CN119513498A 一种基于深度集成学习模型和高低频分离的时间序列数据预测方法 （齐鲁工业大学(山东省科学院)）

一种基于深度集成学习模型和高低频分离预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分定最佳的分解模态数量K；对分解的所有模态使21.一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，S2、对预处理后的原始时间序列数据进行VMD变2.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预0)是时间t0上的数据值；f(t1)和f(t2)分别是在时间点t1和t2的已知数据3.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预首先，引入拉格朗日乘数和第二次惩罚项因子，将约束3然后，通过交替方向乘子法解决非约束变分问题，其式(4)和式(5)中，为第n+1次迭代时第k个本征模态分量的频域表示，4if()表示第n次迭代时第k个本征模态分量的频域表示；4.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预5.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预56.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预通过对两种模型的预测结果使用自适应权重调整方法进行加权平均，得到最终的预测结对CNN_LSTM模型和GRU模型的预测结果使用自适应权重调整方法，动态分配预测结果67.根据权利要求6所述的一种基于深度集成学习模型和高低频分离的时间序列数据预所述CNN-LSTM模型中的LSTM层的结构包括三个门和一个记忆细胞，tLSTM中的第二步为输入门，在这一步决定了哪些新信息要t-1为前一时刻的细胞状态，Ct为当前时刻的细胞状态，i,为当前候选细胞8.根据权利要求6所述的一种基于深度集成学习模型和高低频分离的时间序列数据预7tt8变换(WaveletTransform,WT)、经验模态分解(EmpiricalModeDecomposition,EMD)等。的信号可能仍然不够平稳。EMD虽然能够自适应地分解信号，但存在模态混叠(mode[0004]中国专利文献CN113095290A公开了一种基于EEMD和GRU的非侵入式负荷分解方之间的时间关联特征，构建GRU神经网络处理时序信号，最后将测试数据输入到训练好的[0005]中国专利文献CN116451051A公开了一种用于时间序列预测的频率分析方法及系9信号f(t)进行数据清洗和缺失数据补全，所述缺失数据补全采用线性插值法来填补缺失[0020]根据本发明优选的，所述对原始时间序列数据进行VMD变分模态分解包括两个步[0033]式(4)和式(5)中，为第n+1次迭代时第k个本征模态分量的频域表示，量的频域表示；if()表示第n次迭代时第k个本征模态分量的频域表示；[0045]S32、计算重构时间序列信号和原始时间序列信号f(t)之间的均方误差[0053]S42、设定中心频率阈值，对过零率初步划分的高频分量使用中心频率进一步划[0057]对CNN_LSTM模型和GRU模型的预测结果使用自适应权重调整方法，动态分配预测[0077]LSTM中的第二步为输入门，在这一步决定了哪些新信息t为LSTM模型中这一时刻的隐藏信息。[0089]对于GRU模型，它是LSTM的一种变体，它拥有比LSTM更少的参数和更快的收敛速[0102](1)本发明通过VMD将复杂的时间序列数据分解为多个具有单一中心频率的模态[0105](4)本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，[0106]图1是本发明所述基于深度集成学习模型和高低频分离的时间序列数据预测方法[0121]在S1步骤中对原始负荷信号f(t)进行预处理，包括数据[0125]在S2步骤中，VMD变分模态分解的目的是通过优化过程来寻号之间的MIC值，以此来衡量重构信号与原始信号的相似度。MIC的值介于0到1之定网格大小a和b下，f(t)和之间的互信息；a和b为沿f(t)和[0147]而MSE是用于评估重构信号和原始信号f(t)之间的差异，MSE的计算通过对两种模型的预测结果使用自适应权重调整方法进行加权平均，得到最终的预测结]+bf)[0162]LSTM中的第二步为输入门，在这一步决定了哪些新信息]+bi)别在于将LSTM模型中的遗忘门与输入门合并成为了更新门。由于GRU模型只有更新门和重]+bz)]+br[0183]将模态分量的训练集输入到CNN-LSTM和GRU模型中进行训练后，利用验证集通过[0189]最后根据每个模型的MSE与总误差的比例，计算出相应的权重。权重计算公式如[0192]式中，α和