公开(公告)号：CN111523728B

公开(公告)日：2022-05-10

申请号：CN202010325683.3

申请日：2020-04-23

Applicant: 东北电力大学

Inventor： 唐振浩 ,  赵赓楠 ,  曹生现 ,  王恭 ,  赵波

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06F17/16 ,  G06Q50/06

Abstract: 本发明公开一种四阶段混合短时风向预测方法，属于风向预测领域，该方法首先设定采样时间，采集风向原始数据建立风向输入输出数据矩阵；采用互信息法对输入序列进行特征选取，剔除相关度低的特征向量，保留相关度高的特征向量，确定输入矩阵的维度L；采用变分模态分解VMD方法对L维特征序列进行K阶分解，挖掘风向输入的特征信息；利用DBN网络构建风向深度学习预测模型，输入分解后的K×L维风向输入子序列得到风向预测值；通过BP神经网络对DBN风向预测模型的预测误差进行修正，提高风向预测精度；最后对修正后的风向预测模型精度进行了验证。本发明对高精度、复杂地区的风向预测具有重要意义。

公开(公告)号：CN111523728A

公开(公告)日：2020-08-11

申请号：CN202010325683.3

申请日：2020-04-23

Applicant: 东北电力大学

Inventor： 唐振浩 ,  赵赓楠 ,  曹生现 ,  王恭 ,  赵波

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06F17/16 ,  G06Q50/06

Abstract: 本发明公开一种四阶段混合短时风向预测方法，属于风向预测领域，该方法首先设定采样时间，采集风向原始数据建立风向输入输出数据矩阵；采用互信息法对输入序列进行特征选取，剔除相关度低的特征向量，保留相关度高的特征向量，确定输入矩阵的维度L；采用变分模态分解VMD方法对L维特征序列进行K阶分解，挖掘风向输入的特征信息；利用DBN网络构建风向深度学习预测模型，输入分解后的K×L维风向输入子序列得到风向预测值；通过BP神经网络对DBN风向预测模型的预测误差进行修正，提高风向预测精度；最后对修正后的风向预测模型精度进行了验证。本发明对高精度、复杂地区的风向预测具有重要意义。