CN115964923A - 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 - Google Patents
一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 Download PDFInfo
- Publication number
- CN115964923A CN115964923A CN202211473952.6A CN202211473952A CN115964923A CN 115964923 A CN115964923 A CN 115964923A CN 202211473952 A CN202211473952 A CN 202211473952A CN 115964923 A CN115964923 A CN 115964923A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- lstm
- data
- pso
- prediction
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于VMD‑PSO‑LSTM的临近空间80‑100km大气风速预报的建模方法,包括如下步骤:步骤1,风速数据预处理:步骤2,变分模态分解:步骤3,数据集构建:步骤4,采用PSO算法优化LSTM神经网络模型的参数:步骤5,IMF预测重构。本发明所公开的建模方法,采用变分模态分解算法(VMD)分解原始风速序列,该方法可以降低序列非平稳特性对预测结果产生的影响,提高模型预测性能。采用粒子群优化算法(PSO)的LSTM神经网络建模方法可以在参数空间内快速寻找最优参数组合。
Description
技术领域
本发明属于临近空间环境预报认知领域,特别涉及该领域中的一种基于深度学习的临近空间大气风速预报的建模方法。
背景技术
临近空间是指20-120km的中性大气层,由于受低层大气和高层大气的共同调制,临近空间大气环境变化复杂。临近空间大气风场的建模、预测一直是临近空间研究领域内的难点与热点。
作为高超/低超速飞行器、平流层浮空器等空天装备的重要飞行和驻留区域,临近空间是国际上大国角力的新战场。比如,风场的剧烈扰动会影响飞行器的飞行轨迹和飞行稳定性,进而引起气动力、气动力矩系数偏差,最终影响其飞行轨迹和姿态。比如临近空间中的强风切变会导致高速飞行器具有较大的动态变化,进而较大程度地影响飞行器传感器的测量精度。随着临近空间大气风速探测手段的成熟和探测数据的不断积累,开展临近空间大气风速的预测预报研究得到了广泛关注。
目前临近空间大气参数主要预报方法包括物理模型与统计方法。由于数值模型的复杂性和实时观测数据的更新频率较低,不适用于短期和超短期风速预测。统计方法通过学习历史风速数据的规律构建数据间的非线性映射关系,可实现风场预测,但预测精度不满足飞行器的应用需求。考虑到临近空间大气参量的实际应用,能够进行实时预测的统计方法更符合参数预报的需求。
目前,临近空间70km以上的大气风场参量的统计研究方法主要是时间序列分析方法。该方法针对复杂度不高的数据能够有效短期预测,而对于随机性强、变化复杂的非线性非平稳数据,其预测精度较差。随着人工智能技术的快速发展,神经网络模型在各领域得到广泛关注。相比于传统时间序列预测方法,神经网络模型能够较好的捕捉数据序列之间的非线性特征,可能具有更高的预测精度,但是受数据序列的非平稳性影响严重。
发明内容
本发明所要解决的技术问题就是提供一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法。
本发明采用如下技术方案:
一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法,其改进之处在于,包括如下步骤:
步骤1,风速数据预处理:
选取某流星雷达实测经向风数据作为实验数据,数据的时间步长为1小时,采取离差标准化方法对数据进行归一化预处理,使每个样本的数据值在[0,1]之间;
上式中,di是归一化后的风速数据,max1≤j≤n{dfi}是风速数据最大值,min1≤j≤n{dfi}是风速数据最小值,dfi是待归一化风速序列;
步骤2,变分模态分解:
确定模态分解个数K,再根据VMD分解的模态数建立K个PSO-LSTM网络预测模型;
步骤3,数据集构建:
采用直接输出的超前时刻预测思路构建网络输入输出数据集,按照下式(2)将连续IMF风速序列转化为(n,m)向量数据:
(n,m)=(n,sequence+delta) (2)
上式中,n表示样本数量,m表示样本维数,sequence表示训练数据的长度,delta表示超前时刻的预测步数,也就是用前sequence小时的风速预测后delta小时的风速;
步骤4,采用PSO算法优化LSTM神经网络模型的参数:
步骤41,设置PSO内部算法参数:粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值;
步骤42,设置LSTM搜索参数:将LSTM第一层神经元个数、批处理大小、遗忘率Dropout作为优化对象,初始化自适应PSO算法;
步骤43,开始搜索:计算初始粒子适应度、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数;
步骤44,获取最优参数组合:训练LSTM网络模型,使用PSO找到的最好的全局最优参数;
步骤45,构建LSTM预测模型:利用最优超参数构建LSTM模型,模型通过训练数据和验证数据进行训练,测试集进行预测,得到预测结果;
利用PSO算法确定LSTM网络的输入参数,包含迭代次数、训练批次和学习率,为每个模态寻找初始化网络参数,采用直接输出的超前时刻预测策略,构建LSTM网络预测模型;
步骤46,评估模型误差:采用均方根误差RMSE和平均绝对百分比误差MAPE作为评估指标,RMSE和MAPE的值越小,代表预测精度越高;
步骤5,IMF预测重构:
加权叠加各个平稳子序列的预测值,得到最终的风速预测值。
进一步的,在步骤2中,利用中心频率观察法确定模态分解个数K,中心频率观察法包括纵向观察和横向观察,纵向观察通过不断增加K的值,使模态中心频率达到临界稳定,记录此时刻K的值;横向观察是观察每个模态中间频率之间的间隔,选择分解层数。
本发明的有益效果是:
本发明所公开的建模方法,采用变分模态分解算法(VMD)分解原始风速序列,该方法可以降低序列非平稳特性对预测结果产生的影响,提高模型预测性能。采用粒子群优化算法(PSO)的LSTM神经网络建模方法可以在参数空间内快速寻找最优参数组合。采用变分模态分解算法(VMD)和粒子群优化算法(PSO)相结合,LSTM神经网络方法具有长期记忆的优势,新的预测方法可较为准确地获得临近空间大气风场未来多个时刻的风场变化趋势。采用混合预测方法开展临近空间风速预测方法的研究,可为临近空间环境短期预报提供一种新思路与新方法。
附图说明
图1是本发明建模方法的流程图;
图2是PSO-LSTM模型算法流程图;
图3是采用不同预测方法的对比实验结果图;
图4是不同预测模型均方根误差与平均绝对百分比误差示意图;
图5是采用不同分解方法的三维分解效果图;
图6是不同分解算法结合预测模型的实验误差对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明在现有研究基础上,首次将混合神经网络模型应用于临近空间大气风场预报研究领域,提出一种基于变分模态分解(VMD)-粒子群优化(PSO)-长短时间序列(LSTM)的短期风速混合预测方法,旨在降低风速序列非线性与非平稳性双重特征对预测性能产生的影响,为开展临近空间大气环境统计预报提供理论基础与技术支撑。
变分模态分解算法(VMD)可以降低复杂度高和非线性强的时间序列非平稳性,分解获得包含多个不同频率尺度且相对平稳的子序列,适用于非平稳性的序列,因此采用该算法解决原始风速序列间的非平稳性,提高预测精度。利用中心频率观察法确定模态分解个数K,将原始风速数据分解为多个平稳子序列(IMF),再依次对各个模态序列建立长短时间序列(LSTM)网络预测模型。
LSTM神经网络模型中部分参数需要人为设置,这些参数直接控制网络模型拓扑结构,不同参数训练出模型的预测性能差异巨大,因此选择一组合适的参数尤为重要。本发明引入自适应学习的粒子群优化算法(PSO)对LSTM模型的关键参数进行寻优,解决大范围参数调优带来的计算开销大,训练时间长、耗费时间长,无法寻到LSTM神经网络最优参数组合的问题,进一步提高网络模型的预测性能。
利用PSO算法确定LSTM网络的输入参数,其中包含迭代次数、训练批次、学习率等,为每个模态寻找较为合适的初始化网络参数,采用直接多输出的超前时刻多步预测策略,构建多步LSTM网络预测模型。
实施例1,本实施例公开了一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法,如图1所示,包括如下步骤:
步骤1,风速数据预处理:
选取昆明流星雷达2019年5月1日至6月23日86km高度上实测经向风数据作为实验数据,数据的时间步长为1小时,为消除样本数据量纲不一致而导致预测误差较大的问题,采取离差标准化方法对数据进行归一化预处理,使每个样本的数据值在[0,1]之间;
上式中,di是归一化后的风速数据,max1≤j≤n{dfi}是风速数据最大值,min1≤j≤n{dfi}是风速数据最小值,dfi是待归一化风速序列;
步骤2,变分模态分解:
利用中心频率观察法确定模态分解个数K,从小到大依次设值,观察不同K值对应的中心频率变化。中心频率观察法主要考虑两个方面,一是纵向观察,通过不断增加K的值,使模态中心频率达到临界稳定,记录此时刻K的值;二是横向观察,观察每个模态中间频率之间的间隔,如果间隔太大,模态产生欠分解,影响后续预测精度。如果间隔太小,模态产生过分解,结果导致模态混叠以及增加额外噪声,因此横向观察选择相对合适的分解层数。最后通过综合考虑横向观察和纵向观察,确定一个较为合适的模态分解个数K。再根据VMD分解的模态数建立K个PSO-LSTM网络预测模型。
步骤3,数据集构建:
采用直接多输出的超前时刻多步预测思路构建网络输入输出数据集,按照下式(2)将连续IMF风速序列转化为(n,m)向量数据:
(n,m)= (n,sequence+delta) (2)
上式中,n表示样本数量,m表示样本维数,sequence表示训练数据的长度,delta表示超前时刻的预测步数,也就是用前sequence小时的风速预测后delta小时的风速;
本实施例采用前48h的风速值预测未来5h风速值,数据集按7:1:2比例进行划分,即70%作为训练数据集用于训练数据,10%作为验证数据集用于网络参数优化,20%作为测试集用于检验网络预测性能。
步骤4,采用PSO算法优化LSTM神经网络模型的各个参数:
所述PSO算法优化LSTM神经网络的方法是在参数搜索过程中,以最小预测误差为目标函数,进行参数组合寻优,形成PSO-LSTM模型,具体步骤主要包括:
步骤41,设置PSO内部算法参数:粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值;
步骤42,设置LSTM搜索参数:将LSTM第一层神经元个数、批处理大小、遗忘率Dropout作为优化对象,初始化自适应PSO算法;
步骤43,开始搜索:计算初始粒子适应度、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数;
步骤44,获取最优参数组合:训练LSTM网络模型,使用PSO找到的最好的全局最优参数;
步骤45,构建LSTM预测模型:利用最优超参数构建LSTM模型,模型通过训练数据和验证数据进行训练,测试集进行预测,得到预测结果;
利用PSO算法确定LSTM网络的输入参数,包含迭代次数、训练批次和学习率,为每个模态寻找初始化网络参数,采用直接输出的超前时刻预测策略,构建LSTM网络预测模型;
步骤46,评估模型误差:采用均方根误差RMSE和平均绝对百分比误差MAPE作为评估指标,RMSE和MAPE的值越小,代表预测精度越高;
步骤5,IMF预测重构:
加权叠加各个平稳子序列的预测值,得到最终的风速预测值。
图2是PSO-LSTM模型算法流程图;图3是采用不同预测方法的对比实验结果图;图4是不同预测模型均方根误差与平均绝对百分比误差示意图;图5是采用不同分解方法的三维分解效果图;图6是不同分解算法结合预测模型的实验误差对比图。
下表是不同分解算法结合预测模型的实验结果:
综上所述,本发明提出的基于VMD-PSO-LSTM的临近空间80-100km大气风速预报建模方法,能够有效降低风速序列非线性与非平稳性双重特征对预测性能产生的影响,自适应搜索神经网络模型参数,较为准确地获得临近空间大气风场未来多个时刻的风速变化趋势以及对应时刻的风速值,对临近空间的预报研究具有非常重要的意义。
Claims (2)
1.一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法,其特征在于,包括如下步骤:
步骤1,风速数据预处理:
选取某流星雷达实测经向风数据作为实验数据,数据的时间步长为1小时,采取离差标准化方法对数据进行归一化预处理,使每个样本的数据值在[0,1]之间;
上式中,di是归一化后的风速数据,max1≤j≤n{dfi}是风速数据最大值,min1≤j≤n{dfi}是风速数据最小值,dfi是待归一化风速序列;
步骤2,变分模态分解:
确定模态分解个数K,再根据VMD分解的模态数建立K个PSO-LSTM网络预测模型;
步骤3,数据集构建:
采用直接输出的超前时刻预测思路构建网络输入输出数据集,按照下式(2)将连续IMF风速序列转化为(n,m)向量数据:
(n,m)=(n,sequence+delta) (2)
上式中,n表示样本数量,m表示样本维数,sequence表示训练数据的长度,delta表示超前时刻的预测步数,也就是用前sequence小时的风速预测后delta小时的风速;
步骤4,采用PSO算法优化LSTM神经网络模型的参数:
步骤41,设置PSO内部算法参数:粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值;
步骤42,设置LSTM搜索参数:将LSTM第一层神经元个数、批处理大小、遗忘率Dropout作为优化对象,初始化自适应PSO算法;
步骤43,开始搜索:计算初始粒子适应度、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数;
步骤44,获取最优参数组合:训练LSTM网络模型,使用PSO找到的最好的全局最优参数;
步骤45,构建LSTM预测模型:利用最优超参数构建LSTM模型,模型通过训练数据和验证数据进行训练,测试集进行预测,得到预测结果;
利用PSO算法确定LSTM网络的输入参数,包含迭代次数、训练批次和学习率,为每个模态寻找初始化网络参数,采用直接输出的超前时刻预测策略,构建LSTM网络预测模型;
步骤46,评估模型误差:采用均方根误差RMSE和平均绝对百分比误差MAPE作为评估指标,RMSE和MAPE的值越小,代表预测精度越高;
步骤5,IMF预测重构:
加权叠加各个平稳子序列的预测值,得到最终的风速预测值。
2.根据权利要求1所述基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法,其特征在于:在步骤2中,利用中心频率观察法确定模态分解个数K,中心频率观察法包括纵向观察和横向观察,纵向观察通过不断增加K的值,使模态中心频率达到临界稳定,记录此时刻K的值;横向观察是观察每个模态中间频率之间的间隔,选择分解层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473952.6A CN115964923A (zh) | 2022-11-23 | 2022-11-23 | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473952.6A CN115964923A (zh) | 2022-11-23 | 2022-11-23 | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964923A true CN115964923A (zh) | 2023-04-14 |
Family
ID=87353957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211473952.6A Pending CN115964923A (zh) | 2022-11-23 | 2022-11-23 | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964923A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408364A (zh) * | 2023-08-08 | 2024-01-16 | 湖北泰跃卫星技术发展股份有限公司 | 一种基于模型融合的农作物病虫害指标预测方法及装置 |
CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
-
2022
- 2022-11-23 CN CN202211473952.6A patent/CN115964923A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408364A (zh) * | 2023-08-08 | 2024-01-16 | 湖北泰跃卫星技术发展股份有限公司 | 一种基于模型融合的农作物病虫害指标预测方法及装置 |
CN117408364B (zh) * | 2023-08-08 | 2024-05-24 | 湖北泰跃卫星技术发展股份有限公司 | 一种基于模型融合的农作物病虫害指标预测方法及装置 |
CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
CN117744893B (zh) * | 2024-02-19 | 2024-05-17 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian | Short-term wind speed prediction based on LMD and improved FA optimized combined kernel function LSSVM | |
CN115964923A (zh) | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 | |
CN110543929B (zh) | 一种基于Lorenz系统的风速区间预测方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112116162B (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN116933152B (zh) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
Ehsan et al. | Wind speed prediction and visualization using long short-term memory networks (LSTM) | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
Li et al. | Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN113344243A (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN116488151A (zh) | 一种基于条件生成对抗网络的短期风电功率预测方法 |
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 |