龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：北京航空航天大学
摘要：针对短期风速波动大、随机性强等特点，本发明提出了一个多元分解组合短期风速预测模型MDCFM，属于速度预测及数据处理领域。本发明在数据预处理阶段通过孤立森林算法对原始风速序列进行异常值检测修正并使用移动平均方法进行降噪，为后续预测模型减少异常值干扰做铺垫；本发明在子序列分解阶段通过由鹈鹕优化算法POA优化变分模态分解VMD方法，分解原始风速序列，使得模型能够根据风速序列的特征自动选择适应场景的参数值进行子序列分解；本发明在预测阶段通过Q‑Q图将子MTGNN预测非正态分布子序列，从而有效捕捉波动性较大子序列的时空特征。对于趋近正态分布子序列通过CNN‑BiLSTM‑Attention进行预测，在降低模型复杂度的同时保证了子序列的预测精度。最后通过线性拟合各子模型权重以组合MDCFM的预测结果。从而提出了一种改进的多变量时序混合预测模型。实验证明，该模型具有比当前多变量时序预测模型更佳的精度和性能。
主权项：1.一种基于启发式算法优化的分解降噪和改进时空图卷积的短期风速预测方法，其特征在于，包括以下步骤：步骤S1：数据预处理：步骤S11：通过孤立森林检测并修正原始风速时序序列的异常值；步骤S12：对修正的风速序列进行降噪处理；步骤S2：子序列分解：步骤S21：针对步骤S1处理得到的风速序列，将风速序列的样本熵作为适应度值，利用POA启发式算法，寻找对于当前风速序列的最佳参数值α和k；步骤S22：将步骤S21中得到的最佳参数值α和k带入VMD模型，指定参数τ＝0，抹去拉格朗日算子的影响，进行子序列分解；步骤S3：训练混合预测模型；步骤S31：针对步骤S2处理得到的风速子序列通过Q-Q图进行检测，将子序列分为趋近正态分布子序列和非正态分布子序列；步骤S32：对于趋近正态分布的子序列，通过CNN-BiLSTM-Attention模型进行预测；对于非正态分布子序列，通过MTGNN预测；步骤S33：将步骤S32中得到的预测结果，通过线性拟合方法确定了风速预测模块中各子序列对应模型权重，从而组合形成预测的风速时序序列。
全文数据：
权利要求：
百度查询： 北京航空航天大学 基于启发式算法优化的分解降噪和改进时空图卷积的短期风速预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号