申请/专利权人：天津大学

申请日：2019-10-18

公开（公告）日：2024-04-02

公开（公告）号：CN110851959B

主分类号：G06F30/27

分类号：G06F30/27;G06Q10/04;G06Q50/06;G06N3/0442;G06N3/0464;G06N3/08;G06F113/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.03.24#实质审查的生效;2020.02.28#公开

摘要：本发明公开了一种融合深度学习和分位数回归的风速区间预测方法，使用卷积神经网络和长短时记忆神经网络来提取风速的特征，然后利用提取的特征进行分位数回归，为了实现将分位数与深度学习模型的结合本发明将分位数绝对值损失函数平方，这样可以将深度学习和分位数回归相结合，通过平方项可以解决分位数回归绝对值函数的在零点处不可导，使得QR的误差函数可微，结合QR的误差函数，对于CNN‑QR和LSTM‑QR可以利用BP算法和BPTT进行参数迭代。与现有技术中浅层的神经网络分为数回归的概率区间预测有更好的效果，在相同的标准预测区间下有更好的锐度。

主权项：1.一种融合深度学习和分位数回归的风速区间预测方法，包括以下步骤：步骤一、数据预处理：将至少是两个风场一年的风速数据按照每五秒钟记录一个点，取一段时间连续的点作为一个样本，确定样本后对样本物理量进行归一化操作，归一化用最大最小归一化： 式1中，nxt表示归一化后的t时刻的特征向量，xmin表示最小样本值构成的向量，xmax表示最大样本值构成的向量；步骤二、构造深度学习分位数概率预测损失函数：分位数回归对于任意变量X，其分布函数为Fx＝PX≤x这里inf{K：GX}K表示满足GX的最小值，为X变量的τ分位数，分位数回归倾斜函数修改如下： 式2中，0τ1是一个分位数，ρτμ代表分倾斜函数损失，μ＝yτt-yt，yτt表示τ分位数的观测值，yt表示t时刻的风速值；分位数的误差表达式如下： 式3中，Eτ表示分位数的损失，N代表样本的个数，ρτμ代表倾斜函数损失，yτt表示τ分位数的观测值，yt表示t时刻的风速值；深度学习分位数概率预测损失函数包括：1QR与深度学习CNN结合，将QR的误差函数引入CNN的误差函数中得到CNN-QR损失函数，CNN损失函数为： 式4中，Ecnn表示CNN的损失，N代表样本个数，yt表示观测值，yt表示真实值；然后与分位数结合通过引入QR获得的目标函数即为CNN-QR误差函数： 式5中，Ecnnτ表示CNN-QR的损失，N表示样本的个数，yτt表示τ分位数的观测值，yτ表示t时刻的风速值，ρτμ为公式2；2QR与深度学习LSTM结合，将LSTM与QR结合的目标函数，得到LSTM-QR损失函数： 式6中，Elstm表示LSTM的损失，N代表样本数，ht代表观测值，yt代表真实值；加入分位数回归的损失函数的损失得到LSTM-QR误差函数： 式7中，Elstmτ表示LSTM-QR的损失，N表示样本的个数，yτt表示τ分位数的观测值，yτ表示t时刻的风速值，ρτμ为式2；步骤三、优化参数，获得深度学习分位数概率预测损失模型：针对上述得到的CNN-QR误差函数，对随机初始化参数运用SGD随机梯度下降算法和BP算法结合进行优化，从而得到CNN-QR模型；针对上述得到的LSTM-QR误差函数，对随机初始化参数运用SGD随机梯度下降算法和BPTT算法结合进行优化，从而得到LSTM-QR模型步骤四、得出深度学习分位数概率预测区间：根据CNN-QR模型和LSTM-QR模型，将风速数据输入模型调节分位数的τ值得到不同分位数下的预测结果在两个分位数的中间差，即得到在相应标准区间的概率预测区间的风速值。

全文数据：

权利要求：

百度查询： 天津大学 一种融合深度学习和分位数回归的风速区间预测方法

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