(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211136465.0 (22)申请日 2022.09.19 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 闫渤文　申瑞芳　李珂　舒臻孺　 王振国　杨庆山　周绪红　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 胡小龙 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度神经网络且无未来信息泄露的风 速预测方法 (57)摘要 本发明公开了一种基于深度神经网络且无 未来信息泄露的风速预测方法， 包括如下步骤： 步骤1： 分别风速序列数据进行数据筛选和数据 预处理； 根据子模态能量占比大小筛选有效成分 Tc并作为预测模型的输出值； 采用实时滚动分解 策略对风速序列数据进行预处理以得到无信息 泄露的预测模 型的输入值； 以输入值和输出值构 建数据集； 步骤2： 确定预测步长： 按照实际的预 测需求， 确定需要预测的未来时间步数； 步骤3： 构建预测模 型： 构建结合注意力机制的双向长短 期记忆网络作为预测模型， 利用数据集对预测模 型进行训练和测试； 步骤4： 风速预测： 利用训练 得到的预测模型预测风速， 得到风速预测结果。 本发明方法规避了数据泄露的风险， 提高了实用 性。 权利要求书2页 说明书7页 附图2页 CN 115330085 A 2022.11.11 CN 115330085 A 1.一种基于深度神经网络且无未来信息泄露的风速预测方法， 其特征在于： 包括如下 步骤： 步骤1： 分别风速序列数据进行数据筛选和数据 预处理； 根据子模态能量占比大小筛选 有效成分Tc并作为预测模型的输出值； 采用实时滚动分解策略对风速序列数据进 行预处理 以得到无信息泄 露的预测模型的输入值； 以输入值和输出值构建数据集； 步骤2： 确定预测步长： 按照实际的预测需求， 确定需要预测的未来时间步数； 步骤3： 构建预测模型： 构建结合注意力机制的双 向长短期记忆网络作为预测模型， 利 用数据集对预测模型进行训练和 测试； 步骤4： 风速预测： 利用训练得到的预测模型 预测风速， 得到风速预测结果。 2.根据权利要求1所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征 在于： 所述 步骤一中， 从风速序列数据中筛 选出有效成分Tc的方法为： S1： 将风速序列数据划分训练集、 验证集和测试集， 以划分后的数据组建三个数据组， 第一个数据组包括训练集， 第二个数据组包括验证集， 第三个数据组包括测试集； S2： 对三个数据组中的风速序列数据分别进行模态分解； S3： 基于能量原理判断指标， 选择合适的子模块得到能代表风速序列数据绝大部分能 量的有效分成Tci， i＝1,2或3， 分别表示从三个数据组的风速序列数据中筛选得到的有效 分成； S4： 按顺序将有效成分Tci进行拼接， 得到预测模型的目标输出值Tc 。 3.根据权利要求2所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征 在于： 所述步骤S3中， 当前m个子模态能量之和大于等于原始风速序列99％的能量时， Tci为 前m个子模态之和， 子模态的ER计算方式为： 其中， ER(k)表示第k个子模态的能量占比； 表示第k个子模态序列； X表示风速序 列数据； N表示 风速序列数据X的长度。 4.根据权利要求1所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征 在于： 所述 步骤一中， 采用实时滚动分解策略对风速序列数据进行 预处理的方法为： (1)确定窗口长度L： 分析风速序列数据X的频谱特征， 寻找频率峰值点， 得到对应的周 期， 选择周期数作为RTRD所需的窗口长度； (2)确定滑动步幅s； (3)重构风速信号： 根据窗口长度L和滑动步幅s将风速序列数据X重构为二维矩阵XR， 矩 阵形状为(N ‑L+s， L)， 其中， N 为风速序列数据X的长度； (4)执行RTRD： 逐 行分解XR， 得到无信息泄 露的分解结果 5.根据权利要求1 ‑4任一项所述基于深度神经网络且无未来信息泄露的风速预测方 法， 其特征在于： 所述预测模 型包括依次设置的一层输入层、 两层Bi ‑LSTM网络、 一层注 意力 层和一层全连接层。 6.根据权利要求5所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征权　利　要　求　书 1/2 页 2 CN 115330085 A 2在于： 所述 LSTM网络的原理为： ft＝σ(Wxfxt+Whfht‑1+bf) gt＝tanh(Wxgxt+Whght‑1+bg) it＝σ(Wxixt+Whiht‑1+bi) ct＝ft⊙ct‑1+it⊙gt ot＝σ(Wxoxt+Whoht‑1+bo) yt＝ht＝ot⊙tanh(ct) 其中， xt为输入向量， ct为长期状态， ht为短期状态， yt为输出向量； Wxf,Wxg,Wxi,Wxo分别 为与xt连接的权重矩阵， Whf,Whg,Whi,Who分别为与ht‑1连接的权重矩阵， bf,bg,bi,bo分别为四 层偏置项； ft为遗忘门的控制器， 由ft决定ct‑1的哪些部分应被删除； gt为LSTM网络的中间输 出， 其作用为分析xt与ht‑1； it为输入门 的控制器， 判断gt的哪些重要 部分应被添加进 ct； ot为 输出门的控制器， 判断应读取ct中的哪部分并应用到 ht和yt中； σ 表示激活函数。 7.根据权利要求5所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征 在于： 所述注意力层采用Luo ng‑Attention模型， 其计算方法为： score计算方法为： 注意力权 重αts计算方法为： 其中， 和ht分别为编码器输出的全部隐藏状态以及最后一个隐藏状态； W表示权重矩 阵； 上下文向量 计算方法为： 其中， αts是注意力权 重， 是全部隐藏状态； 注意力向量at计算方法为： 其中， 为上下文向量； ht为最后一个隐藏状态； Wc表示将要学到的模型参数。 8.根据权利要求6所述基于深度神经网络且无未来信息泄露的风速预测方法， 其特征 在于： 将注意力向量at输入到全连接层， 得到风速预测结果。权　利　要　求　书 2/2 页 3 CN 115330085 A 3