一种基于MI-VMD-DA-EDLSTM-VEC的多维特征组合预测方法与流程

技术特征：
1.一种基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，具体包括：s1,对原始特征序列x(t)进行mi特征选择得到风电功率、风速和温度序列；s2,分别对风电功率、风速和温度序列进行vmd分解得到模态分量；s3,基于使用了双层注意力机制的编码解码模型da
‑
edlstm对于vmd分解得到的模态分量进行模型训练和预测，得到初始预测序列通过得到原始预测误差e(t)；s4,对原始预测误差e(t)进行vmd分解预处理，使用单层lstm模型进行再训练预测得到误差预测序列并对原始预测结果进行修正得到最终预测结果2.根据权利要求1所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，步骤s1具体包括：s11，基于公式1计算原始特征序列x(t)与目标序列y的互信息，进行互信息量排序，其中原始风速序列包括风电、温度、气压、密度和风向，其中，p(x,y)是x和y的联合概率密度函数，而p(x)和p(y)是边际密度函数，如果x与y完全不相关，则p(x,y)将等于p(x)p(y)，其互信息将等0，若i(x；y)越大，则表示两个变量相关性越强；s12，基于特征序列x(t)和目标序列y的互信息排序，选择互信息最大的3维特征序列，其中3维特征序列为风电功率、风速和温度。3.根据权利要求2所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，步骤s2具体包括：对风电功率、风速和温度序列分别分解成具有中心频率k个模态分量u
k
(k＝1,2,...,k)，其中，每个模态分量的带宽估计之和被最小化，包括如下步骤：s21，通过对每个模态分量u
k
进行希尔伯特变换得到相应的频谱；s22，通过指数混合调制算法将u
k
的频谱移动到各自的估计中心频率ω
k
；s23，使用信号的高斯平滑度和梯度平方准则来解调和估计u
k
的带宽。4.根据权利要求2所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，步骤s3中所述使用了双层注意力机制的编码解码模型da
‑
edlstm包括依次耦接的输入层、编码层、解码层和输出层，所述编码层对于输入特征使用注意力机制，所述解码层使用时间注意力机制。5.根据权利要求4所述的用于短期风电功率预测的mi
‑
vmd
‑
da
‑
edlstm
‑
vec的组合模型，其特征在于，编码层对于输入特征使用注意力机制具体包括：s31，基于公式2和公式3对输入观测序列x中的第k维特征序列x
k
构造注意机制；构造注意机制；其中，和是模型需要学习的参数，和是编码层的隐藏状态和单元状态，m是隐藏层的大小，t是观测时间序列的窗口长度；
s32，基于softmax函数将得到的归一化，并且注意力权重之和为1；s33，对于每个时刻的输入x
t
，为其中每个影响因子赋予一定的注意力权重因此解码阶段的注意力加权输出s34，将输入到编码层中得到其中，函数f1为lstm网络。6.根据权利要求4所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，解码层使用时间注意力机制具体包括：基于e
i
＝tanh(w
d
[h
i
；s
t
‑1] b
d
)计算用于表示未归一化的输入重要性的注意力权重向量e
i
，其中，w
d
和u
d
是需要模型学习的权重参数；基于进行归一化，得到各个时刻的输入序列的关注频率；在t时刻的上下文向量基于加权求和，得到最终进入lstm的门控单元的向量x
t1
。7.根据权利要求2所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，还包括基于根均方误差rmse,平均绝对误差mae和对称平均绝对百分比误差smape进行预测性能评估。8.根据权利要求2所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，所述步骤s3和步骤s4中的lstm模型包括控制单元和存储单元，其中控制单元包括遗忘门、输入门和输出门，用于控制存储单元信息更新和利用。9.根据权利要求8所述的基于mi
‑
vmd
‑
da
‑
edlstm
‑
vec的多维特征组合预测方法，其特征在于，所述遗忘门用于在存储单元信息更新中控制上一单元c
t
‑1被遗忘的信息，公式为f
t
＝σ(w
f
[h
t
‑1；x
t
] b
f
)；所述输入门用于控制被输入到本单元的信息，公式为i
t
＝σ(w
i
[h
t
‑1；x
t
] b
i
)，基于遗忘门和输入门有选择的更新c
t
，公式为将c
t
激活，并控制c
t
的过滤程度，公式为o
t
＝σ(w
o
[h
t
‑1；x
t
] b
o
)，h
t
＝o
t
⊙
tanh(c
t
)；其中，w
*
为权重矩阵，b
*
为偏置项，
⊙
表示矩阵元素乘积，σ为sigmoid激活函数，tanh为双曲正切激活函数，激活函数定义为输出层基于y
t
＝σ(w
y
h
t
b
y
)得到最终预测值。

技术总结
本发明公开了一种基于MI


技术研发人员：廖雪超 伍杰平 陈才圣
受保护的技术使用者：武汉科技大学
技术研发日：2021.07.09
技术公布日：2021/11/14