学习、深度学习方法应用到风速预测问题中，最常用的有支持向量机(SVM)、各种神经网络(NN)等。此外，对风力原始信号进行分解后组合预测的研究思路也受到了广泛关注。
[0007]现如今，将核方法、神经网络或组合方法应用到复杂时间序列中的研究也越来越多，目前现有的一些预测方法主要存在以下缺点：
[0008](1)风速规律实际具有较强的随机性，例如其在不同的季节或不同的时间段，它的变化规律也会大不相同。因此单一传统的ARMA、ARIMA等时间序列模型并不能很好的适应复杂的风速时间序列预测问题。
[0009](2)传统的神经网络方法可能会在训练阶段陷入局部极小的情况，且这些方法大多要求提前准备好训练数据，定期训练也需要大量的计算和存储资源。而核方法(例如核自适应滤波器)相比于一些神经网络(例如Regularization Network神经网络等)，显著降低了计算复杂度，并提高了性能。
[0010](3)单一线性的自适应滤波器在线性系统的信号处理方面具有鲁棒性强，结构简单、实时性强等特点，但在面对非线性、非平稳的复杂时间序列预测问题时效果并不理想。
技术实现思路
[0011]为了解决现有技术的不足，本专利技术提供了基于核化循环神经网络的风速预测方法及系统；通过对风速历史数据的分析与建模，建立可实现在线实时预测的预测网络模型。
[0012]第一方面，本专利技术提供了基于核化循环神经网络的风速预测方法；
[0013]基于核化循环神经网络的风速预测方法，包括：
[0014]获取研究地区的待预测风速时间序列；
[0015]计算待预测风速时间序列样本分布与不同模式下历史风速时间序列样本分布之间的散度值；找到散度最小值对应的模式；根据找到的模式，查找与当前模式一一对应的训练后的核化循环神经网络参数；其中，所述训练后的核化循环神经网络，是根据当前模式对应的历史风速时间序列对核化循环神经网络进行预先训练得到的；
[0016]采用训练后核化循环神经网络，对待预测的风速时间序列进行预测，输出预测的
风速值。
[0017]第二方面，本专利技术提供了基于核化循环神经网络的风速预测系统；
[0018]基于核化循环神经网络的风速预测系统，包括：
[0019]获取模块，其被配置为：获取研究地区的待预测风速时间序列；
[0020]计算模块，其被配置为：计算待预测风速时间序列样本分布与不同模式下历史风速时间序列样本分布之间的散度值；找到散度最小值对应的模式；根据找到的模式，查找与当前模式一一对应的训练后的核化循环神经网络参数；其中，所述训练后的核化循环神经网络，是根据当前模式对应的历史风速时间序列对核化循环神经网络进行预先训练得到的；
[0021]输出模块，其被配置为：采用训练后核化循环神经网络，对待预测的风速时间序列进行预测，输出预测的风速值。
[0022]第三方面，本专利技术还提供了一种电子设备，包括：
[0023]存储器，用于非暂时性存储计算机可读指令；以及
[0024]处理器，用于运行所述计算机可读指令，
[0025]其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
[0026]第四方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
[0027]第五方面，本专利技术还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]本专利技术结合了单一神经网络和单一核自适应滤波器的优势，建立核化的循环神经网络，在数学上简化了非线性神经元的分析与计算；本专利技术将时间序列片段的匹配转化为序列分布的匹配，经过合适的片段划分算法，本专利技术能够有效减少计算量，降低计算复杂度并减少存储资源；此外，本专利技术关注到风速时序数据的多时间尺度特征，通过对原始序列进行离散小波分解提取出不同尺度下的分量，更高效地利用数据特征，降低预测误差。
附图说明
[0030]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0031]图1为本专利技术实施例一提出的基于多尺度和核化循环神经网络的风速预测方法流程图；
[0032]图2(a)
‑
图2(c)为本专利技术实施例一中核化循环神经网络内部的核自适应滤波器示意图；
[0033]图3为本专利技术实施例一中核化循环神经网络示意图；
[0034]图4为本专利技术实施例一离散小波二层分解示意图；
[0035]图5为本专利技术实施例一模式字典构造示意图；
[0036]图6为本专利技术实施例一模式字典结构示意图。
具体实施方式
[0037]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0038]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0039]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0040]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0041]实施例一
[0042]本实施例提供了基于核化循环神经网络的风速预测方法；
[0043]如图1所示，基于核化循环神经网络的风速预测方法，包括：
[0044]S101：获取待预测风速时间序列；
[0045]S102：计算待预测风速时
【技术保护点】
【技术特征摘要】
1.基于核化循环神经网络的风速预测方法，其特征是，包括：获取研究地区的待预测风速时间序列；计算待预测风速时间序列样本分布与不同模式下历史风速时间序列样本分布之间的散度值；找到散度最小值对应的模式；根据找到的模式，查找与当前模式一一对应的训练后的核化循环神经网络参数；其中，所述训练后的核化循环神经网络，是根据当前模式对应的历史风速时间序列对核化循环神经网络进行预先训练得到的；采用训练后核化循环神经网络，对待预测的风速时间序列进行预测，输出预测的风速值。2.如权利要求1所述的基于核化循环神经网络的风速预测方法，其特征是，所述计算待预测风速时间序列样本分布与不同模式下历史风速时间序列样本分布之间的散度值；其中，散度值，是指KL散度。3.如权利要求1所述的基于核化循环神经网络的风速预测方法，其特征是，所述核化循环神经网络，其结构包括：依次连接的输入层、核自适应滤波层、全连接层和输出层；所述核自适应滤波层，采用最小均方算法来实现。4.如权利要求1所述的基于核化循环神经网络的风速预测方法，其特征是，所述训练后核化循环神经网络，其训练过程包括：构建训练集和测试集；所述训练集和测试集，均为历史风速时间序列；将训练集和测试集中的历史风速时间序列均进行标准化处理；将训练集和测试集中的历史风速时间序列采用小波分解算法进行若干次分解，得到高频分量和低频分量，再将得到的低频分量采用滑动窗口进行片段划分，计算每一个划分片段与模式字典中每一个模式下不同片段的散度值；判断散度值是否小于设定阈值，如果小于设定阈值，则找到模式字典中散度值小于设定阈值的片段，将当前片段的模式设定为与模式字典中散度值小于设定阈值的片段的模式相同；如果大于设定阈值，则将当前片段作为一个新的模式保存在模式字典中；将同一模式下训练集的低频分量和已知风速时间序列，作为核化循环神经网络的输入值，对核化循环神经网络进行训练，得到当前模式下初步训练后的核化循环神经网络；采用同一模式下测试集的低频分量和已知风速时间序列，作为初步训练后核化循环神经网络的输入值，对核化循环神经网络进行测试，得到当前模式下训练后核化循环神经网络。5.如权利要求4所述的基于核化循环神经网络的风速预测方法，其特征是，所述模式字典，包括若干种模式，每一种模式下包括至...
【专利技术属性】
技术研发人员：张彩明，王梓颖，袁晨迅，马翔，李雪梅，
申请(专利权)人：山东大学，
类型：发明
国别省市：
全部详细技术资料下载 我是这个专利的主人
发表评论