申请/专利权人：天津大学

申请日：2020-05-14

公开（公告）日：2024-04-09

公开（公告）号：CN111695290B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06N3/0442;G06Q10/04;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.10.20#实质审查的生效;2020.09.22#公开

摘要：本发明公开一种适用于变化环境下的短期径流智能预报混合模型方法，包括步骤：使用改进的VMD算法将原始的径流序列分解成k个IMFs，使得原序列变成多个更加稳定的子序列；用偏自相关函数PACF确定LSTM模型的输入步长，并使用PSO算法对LSTM网络的多个参数进行优化；使用优化得出的参数建立网络，并使用相应的子序列数据进行网络的训练；使用训练好的网络，对子序列进行预测；对各IMFs分量的预测结果求和，得到最终结果。本发明的模型预测结果可为防洪规划、水库调度和水资源配置等水资源规划管理活动提供可靠依据。

主权项：1.适用于变化环境下的短期径流智能预报混合模型方法，其特征在于，包括步骤：第一阶段.使用改进的VMD算法将原始的径流序列分解成k个固有模态函数IMFs，使得原序列变成多个更加稳定的子序列；第二阶段.采用偏自相关函数PACF确定LSTM模型的输入步长，并使用PSO算法对LSTM网络的隐层节点数HN和学习率α进行优化；第三阶段.使用优化得出的参数建立LSTM网络，并使用相应的子序列数据进行网络的训练；第四阶段.使用训练好的网络作为预测工具，对子序列进行预测，每个分解的固有模态函数IMF对应一个LSTM预测模型；第五阶段.对各IMFs分量的预测结果求和，即可得到最终结果；所述第一阶段的步骤如下：1设定k的初始值为2，排列熵的阈值取经验值0.6；2采用VMD算法对原始信号进行分解，得到k个固有模态函数IMFit，i＝1～k；3计算分解结果中每个IMF的排列熵pei，i＝1～k；4判断pei是否大于阈值0.6，若是，停止循环，进入步骤5；若不是，则令k＝k+1，返回步骤2，根据更新后的k值，继续对原始信号进行VMD分解；5令k＝k-1，输出最优k，采用VMD算法对序列进行最终的分解，得到k个IMFs；偏自相关函数PACF确定LSTM模型的输入步长是通过分析偏自相关图确定输入变量，即对应于滞后长度的PACF图来确定；假设输出变量为xi，在滞后k的PACF超出95％置信区间的情况下，前k个变量即为输入变量；对于径流序列，滞后k处的协方差γk值为： 式中,为径流序列的平均值，M＝n4为最大滞后系数，k为自相关函数的滞后长度,ρk表示为： 基于协方差公式，滞后kk＝1,2,…,M处的PACFfkk表示为： 根据各IMF序列的PACF值，分析各IMF中数据之间的相关性，并通过相关性选择各预测模型的最优输入步长；隐层节点数HN和学习率α的确定步骤如下：1.初始化粒子群由给定的种群规模、速度区间和搜索空间，初始化种群所有粒子的位置[X1,X2,X3,···,XN]和速度[V1,V2,V3,···，VN]，其中N为种群规模,初始的位置和速度都是一定范围内的随机值,每个粒子的位置Xi是由隐层节点数和学习率组成的二维向量HNi，αi，i为第i个粒子；2.计算每个粒子当前位置的适应度fitness，并找到全局和局部最优位置；分别用每个粒子位置xi＝HNi，αi中包含的参数，构建LSTM网络模型；将训练集输入LSTM网络进行计算，使用RSME作为适应度函数，计算公式如下： 其中N是训练集的数据个数，Yin是LSTM网络第n个训练观测值的训练输出，Yon是第n个观测值的实际观测值；计算每一个粒子对应的适应度，并记录粒子i历史上适应度最小时的位置即个体极值，记为pbesti，以及所有粒子历史上适应度最小时的位置即全局极值，记为gbest；3.更新每个个体的位置和速度使用以下公式进行粒子位置和速度的更新：Vi＝ω×Vi+c1×rand×pbesti-Xi+c2×rand×gbest-Xi，Xi＝Xi+Vi，上述公式中，rand：介于0到1的随机数；c1,c2是学习因子，c1＝c2＝2；ω为惯性因子，ω＝0.6,Vi的最大值为Vmax，若Vi大于Vmax，则Vi＝Vmax,4.重复2，3两步，直到精度达到要求或达到最大迭代次数；5.此时的全局最优位置gbest＝HNbest，αbest，即为PSO输出的最优参数。

全文数据：

权利要求：

百度查询： 天津大学 一种适用于变化环境下的短期径流智能预报混合模型方法

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