CN114077913A - 基于自动储层神经网络的多步预测未来风速的方法和系统 - Google Patents

基于自动储层神经网络的多步预测未来风速的方法和系统 Download PDF

Info

Publication number
CN114077913A
CN114077913A CN202010818836.8A CN202010818836A CN114077913A CN 114077913 A CN114077913 A CN 114077913A CN 202010818836 A CN202010818836 A CN 202010818836A CN 114077913 A CN114077913 A CN 114077913A
Authority
CN
China
Prior art keywords
matrix
wind speed
target variable
variables
reservoir
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010818836.8A
Other languages
English (en)
Inventor
陈洛南
陈培
刘锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Center for Excellence in Molecular Cell Science of CAS
Original Assignee
Center for Excellence in Molecular Cell Science of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Center for Excellence in Molecular Cell Science of CAS filed Critical Center for Excellence in Molecular Cell Science of CAS
Priority to CN202010818836.8A priority Critical patent/CN114077913A/zh
Priority to EP21855311.3A priority patent/EP4198848A1/en
Priority to US18/041,497 priority patent/US20230305187A1/en
Priority to PCT/CN2021/105931 priority patent/WO2022033258A1/zh
Publication of CN114077913A publication Critical patent/CN114077913A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自动储层神经网络的多步预测未来风速的方法和系统，实现了未来信息的准确快速的多步预测，维持了对噪声和系统时变的较高鲁棒性并避免了过拟合问题。其技术方案为：针对短时间高维风速数据，基于延迟嵌入理论，利用时空信息转换，将观测到的高维动力学作为储层，把高维风速数据映射到目标变量的未来信息，自动储层神经网络通过求解一对共轭时空信息交互方程来实现对目标变量的多步预测。

Description

基于自动储层神经网络的多步预测未来风速的方法和系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于自动储层神经网络的多步预测未来风速的方法和系统。
背景技术
风速的预测总是引人入胜且具有吸引力。然而，由于风速系统的非线性和信息的不足，仅就短期时间序列对风速这样的非线性动力系统进行多步预测是一项具挑战性的任务。尽管许多方法包括统计回归(例如ARIMA12，鲁棒回归)，指数平滑和机器学习(例如长期-短期内存网络：LSTM)已应用于可预测性问题，但是大多数现有方法都需要进行足够多的观测或长期时间序列，因此无法利用小样本可靠地预测短期时间序列的风速变化。另一方面，包括递归神经网络(RNN)和LSTM在内的神经网络，从理论上可以从观察到的数据中学习风速的非线性动力学，并且已经在基于相空间嵌入策略的时间序列预测中被使用。然而，当只有短期时间序列可用于训练网络时，上述方法通常会遇到过拟合问题。此外，训练神经网络会耗费大量时间和计算资源，比如神经元的大量反馈导致梯度消失等问题，这也阻碍了传统神经网络方法应用于许多实际系统中。
目前，短时间高维风速数据的预测方法较少，但是这种短期风速序列预测是自然而重要的。首先，短时间高维风速数据在现实世界中广泛可得。其次，由于现实世界中风速系统具有时变非平稳特性，最新的短期序列比包含遥远历史信息的长期序列更能准确地描述复杂系统的未来时间特性。因此，即使测量了长期数据，真正有效的预测也主要取决于其最近的短期数据。第三，由于可测得的短时期高维数据拥有丰富的信息，这些变量的动力学相互交织，可用于预测。实际上，假定稳态包含于低维流形中，对于许多满足实际情况的高维风速系统，时空信息(STI)变换可以理论上由延迟嵌入理论得到。该理论可以将高维数据的空间信息转换为任意目标变量的时间信息。在STI变换的基础上，通过分别构造多个STI映射以形成短时高维时间序列的一步一步预测，随机分布嵌入(RDE)框架被开发来预测值的分布。此外，有方法通过采用多层神经网络作为STI转换来执行多步提前预测。但是，对于短时间高维风速预测，仍然有两个问题尚未解决：一个是计算成本，另一个是鲁棒性。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种基于自动储层神经网络的多步预测未来风速的方法和系统，不仅实现了未来信息的准确快速的多步预测，而且还维持了对噪声和系统时变的较高鲁棒性并避免了过拟合问题。
本发明的技术方案为：本发明揭示了一种基于自动储层神经网络的多步预测未来风速的方法，方法包括：
步骤1：根据输入的风速数据的特点，构建短时间高维数据，从短时间高维数据中确定需要预测的目标变量、已知时序列长度、需要预测的长度；
步骤2：构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵；
步骤3：随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵；
步骤4：基于步骤2中所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵，并最终得到所需预测的目标变量的预测值。
根据本发明的基于自动储层神经网络的多步预测未来风速的方法的一实施例，步骤1进一步包括：
给定长度为m，维度n的高维风速时间序列
Figure BDA0002633738500000031
需要预测的目标监测站的风速y是x1,x2,…,xn个地理位置相近的风速监测站测量风速中任意一个,即y＝xk，k代表目标监测站的下标，是1～n中的任意一个；
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列Xt中选择相关变量或消除无关变量以提高ARNN的性能，对于给定的高维风速时间序列Xt，计算时间序列
Figure BDA0002633738500000032
与{y1,y2,…,ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1,x2,…,xD}(D≤n)。
根据本发明的基于自动储层神经网络的多步预测未来风速的方法的一实施例，步骤2进一步包括：
对于如下的D个相关变量所组成的高维短时间序列矩阵Xt
Figure BDA0002633738500000033
通过随机给定的神经网络F的处理，将矩阵Xt转换成
Figure BDA0002633738500000034
维变量F(Xt)＝F1(Xt),…,FD(Xt)′，得到如下的ARNN的时空信息STI共轭方程：
Figure BDA0002633738500000035
其中，YL×m是延迟嵌入矩阵，IL×L是单位矩阵，系数矩阵
Figure BDA0002633738500000036
是未知的，未来信息是目标变量y，即{ym+1,ym+2,…,ym+L-1}；
构建延迟嵌入矩阵如下：
Figure BDA0002633738500000037
其中，L为延迟嵌入的个数，L-1就是预测的步数。
根据本发明的基于自动储层神经网络的多步预测未来风速的方法的一实施例，步骤3进一步包括：
从
Figure BDA0002633738500000038
随机选择
Figure BDA0002633738500000039
个变量，解如下方程：
Figure BDA0002633738500000041
Figure BDA0002633738500000042
Figure BDA0002633738500000043
其中，
Figure BDA0002633738500000044
是系数矩阵
Figure BDA0002633738500000045
的一个子矩阵，
Figure BDA0002633738500000046
是系数矩阵
Figure BDA0002633738500000047
的一个子矩阵；
通过如下准则更新系数矩阵
Figure BDA0002633738500000048
如果初始元素bij为空，直接用方程
Figure BDA0002633738500000049
中的解
Figure BDA00026337385000000410
替换掉bij；如果初始元素bij不为空，令
Figure BDA00026337385000000411
根据本发明的基于自动储层神经网络的多步预测未来风速的方法的一实施例，步骤4进一步包括：
求解确定系数矩阵A和B：重复上述的步骤3，利用迭代方式更新矩阵
Figure BDA00026337385000000412
当某次迭代满足设定的收敛条件后，系数矩阵
Figure BDA00026337385000000413
最终被确定，根据下述的公式，
Figure BDA00026337385000000414
被确定：
Figure BDA00026337385000000415
其中，
Figure BDA00026337385000000416
和[YL×m|IL×L]是增广矩阵；
在系数矩阵A和B已知的情况下，解出目标变量y的未知部分。
本发明还揭示了一种基于自动储层神经网络的多步预测未来风速的系统，系统包括：
目标变量构建模块，根据输入的风速数据的特点，构建短时间高维数据，从短时间高维数据中确定需要预测的目标变量、已知时序列长度、需要预测的长度；
共轭方程构建模块，构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵；
系数矩阵更新模块，随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵；
目标变量预测模块，基于所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵，并最终得到所需预测的目标变量的预测值。
根据本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例，目标变量构建模块进一步配置为：
给定长度为m，维度n的高维风速时间序列
Figure BDA0002633738500000051
需要预测的目标监测站的风速y是x1,x2,…,xn个地理位置相近的风速监测站测量风速中任意一个,即y＝xk，k代表目标监测站的下标，是1～n中的任意一个；
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列Xt中选择相关变量或消除无关变量以提高ARNN的性能，对于给定的高维风速时间序列Xt，计算时间序列
Figure BDA0002633738500000052
与{y1,y2,…,ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1,x2,…,xD}(D≤n)。
根据本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例，共轭方程构建模块进一步配置为：
对于如下的D个相关变量所组成的高维短时间序列矩阵Xt
Figure BDA0002633738500000053
通过随机给定的神经网络F的处理，将矩阵Xt转换成
Figure BDA0002633738500000054
维变量F(Xt)＝F1(Xt),…,FD(Xt)′，得到如下的ARNN的时空信息STI共轭方程：
Figure BDA0002633738500000055
其中，YL×m是延迟嵌入矩阵，IL×L是单位矩阵，系数矩阵
Figure BDA0002633738500000056
是未知的，未来信息是目标变量y，即{ym+1,ym+2,…,ym+L-1}；
构建延迟嵌入矩阵如下：
Figure BDA0002633738500000061
其中，L为延迟嵌入的个数，L-1就是预测的步数。
根据本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例，系数矩阵更新模块进一步配置为：
从
Figure BDA00026337385000000619
随机选择
Figure BDA0002633738500000062
个变量，解如下方程：
Figure BDA0002633738500000063
Figure BDA0002633738500000064
Figure BDA0002633738500000065
其中，
Figure BDA0002633738500000066
是系数矩阵
Figure BDA0002633738500000067
的一个子矩阵，
Figure BDA0002633738500000068
是系数矩阵
Figure BDA0002633738500000069
的一个子矩阵；
通过如下准则更新系数矩阵
Figure BDA00026337385000000610
如果初始元素bij为空，直接用方程
Figure BDA00026337385000000611
中的解
Figure BDA00026337385000000612
替换掉bij；如果初始元素bij不为空，令
Figure BDA00026337385000000613
根据本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例，目标变量预测模块进一步配置为：
求解确定系数矩阵A和B：重复上述的系数矩阵更新模块的处理，利用迭代方式更新矩阵
Figure BDA00026337385000000614
当某次迭代满足设定的收敛条件后，系数矩阵
Figure BDA00026337385000000615
最终被确定，根据下述的公式，
Figure BDA00026337385000000616
被确定：
Figure BDA00026337385000000617
其中，
Figure BDA00026337385000000618
和[YL×m|IL×L]是增广矩阵；
在系数矩阵A和B已知的情况下，解出目标变量y的未知部分。
本发明对比现有技术有如下的有益效果：本发明的方法和系统针对短时间高维风速数据，基于延迟嵌入理论，利用时空信息转换，将观测到的高维动力学作为储层，把高维风速数据映射到目标变量的未来信息，以目标变量的多步准确预测。自动储层神经网络通过同时求解一对共轭时空信息交互方程，不仅实现了未来信息的准确快速的多步预测，而且还维持了较高鲁棒性并避免了过拟合问题。通过将观测到的动力学自身作为储层，自动储层神经网络在保证储层计算的高效率的同时探索目标系统的固有低维动力学。此外，大量计算反映了即使在风速数据受到较大噪声干扰且系统时变的情况下，ARNN的计算结果仍较稳定。自动储层神经网络已成功应用于真实风速数据集，展现出优异的预测结果，这显示了该算法在人工智能和机器学习的发展中具有巨大的潜力。
总的来说，本发明具有如下特点和技术效果：
1)本发明针对的是地理位置相近的多个监测站在同一段时间测量得到的一段风速数据作为原始输入。由于现实世界中风速系统具有时变非平稳特性，最新的短期序列比包含遥远历史信息的长期序列更能准确地描述复杂系统的未来时间特性。
2)本发明结合水库计算储层结构和时空信息STI转换，将观察到的高维数据的动力学作为存储库，利用了观察/目标系统的内在动力学；通过STI转换，将高维数据的空间信息转换为任意目标变量的时间/动态信息，从而解决了样本量小的问题。采用STI方程的主要形式和共轭形式来对高维风速数据的时间动力学进行编码和解码。
3)本发明避免了过拟合的问题。训练传统神经网络会耗费大量时间和计算资源，比如神经元的大量反馈导致梯度消失等问题，这使得传统神经网络方法很难大规模应用于许多实际系统中。而基于储层结构，ARNN只需训练较少的参数，因而不需要太多样本。
4)本发明提供的针对多个监测站的风速多步未来预测方法具有准确、鲁棒和节能的特点。本发明分别对噪声干扰情况下、具时变性的系统进行实验，证明ARNN方法对于风速具有良好的预测效果。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的基于自动储层神经网络的多步预测未来风速的方法的一实施例的流程图。
图2示出了本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
图1示出了本发明的基于自动储层神经网络(Auto-Reservoir Neural Network，ARNN)的多步预测未来风速的方法的一实施例的流程。请参见图1，本实施例的预测方法的实施步骤详述如下。为便于理解，在本实施例的每一步骤的具体描述中，以日本稚内地区的155个风速监测站测到的风速为例进行说明。
步骤1：根据输入的风速数据的特点，构建短时间高维数据，确定需要预测的目标变量、已知时序列长度、需要预测的长度。
给定长度为m，维度n的高维风速时间序列
Figure BDA0002633738500000081
需要被预测的目标监测站的风速y是x1,x2,…,xn个地理位置相近的风速监测站测量风速中任意一个,即y＝xk，k代表目标监测站的下标，是1～n中的任意一个。
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列中选择相关变量或消除无关变量(与目标变量y无关)将显著提高ARNN的性能。对于给定的高维风速时间序列，计算时间序列
Figure BDA0002633738500000082
与{y1,y2,…,ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1,x2,…,xD}(D≤n)。
在一个示例中，构建155维的高维动力系统：
Figure BDA0002633738500000091
系统包含155维时序变量
Figure BDA0002633738500000092
任意选择其中一个时序变量为目标变量y。P(t)是参数，耦合系统的155维变量和目标变量y均有较大的相关性。我们取已知时序列长度m＝110，需要预测的长度为L-1＝45。
步骤2：构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵。
步骤2中的高维短时间序列矩阵代表输入；延迟嵌入矩阵包含目标变量的未来预测区间，代表输出；时空信息STI共轭方程架设了二者的桥梁，实现了时间到空间的转换。
建立ARNN时空信息STI共轭方程的过程如下。
输入是如下的D个相关变量(1)，即，高维短时间序列矩阵Xt。
Figure BDA0002633738500000093
通过随机给定的神经网络F的处理，将Xt转换成
Figure BDA0002633738500000094
维变量F(Xt)＝F1(Xt),…,FD(Xt)′，于是可以得到如下ARNN时空信息STI共轭方程：
Figure BDA0002633738500000095
其中，IL×L是单位矩阵。在上述的方程(2)中，系数矩阵
Figure BDA0002633738500000096
是未知的,未来信息是y，即{ym+1,ym+2,…,ym+L-1}。
构建延迟嵌入矩阵Y如下：
Figure BDA0002633738500000101
在本步骤中，L为延迟嵌入的个数，L-1就是预测的步数，系数矩阵
Figure BDA0002633738500000102
和
Figure BDA0002633738500000103
被设定为空矩阵(将在后续的步骤3和步骤4中更新)。
在一个示例中，随机给定一个四层的神经网络F，经过F的非线性转换，155维的时序变量Xt转换成
Figure BDA0002633738500000104
维(比如100维)变量
Figure BDA0002633738500000105
于是可以得到如下的ARNN的时空信息STI共轭方程：
Figure BDA0002633738500000106
其中，I46×46是单位矩阵。在该步骤，A46×100和B100×46被设定为空矩阵。
步骤3：随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵。
步骤3中利用了水库计算的思想，以避免大规模参数的拟合，使得小样本预测成为可能，从而缩减了计算耗时。
通过以下的dropout方案更新系数矩阵B。从
Figure BDA0002633738500000107
随机选择
Figure BDA0002633738500000108
个变量。解如下方程：
Figure BDA0002633738500000109
Figure BDA00026337385000001010
Figure BDA00026337385000001011
其中，
Figure BDA00026337385000001012
是系数矩阵
Figure BDA00026337385000001013
的一个子矩阵，
Figure BDA00026337385000001014
是系数矩阵
Figure BDA00026337385000001015
的一个子矩阵。通过如下准则更新系数矩阵
Figure BDA00026337385000001016
准则内容：
如果初始元素bij为空，直接用(4)的解
Figure BDA0002633738500000111
替换掉bij；如果初始元素bij不为空，令
Figure BDA0002633738500000112
这里，bij是矩阵B的第(i,j)个元素。即，更新方法为：
Figure BDA0002633738500000113
其中，
Figure BDA0002633738500000114
是bij更新后的值，
Figure BDA0002633738500000115
是当前值(更新之前的值)。
在一个示例中，通过dropout方案更新矩阵B。从[F1(Xt) … F100(Xt)]T随机选择30个变量。解如下方程
Figure BDA0002633738500000116
其中，
Figure BDA0002633738500000117
是系数矩阵B100×46的一个子矩阵。通过如下准则更新B100×46。
如果初始元素bij为空，直接用(4)的解
Figure BDA0002633738500000118
替换掉bij；如果初始元素bij不为空，令
Figure BDA0002633738500000119
这里，bij是矩阵B的第(i,j)个元素。更新方法为：
Figure BDA00026337385000001110
其中，
Figure BDA00026337385000001111
是bij更新后的值，
Figure BDA00026337385000001112
是当前值(更新之前的值)。
步骤4：基于步骤2中所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵A，B，最终得到目标变量的预测值。
步骤4的目标变量预测值的获得是通过求解系数矩阵的多元方程组来实现，简单快速且有效。
求解确定矩阵A和B。重复上述的步骤3，利用迭代方式更新矩阵
Figure BDA00026337385000001113
在足够多次数的迭代后，收敛条件满足，
Figure BDA00026337385000001114
最终被确定。根据下述的公式(7),
Figure BDA00026337385000001115
被确定。
Figure BDA00026337385000001116
其中，
Figure BDA0002633738500000121
和[YL×m|IL×L]是增广矩阵。
根据公式(2)，在
Figure BDA0002633738500000122
均已知的情况下，解出目标变量y的未知部分{ym+1,ym +2,…,ym+L-1}，即目标监测站的未来L-1步的风速预测值。
求解
Figure BDA0002633738500000123
的过程如下：
公式(4)等价于如下矩阵等式
Figure BDA0002633738500000124
公式(8)展开如下
Figure BDA0002633738500000125
注意,{y1,y2,…,ym}是已知序列。对任意s，公式(9)的前m-L+1个方程含有L个未知数。当2L-1≤m,未知数的个数不大于方程的个数。根据最小二乘法，可利用前m-L+1个方程解得元素
Figure BDA0002633738500000126
在一个示例中，重复步骤3，利用迭代方式更新矩阵B100×46＝(bij)100×46。在足够多次数的迭代后，收敛条件满足，B100×46最终被确定。根据下式,A46×100＝(aij)46×100被确定。
A46×100·[F(X)|B100×46]＝[Y46×50|I46×46],
其中[F(X)|B100×46]和[Y46×50|I46×46]是增广矩阵。
在A46×100,B100×46均已知的情况下，解出目标变量y的未知部分{y51,y52,…,y68}。
图2示出了本发明的基于自动储层神经网络的多步预测未来风速的系统的一实施例的原理。请参见图2，本实施例的系统包括：目标变量构建模块、共轭方程构建模块、系数矩阵更新模块、目标变量预测模块。
目标变量构建模块用于根据输入的风速数据的特点，构建短时间高维数据，从短时间高维数据中确定需要预测的目标变量、已知时序列长度、需要预测的长度。
目标变量构建模块进一步配置为：
给定长度为m，维度n的高维风速时间序列
Figure BDA0002633738500000131
需要预测的目标监测站的风速y是x1,x2,…,xn个地理位置相近的风速监测站测量风速中任意一个,即y＝xk，k代表目标监测站的下标，是1～n中的任意一个；
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列Xt中选择相关变量或消除无关变量以提高ARNN的性能，对于给定的高维风速时间序列Xt，计算时间序列
Figure BDA0002633738500000132
与{y1,y2,…,ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1,x2,…,xD}(D≤n)。
共轭方程构建模块用于构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵。
共轭方程构建模块进一步配置为：
对于如下的D个相关变量所组成的高维短时间序列矩阵Xt
Figure BDA0002633738500000133
通过随机给定的神经网络F的处理，将矩阵Xt转换成
Figure BDA0002633738500000141
维变量F(Xt)＝F1(Xt),…,FD(Xt)′，得到如下的ARNN的时空信息STI共轭方程：
Figure BDA0002633738500000142
其中，IL×L是单位矩阵，系数矩阵
Figure BDA0002633738500000143
是未知的，未来信息是目标变量y，即{ym+1,ym+2,…,ym+L-1}；
构建延迟嵌入矩阵如下：
Figure BDA0002633738500000144
L为延迟嵌入的个数，L-1就是预测的步数，。
系数矩阵更新模块用于随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵。
系数矩阵更新模块进一步配置为：
从
Figure BDA0002633738500000145
随机选择
Figure BDA0002633738500000146
个变量，解如下方程：
Figure BDA0002633738500000147
Figure BDA0002633738500000148
Figure BDA0002633738500000149
其中，
Figure BDA00026337385000001410
是系数矩阵
Figure BDA00026337385000001411
的一个子矩阵，
Figure BDA00026337385000001412
是系数矩阵
Figure BDA00026337385000001413
的一个子矩阵；
通过如下准则更新系数矩阵
Figure BDA00026337385000001414
如果初始元素bij为空，直接用方程
Figure BDA00026337385000001415
中的解
Figure BDA00026337385000001416
替换掉bij；如果初始元素bij不为空，令
Figure BDA00026337385000001417
目标变量预测模块用于基于所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵，并最终得到所需预测的目标变量的预测值。
目标变量预测模块进一步配置为：
求解确定系数矩阵A和B：重复上述的系数矩阵更新模块的处理，利用迭代方式更新矩阵
Figure BDA0002633738500000151
当某次迭代满足设定的收敛条件后，系数矩阵
Figure BDA0002633738500000152
最终被确定，根据下述的公式，
Figure BDA0002633738500000153
被确定：
Figure BDA0002633738500000154
其中，
Figure BDA0002633738500000155
和[YL×m|IL×L]是增广矩阵；
在系数矩阵A和B已知的情况下，解出目标变量y的未知部分。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种基于自动储层神经网络的多步预测未来风速的方法，其特征在于，方法包括：
步骤1：根据输入的风速数据的特点，构建短时间高维数据，从短时间高维数据中确定需要预测的目标变量、已知时序列长度、需要预测的长度；
步骤2：构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵；
步骤3：随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵；
步骤4：基于步骤2中所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵，并最终得到所需预测的目标变量的预测值。
2.根据权利要求1所述的基于自动储层神经网络的多步预测未来风速的方法，其特征在于，步骤1进一步包括：
给定长度为m，维度n的高维风速时间序列
Figure FDA0002633738490000011
需要预测的目标监测站的风速y是x1，x2，...，xn个地理位置相近的风速监测站测量风速中任意一个，即y＝xk，k代表目标监测站的下标，是1～n中的任意一个；
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列Xt中选择相关变量或消除无关变量以提高ARNN的性能，对于给定的高维风速时间序列Xt，计算时间序列
Figure FDA0002633738490000012
与{y1，y2，...，ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1，x2，...，xD}(D≤n)。
3.根据权利要求2所述的基于自动储层神经网络的多步预测未来风速的方法，其特征在于，步骤2进一步包括：
对于如下的D个相关变量所组成的高维短时间序列矩阵Xt
Figure FDA0002633738490000021
通过随机给定的神经网络F的处理，将矩阵Xt转换成
Figure FDA00026337384900000215
维变量F(Xt)＝F1(Xt)，…，FD(Xt)′，得到如下的ARNN的时空信息STI共轭方程：
Figure FDA0002633738490000022
其中，YL×m是延迟嵌入矩阵，IL×L是单位矩阵，系数矩阵
Figure FDA0002633738490000023
是未知的，未来信息是目标变量y，即{ym+1，ym+2，...，ym+L-1}；
构建延迟嵌入矩阵如下：
Figure FDA0002633738490000024
其中，L为延迟嵌入的个数，L-1就是预测的步数。
4.根据权利要求3所述的基于自动储层神经网络的多步预测未来风速的方法，其特征在于，步骤3进一步包括：
从
Figure FDA0002633738490000025
随机选择
Figure FDA0002633738490000026
个变量，解如下方程：
Figure FDA0002633738490000027
Figure FDA0002633738490000028
Figure FDA0002633738490000029
其中，
Figure FDA00026337384900000210
是系数矩阵
Figure FDA00026337384900000211
的一个子矩阵，
Figure FDA00026337384900000212
是系数矩阵
Figure FDA00026337384900000213
的一个子矩阵；
通过如下准则更新系数矩阵
Figure FDA00026337384900000214
如果初始元素bij为空，直接用方程
Figure FDA0002633738490000031
中的解
Figure FDA0002633738490000032
替换掉bij；如果初始元素bij不为空，令
Figure FDA0002633738490000033
5.根据权利要求4所述的基于自动储层神经网络的多步预测未来风速的方法，其特征在于，步骤4进一步包括：
求解确定系数矩阵A和B：重复上述的步骤3，利用迭代方式更新矩阵
Figure FDA0002633738490000034
当某次迭代满足设定的收敛条件后，系数矩阵
Figure FDA0002633738490000035
最终被确定，根据下述的公式，
Figure FDA0002633738490000036
被确定：
Figure FDA0002633738490000037
其中，
Figure FDA0002633738490000038
和[YL×m|IL×L]是增广矩阵；
在系数矩阵A和B已知的情况下，解出目标变量y的未知部分。
6.一种基于自动储层神经网络的多步预测未来风速的系统，其特征在于，系统包括：
目标变量构建模块，根据输入的风速数据的特点，构建短时间高维数据，从短时间高维数据中确定需要预测的目标变量、已知时序列长度、需要预测的长度；
共轭方程构建模块，构建高维短时间序列矩阵、延迟嵌入矩阵、时空信息STI共轭方程，其中时空信息STI共轭方程中包含系数矩阵；
系数矩阵更新模块，随机设置神经网络F的权重，通过将神经网络F作为水库计算的储层，更新时空信息STI共轭方程中的系数矩阵；
目标变量预测模块，基于所构建的ARNN的时空信息STI共轭方程，利用数据的编码、解码，求解时空信息STI共轭方程中的系数矩阵，并最终得到所需预测的目标变量的预测值。
7.根据权利要求6所述的基于自动储层神经网络的多步预测未来风速的系统，其特征在于，目标变量构建模块进一步配置为：
给定长度为m，维度n的高维风速时间序列
Figure FDA0002633738490000041
需要预测的目标监测站的风速y是x1，x2，...，xn个地理位置相近的风速监测站测量风速中任意一个，即y＝xk，k代表目标监测站的下标，是1～n中的任意一个；
选择和目标变量y关联性最大的风速监测站变量：从高维风速时间序列Xt中选择相关变量或消除无关变量以提高ARNN的性能，对于给定的高维风速时间序列Xt，计算时间序列
Figure FDA0002633738490000042
与{y1，y2，...，ym}的互信息，挑选出和目标变量y关联性最大的D个变量{x1，x2，...，xD}(D≤n)。
8.根据权利要求7所述的基于自动储层神经网络的多步预测未来风速的系统，其特征在于，共轭方程构建模块进一步配置为：
对于如下的D个相关变量所组成的高维短时间序列矩阵Xt
Figure FDA0002633738490000043
通过随机给定的神经网络F的处理，将矩阵Xt转换成
Figure FDA0002633738490000047
维变量F(Xt)＝F1(Xt)，…，FD(Xt)′，得到如下的ARNN的时空信息STI共轭方程：
Figure FDA0002633738490000044
其中，YL×m是延迟嵌入矩阵，IL×L是单位矩阵，系数矩阵
Figure FDA0002633738490000045
是未知的，未来信息是目标变量y，即{ym+1，ym+2，...，ym+L-1}；
构建延迟嵌入矩阵如下：
Figure FDA0002633738490000046
其中，L为延迟嵌入的个数，L-1就是预测的步数。
9.根据权利要求8所述的基于自动储层神经网络的多步预测未来风速的系统，其特征在于，系数矩阵更新模块进一步配置为：
从
Figure FDA0002633738490000051
随机选择
Figure FDA0002633738490000052
个变量，解如下方程：
Figure FDA0002633738490000053
Figure FDA0002633738490000054
Figure FDA0002633738490000055
其中，
Figure FDA0002633738490000056
是系数矩阵
Figure FDA0002633738490000057
的一个子矩阵，
Figure FDA0002633738490000058
是系数矩阵
Figure FDA0002633738490000059
的一个子矩阵；
通过如下准则更新系数矩阵
Figure FDA00026337384900000510
如果初始元素bij为空，直接用方程
Figure FDA00026337384900000511
中的解
Figure FDA00026337384900000512
替换掉bij；如果初始元素bij不为空，令
Figure FDA00026337384900000513
10.根据权利要求9所述的基于自动储层神经网络的多步预测未来风速的系统，其特征在于，目标变量预测模块进一步配置为：
求解确定系数矩阵A和B：重复上述的系数矩阵更新模块的处理，利用迭代方式更新矩阵
Figure FDA00026337384900000514
当某次迭代满足设定的收敛条件后，系数矩阵
Figure FDA00026337384900000515
最终被确定，根据下述的公式，
Figure FDA00026337384900000516
被确定：
Figure FDA00026337384900000517
其中，
Figure FDA00026337384900000518
和[YL×m|IL×L]是增广矩阵；
在系数矩阵A和B已知的情况下，解出目标变量y的未知部分。
CN202010818836.8A 2020-08-14 2020-08-14 基于自动储层神经网络的多步预测未来风速的方法和系统 Pending CN114077913A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010818836.8A CN114077913A (zh) 2020-08-14 2020-08-14 基于自动储层神经网络的多步预测未来风速的方法和系统
EP21855311.3A EP4198848A1 (en) 2020-08-14 2021-07-13 Method and system for multi-step prediction of future wind speed based on automatic reservoir neural network
US18/041,497 US20230305187A1 (en) 2020-08-14 2021-07-13 Method and System for Multi-Step Prediction of Future Wind Speed Based on Automatic Reservoir Neural Network
PCT/CN2021/105931 WO2022033258A1 (zh) 2020-08-14 2021-07-13 基于自动储层神经网络的多步预测未来风速的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010818836.8A CN114077913A (zh) 2020-08-14 2020-08-14 基于自动储层神经网络的多步预测未来风速的方法和系统

Publications (1)

Publication Number Publication Date
CN114077913A true CN114077913A (zh) 2022-02-22

Family

ID=80246831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010818836.8A Pending CN114077913A (zh) 2020-08-14 2020-08-14 基于自动储层神经网络的多步预测未来风速的方法和系统

Country Status (4)

Country Link
US (1) US20230305187A1 (zh)
EP (1) EP4198848A1 (zh)
CN (1) CN114077913A (zh)
WO (1) WO2022033258A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392595B (zh) * 2022-10-31 2022-12-27 北京科技大学 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统
CN115936924B (zh) * 2022-12-14 2023-08-25 广西电网有限责任公司 一种风力发电场风能预测方法以及系统
CN116662766B (zh) * 2023-08-01 2023-10-03 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116930973B (zh) * 2023-09-15 2023-12-08 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法
CN117521903A (zh) * 2023-11-16 2024-02-06 国网东北分部绿源水力发电公司太平湾发电厂 一种基于混沌理论与量子神经网络的径流预测方法
CN117763314B (zh) * 2024-02-22 2024-05-17 安徽大学 一种基于时空相关性挖掘的风电功率预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8185331B2 (en) * 2011-09-02 2012-05-22 Onsemble LLC Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms
CN107292447A (zh) * 2017-07-11 2017-10-24 国电联合动力技术有限公司 一种基于小数据量法的短期风速预测方法及系统
CN107895202B (zh) * 2017-10-24 2022-03-04 天津大学 基于多视角风速模式挖掘的短期风速预测方法
CN108615089A (zh) * 2018-03-27 2018-10-02 东北电力大学 一种基于递归量化分析的短期风速混合预测方法
US20200063710A1 (en) * 2018-08-23 2020-02-27 BluWave Inc. System and methods for hyper short-term wind power prediction using real-time wind parameter measurements
CN111242377B (zh) * 2020-01-15 2023-08-25 重庆大学 一种集成深度学习和数据去噪的短期风速预测方法

Also Published As

Publication number Publication date
EP4198848A1 (en) 2023-06-21
US20230305187A1 (en) 2023-09-28
WO2022033258A1 (zh) 2022-02-17

Similar Documents

Publication Publication Date Title
CN114077913A (zh) 基于自动储层神经网络的多步预测未来风速的方法和系统
Saeed et al. Hybrid bidirectional LSTM model for short-term wind speed interval prediction
CN114818515A (zh) 一种基于自注意力机制和图卷积网络的多维时序预测方法
Yang et al. A New Strategy for Short‐Term Load Forecasting
Shi et al. Short‐term load forecasting based on CNN‐BiLSTM with Bayesian optimization and attention mechanism
JP7398761B2 (ja) 短期時系列予測に向けた予期的学習方法及びシステム
CN110619082B (zh) 一种基于重复搜索机制的项目推荐方法
Truong et al. Content-based sensor search for the Web of Things
CN111027672A (zh) 一种基于交互式多尺度循环神经网络的时间序列预测方法
Li et al. Evolutionary deep learning with extended Kalman filter for effective prediction modeling and efficient data assimilation
CN115018193A (zh) 基于lstm-ga模型的时间序列风能数据预测方法
Niu et al. Short‐term wind speed hybrid forecasting model based on bias correcting study and its application
Seidu et al. A hybrid groundwater level prediction model using signal decomposition and optimised extreme learning machine
Tian et al. A hybrid time-delay prediction method for networked control system
Li et al. An effective deep learning neural network model for short‐term load forecasting
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
Tian et al. Network traffic prediction method based on autoregressive integrated moving average and adaptive Volterra filter
Hoang et al. A novel time series prediction approach based on a hybridization of least squares support vector regression and swarm intelligence
Liu et al. An intelligence optimized rolling grey forecasting model fitting to small economic dataset
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
CN116151369A (zh) 一种公共审计的拜占庭鲁棒联邦学习系统及方法
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
Xu Learning efficient dynamic controller for HVAC system
CN117336187B (zh) 一种基于连边间关联的无人机通信网络推断方法
CN115222024B (zh) 基于深度特征选择网络的短期光伏发电预测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination