申请/专利权人：中南大学

申请日：2023-12-18

公开（公告）日：2024-04-26

公开（公告）号：CN117932417A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/25;G06F18/21;G06N3/0442;G01P5/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于多时间尺度特征的层次一致性风速预测方法，包括：数据预处理：将风速数据按一定比例随机分为独立的训练集、验证集和测试集三个子集，并将三个子集的风速进行归一化；模型构建与损失函数设计：构建基于多时间尺度特征的层次一致性风速预测模型MGFFR，并基于所有时间节点加和的方式设计分位数损失用来训练模型；模型训练与风速预测：使用训练集对MGFFR模型进行训练，并基于验证集寻优，最后使用测试集得到基础预测风速；调和：利用加权最小二乘法对确定性基础预测结果和概率基础预测结果进行调和；本发明实现多时间尺度层次上的特征融合，提高确定性预测的精度，并且能够准确提供每个时间层次上每个节点的风速预测范围。

主权项：1.一种基于多时间尺度特征的层次一致性风速预测方法，其特征在于，包括以下步骤：步骤1、数据预处理：将风速数据按一定比例分为独立的训练集、验证集和测试集三个子集，并将三个子集的风速进行归一化，具体如下： 其中，x和xnorm分别是输入数据和归一化数据，xmax和xmin分别是输入数据的最大值和最小值；步骤2、模型构建与损失函数设计：构建基于多时间尺度特征的层次一致性风速预测模型MGFFR，对于输入的底层细粒度时间序列，进行两次平均池化分别获得中层与顶层的时间序列，从而得到三个不同时间尺度的风速序列，模型中则存在着底层、中层和顶层三个通道。对于每个通道的时间序列，采用GRU模型对所有的时间节点进行独立编码，得到三个不同时间尺度风速序列的隐特征表示，并设计自下而上的块注意力BUBA模块和自上而下的自适应上采样TDAU模块，将每层GRU模型得到的隐特征采样到其他两层通道上，以便于不同时间尺度风速序列特征的融合；然后对于每个通道上获得的3个特征，利用挤压-激励网络SENet在各层通道上进行特征融合，得到各个通道的加权隐特征；随后采用连续的多个残差块在每个通道上进行特征提取；最后利用Flatten层和全连接层得到每个时间层次的基础预测结果并组合输出；对于损失函数，基于所有时间节点加和的方式使用分位数损失来进行模型训练；步骤3、模型训练与风速预测：使用训练集对基于多时间尺度特征的层次一致性风速预测模型MGFFR进行训练，并且在训练的过程中引入验证集进行超参数的寻优并防止过拟合；在通过验证集获得最佳参数后，使用测试集进行测试，得到模型输出ynorm；最后，对ynorm进行反归一化处理，得到基础预测风速y：y＝ynorm×ymax-ymin+ymin其中，ymax和ymin分别表示目标风速数据的最大值和最小值；步骤4、调和：利用加权最小二乘法来进行调和。其中，对于确定性预测结果，直接对结果进行调和；而对于分位数损失得到的预测区间，则对预测区间的上下界进行调和；在经过调和后，即可得到满足强一致性约束的风速预测结果。

全文数据：

权利要求：

百度查询： 中南大学 基于多时间尺度特征的层次一致性风速预测方法

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