CN114399021B 一种基于多尺度信息的概率风速预测方法和系统 （中南大学）

一种基于多尺度信息的概率风速预测方法本发明实施例提供一种基于多尺度信息的于长短期记忆(LSTM)与注意力机制进一步提取助所提出的非交叉损失得到相邻分位点间的条概率预测结果，同时解决分位数模型的交叉问2步骤S2、构建神经网络模型，所述神经网络模型包括述特征子序列的低维特征向量连接成用于预测的预步骤S3、构建用于训练所述神经网络模型的分位数组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确定其以所有的条件分位数为输入，通过KDE将离散的条件分位数预测值转换为连续的概率密度(τ))Y所述条件分位数的输出包括中间分位点的条件分位数与任意两个3基于得到的条件分位数与条件分位数差值通过累加累减可以得按预设比例将所述历史风速时序数据划分为训练集和测试集，练集用于3.根据权利要求1所述的基于多尺度信息的概率风速预测方法，其特征在于，步骤S24每个所述卷积核用于将从输入样本中提取的一维特征向量并行拼接成一个多维子序4.根据权利要求3所述的基于多尺度信息的概率风速预测方法，其特征在于，步骤S2对特征子序列ci，基于LSTM网络模块提取时序特征c'=(hi,h;,…,h⃞,其对应第i个其中vi为特征子序列ci对应的低维特征向量，将所有特征子序列对应的特征向量连接模型构建模块，构建神经网络模型，所述神经网络模型包括多尺度特征提取模块和得到多组不同层次的特征子序列；所述LSTM网络模块用于提取所述特征子序列的时序特征，基于所述时序特征的局部特征进行加权组合以确定所述特征子序列的低维特征向量，根据所有所述特征子序列的低维特征向量连接成用于预测的损失函数构建模块，构建用于训练所述神经网络模型的分位数损5值转换为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数(τ))Y所述条件分位数的输出包括中间分位点的条件分位数与任意两个6基于得到的条件分位数与条件分位数差值ag,trw),通过累加累减可以得7.一种电子设备，包括存储器、处理器及序被处理器执行时实现如权利要求1至5任一项所述基于多尺度信息的概率风速预测方法7包括下上限估计与分位数回归。其中分位数回归可以一次生成多个分位点的条件分位数，以提供多个不同置信水平的预测区间。为了弥补分位数回归在处理非线性数据的局限性，8有所述特征子序列的低维特征向量连接成用为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确9[0022]每个所述卷积核用于将从输入样本中提取的一维特征向量并行拼接成一个多维i/与hi,相加得到hiⅡ:[0030]其中vi为特征子序列ci对应的低维特征向量，将所有特征(τ))Y[0037]作为优选的，所述条件分位数的输出包括中间分位点的条件分位数与任意两个相邻分位点的条件分位数初始差值[0045]基于得到的条件分位数与条件分位数差值sg,rw),通过累加累减可征，基于所述时序特征的局部特征进行加权组合以确定所述特征子序列的低维特征向量，根据所有所述特征子序列的低维特征向量连接成用于预测的始差值转换为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分到相邻分位点间的条件分位数差值，并通过累加累减得到所有给定分位点的条件分位数；不仅可以从有限的数据提取充分的多尺度特征，还可以提供高质量且可靠的概率预测结[0066]图3为根据本发明实施例的模型MSF-DNQR在DatasetA与DatasetB上的区间预测有所述特征子序列的低维特征向量连接成用[0081]本发明实施例构建的模型命名为基于多尺度特征的深度最后一层卷积层的特征而忽略其余卷积层的MSFs,这可能会导致信息丢失并限制模型的预[0086]每个所述卷积核用于将从输入样本中提取的一维特征向量并行拼接成一个多维i/与hi,相加得到hiⅡ:l与第k个特征向量，af为特征向量n"的注意力[0093]其中vi为特征子序列ci对应的低维特征向量，将所有特征为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确Yyi条件分位数的估计值大于等于τ2的条件分位数的估计值。这一问题违背计条件分位数的输出包括中间分位点τk0的条件分位数与任意两个相邻分位点的条件分位数初始差值[0106]基于得到的条件分位数与条件分位数差值通过累加累减可[0121]为评估所提出模型的概率预测性能，本发明实施例中引入多种概率预测对比模型，可分为传统概率预测模型与基于人工智能的概率预测模型。传统概率预测模型包括向传播神经网络的分位数损失模型(QR-BP)、基于卷积神经网络的分位数损失模型(QR-数应保持一致以保证对比的公平性，因此将MSF模块和分位数损失相结合引入一种新的对同数据集中不同置信水平的概率预测度量指标结果可以看出所提出的模型MSF-DQR的性能经网络的模型QR-CNN性能最佳，但仍劣于基于多尺度特征提取技术的深度学习模型MSF-可能是多尺度特征提取模块对样本特征的充分性提取与利用可以提升模型[0129]其次通过对比MSF-DQR与MSF-DNQR的预测结果可发现二者具有相似的预测性能，[0132]为将神经网络的输出转换为相邻两个分位点间的条件分位数差值，除了公式(9)的损失函数替换为上述的三个方程，可以得到三种不同的模型，记为MSF-DNQR-SM,MSF-DNQR-ReLU的性能与MSF-DNQR相近，但由于其PICP有时低于指定的置信水平因而缺乏足够征，基于所述时序特征的局部特征进行加权组合以确定所述特征子序列的低维特征向量，根据所有所述特征子序列的低维特征向量连接成用于预测的始差值转换为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分有所述特征子序列的低维特征向量连接成用为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确[0152]此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以有所述特征子序列的低维特征向量连接成用为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确[0161]综上所述，本发明实施例提供的一种基于多尺度信息的概率风速预测方法和系统，使用多层卷积神经网络从输入样本中提取充分的多尺度特征，