CN115630316A - 基于改进长短期记忆网络的超短期风速预测方法 - Google Patents

Abstract

本发明属于电气技术领域，公开一种基于改进长短期记忆网络的超短期风速预测方法，预测方法包括：坐标延迟法的风速序列延迟时间与嵌入维数的计算；风速序列混沌特性分析；基于互信息法，构建风速序列重构相空间；风速序列标准化处理；长短期记忆网络训练；基于上述步骤，开展超短期风速预测。本发明实施例在超短期风速预测方面，通过李雅普诺夫指数分析，判定了风速序列混沌特征，通过引入互信息法构建风速序列重构相空间，开展风速序列特征分析，实现了风速序列高维特征的提取，在回归预测中引入长短期记忆网络，实现了风速的准确预测。

Description

基于改进长短期记忆网络的超短期风速预测方法

技术领域

本发明涉及电气技术领域，特别涉及一种基于改进长短期记忆网络的超短期风速预测方法。

背景技术

大力开发利用风、光等清洁新能源是支撑我国能源转型发展的坚实力量，是逐渐改善我国能源结构、以实现高质量绿色发展的重要举措，而可再生能源并网也给电力***的安全稳定运行带来了严峻的挑战。高精度风速预测作为一种时序数据预报方法，可以通过预测下一调控周期内的风速点或风速序列数据来为配电网日前、日内调度以及微电网控制指令的生成提供参考，进而提升配电***运行经济性及稳定性。

现有研究主要围绕神经网络算法、回归预测算法的应用以及区间预测、空间相关性分析等场景展开了大量讨论。然而现有研究少有针对时序序列固有特征进行分析，在实际对预测模型进行训练的过程中依赖于大量风速或功率数据作为基础，未能充分挖掘出序列变化所蕴含的内部特征，数据利用率较低。因此，如何在上述研究的基础上引入多维数据分析方法，并将分析结果作为输入进行模型训练来拟合风速高维特征，以构建适应场景更广、预测精度更高的风速预测方法，需要更多的探索与研究。

国内杂志《太阳能学报》第42卷第9期中名称为“基于序列到序列和注意力机制的超短期风速预测”文献公开了一种基于序列到序列网络及注意力机制的超短期风速预测方法，采用1维卷积神经网络和门控循环单元对风速序列数据做编码处理，然后使用注意力机制和门控循环单元对语义向量做动态解码,进而得到预测值。该模型考虑了风速序列与特定神经网络适配性，提高了超短期风速预测精度。但是上述控制方法未对风速序列内在固有特征展开分析与研究，无法在预测过程中考虑风速的原始多力学特征，超短期风速预测精度低。

发明内容

为解决上述现有技术中存在的不足，本发明提供了一种基于改进长短期记忆网络的超短期风速预测方法及装置、计算机可读存储介质、计算机设备。

一种基于改进长短期记忆网络的超短期风速预测方法，包括：

(1)坐标延迟法的风速序列延迟时间与嵌入维数的计算；

(2)风速序列混沌特性分析；

(3)基于互信息法，构建风速序列重构相空间；

(4)风速序列标准化处理；

(5)长短期记忆网络训练；

(6)基于上述步骤(1)-(5)，开展超短期风速预测。

优选地，步骤(1)中所述的坐标延迟法，对于一维混沌序列{x_i|i＝1,2,...,N}，其重构相空间的一般表达形式为：

其中，x_i为混沌序列元素，m为嵌入维数，τ为延迟时间，n为相空间的长度，其中n＝N-(m-1)τ，N为混沌序列长度。

优选地，步骤(1)中所述的坐标延迟法的风速序列延迟时间的计算，包括：

记时间序列x(t)，则其在延迟时间τ下为x(t+τ)，在已知序列x(t)的情况下，x(t+τ)与其的互信息I(x(t+τ),x(t))可表示为：

I(x(t+τ),x(t))＝H(x(t+τ))-H(x(t+τ)|x(t))

其中，i为时间序列x(t)中元素的编号，j为时间序列x(t+τ)中元素的编号，P_x(t)为x(t)的概率，P_x(t),x(t+τ)为x(t)和x(t+τ)的联合概率密度，H为中间变量函数。

优选地，步骤(1)中所述的坐标延迟法的风速序列嵌入维数的计算，包括：

记m维相空间中相点矢量为X_i，其最邻近点为X_ji，其之间的距离为：

r_m,i＝||X_i-X_j,i||

当相空间维数增加1时，其之间的距离更新为：

若r_m+1,i显著大于r_m,i，则可以判定其为虚假最邻近点；

定义嵌入维数演变函数E₁(m)：

若时间序列为确定***的序列，则E₁(m)将在m达到一定值以后趋于稳定，选取该函数稳定时对应的m即为合适的嵌入维数；

定义嵌入维数辅助函数E₂(m):

序列的随机性越大，E₂(m)的值围绕1的波动越小；当E₂(m)波动较大时，可以认为该序列为混沌时间序列。

优选地，步骤(2)中所述的风速序列混沌特性分析，包括：

采用李雅普诺夫指数的wolf法计算，步骤如下：

1)基于步骤(1)所述的坐标延迟法的重构方法，确定相空间的嵌入维数为m，延迟时间为τ，则由长度为N的混沌时间序列构造出相空间可表示为：

X＝{X_i|i∈1,2,...,n}

X_i＝{x_i,x_i+τ,...,x_i+(m-1)τ}

其中n＝N-(m-1)τ；

2)选取X₀为初始点，记与其最邻近点之间的距离为L₀，设定距离阈值为ε，当时间推进到某一时刻t，使得L₀大于ε时，记录X_t的最邻近点X_t′及此时距离值L₀′，并根据夹角最小原则搜索X_t′的另一最邻近点，当两点之间距离小于ε时，记录此时距离值为L_i；

3)重复步骤2)直至遍历相空间中所有点，记总迭代次数为κ，则***李雅普诺夫指数为：

优选地，步骤(3)中所述的基于互信息法，构建风速序列重构相空间，包括：

假设某观测点某时间段内风速序列为V＝{v_i,i＝1,2,...,N}，其中N为数据点个数，已知风速序列重构为如下相空间：

其中，v_i为风速序列元素，m为嵌入维数，τ为延迟时间，N＝n+(m-1)τ。

优选地，步骤(4)中所述风速序列标准化处理，包括：

采用以下公式对风速序列进行标准化：

其中，

为风速序列均值，σ(V)为风速序列方差。

优选地，步骤(5)中所述的长短期记忆网络训练，包括：

选取已知风速序列前90％为神经网络训练集，后10％为验证集，对训练集与验证集序列分别以m、τ展开为相空间，其中取训练集相空间中第一个点的相空间信息，即

作为神经网络输入，第二个时间点的实际标准化风速，即

作为输出，对网络进行训练，并依时间向前滚动迭代，直至训练集最后一个点作为输出，参与网络训练。

优选地，步骤(6)所述的基于上述步骤(1)-(5)，开展超短期风速预测，包括：

对于训练完成的神经网络，依然以验证集中前N个点的相空间信息作为输入，第N+1个点的实际标准化风速作为输出，并将输出值去标准化后与实际风速进行比较，得到预测精度，预测精度采用均方根误差RMSE来衡量，其计算公式为：

其中，v^pre _k为预测风速，v^real _k为实际风速。

一种基于改进长短期记忆网络的超短期风速预测装置，包括：

计算模块，计算坐标延迟法的风速序列延迟时间与嵌入维数；

分析模块，分析风速序列混沌特性；

构建模块，基于互信息法，构建风速序列重构相空间；

标准化处理模块，风速序列标准化处理；

训练模块，长短期记忆网络训练；

预测模块，预测超短期风速。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实现上述的方法步骤。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的方法步骤。

本发明积极有益效果：

本发明提出了基于改进长短期记忆网络LSTM的超短期风速预测方法，分析了风速序列的混沌特性及相空间重构方法，针对传统LSTM网络预测方法未能完全提取并利用风速序列特征的现状，基于风速序列的随机性及混沌性特征构建了基于LSTM及相空间重构的风速预测模型，并采用实测风速验证了风速序列的混沌特性以及所提预测方法的有效性，通过李雅普诺夫指数分析，判定了风速序列混沌特征，通过引入互信息法构建风速序列重构相空间，开展风速序列特征分析，实现了风速序列高维特征的提取，在回归预测中引入长短期记忆网络，实现了风速的准确预测，详述如下：

1)本发明风速序列相空间重构方法能够有效提取风速序列特征并还原其原始动力学相空间，为后续预测过程提供有效数据支撑；

2)本发明基于LSTM及相空间重构的风速预测方法能够通过大数据量的训练记忆风速序列内在特征，从而在预测过程中更加高效地利用风速序列的高维数据特征，使得该方法较传统LSTM方法预测结果误差大大下降；

3)单纯增加神经网络输入维数并不能有效提升预测精度，为提升神经网络学习效率及预测准确性，本发明需针对风速序列内在特征进行分解、重构等操作以提取其特征参数，预测精度高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为风速序列示意图；

图2为本发明预测方法流程框图；

图3为本发明实施例示出延迟时间计算迭代过程图；

图4为本发明实施例示出嵌入维数迭代演变示意图；

图5为采用本发明预测方法下超短期风速预测时序波形图；

图6为采用本发明预测方法下超短期风速预测误差分析图；

图7为采用Case1方法下超短期风速预测时序波形图；

图8为采用Case1方法下超短期风速预测误差分析图；

图9为采用Case2方法下超短期风速预测时序波形图；

图10为采用Case2方法下超短期风速预测误差分析图；

图11为本发明实施例计算机设备的示意图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本发明中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本发明中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本发明中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明中，除非另有说明，术语“多个”表示两个或两个以上。

本发明中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本发明中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

图1为风速序列示意图。该实施例中，本发明提供一种基于改进长短期记忆网络的超短期风速预测方法，参见图2，包括：

(1)坐标延迟法的风速序列延迟时间与嵌入维数计算；

(2)风速序列混沌特性分析；

(3)基于互信息法，构建风速序列重构相空间；

(4)风速序列标准化处理；

(5)长短期记忆网络训练；

(6)基于上述步骤(1)-(5)，开展超短期风速预测。

本实施例的方法设计基于坐标延迟法的相空间重构方法，实现对风速序列高维动态特征的还原；设计基于长短期记忆网络的超短期风速预测方法，实现对超短期风速的准确预测。

在一个实施例中，步骤(1)中所述的坐标延迟法，对于一维混沌序列{x_i|i＝1,2,...,N}，其重构相空间的一般表达形式为：

其中，x_i为混沌序列元素，m为嵌入维数，τ为延迟时间，n为相空间的长度，其中n＝N-(m-1)τ，N为混沌序列长度。

进一步地，步骤(1)中所述的坐标延迟法的风速序列延迟时间的计算，包括：

记时间序列x(t)，则其在延迟时间τ下为x(t+τ)，在已知序列x(t)的情况下，x(t+τ)与其的互信息I(x(t+τ),x(t))可表示为：

I(x(t+τ),x(t))＝H(x(t+τ))-H(x(t+τ)|x(t))

其中，i为时间序列x(t)中元素的编号，j为时间序列x(t+τ)中元素的编号，P_x(t)为x(t)的概率，P_x(t),x(t+τ)为x(t)和x(t+τ)的联合概率密度，H为中间变量函数。

进一步地，在相空间重构中，期望达到的效果为不同状态点矢量之间的相关性尽量小，因而可选择互信息函数的第一个极小值作为延迟时间整定值。

进一步地，步骤(1)中所述的坐标延迟法的风速序列嵌入维数的计算，包括：

记m维相空间中相点矢量为X_i，其最邻近点为X_ji，其之间的距离为：

r_m,i＝||X_i-X_j,i|| (2)

当相空间维数增加1时，其之间的距离更新为：

若r_m+1,i显著大于r_m,i，则可以判定其为虚假最邻近点；

进一步地，定义嵌入维数演变函数E₁(m)：

若时间序列为确定***的序列，则E₁(m)将在m达到一定值以后趋于稳定，选取该函数稳定时对应的m即为合适的嵌入维数。

进一步地，在实际应用中，由于数据量限制，针对有限长序列很难区分其E₁(m)函数的稳定状态与缓慢增长状态，即难以区分达到稳态的混沌序列与趋于饱和的随机序列，因此定义嵌入维数辅助函数E₂(m):

序列的随机性越大，E₂(m)的值围绕1的波动越小；当E₂(m)波动较大时，可以认为该序列为混沌时间序列。

在一个实施例中，步骤(2)中所述的风速序列混沌特性分析，包括：

通过***的李雅普诺夫指数反映***的敛散性及对初始条件的敏感性，计算李雅普诺夫指数的wolf法具体步骤如下：

1)基于上述的重构方法，确定相空间的嵌入维数为m，延迟时间为τ，则由长度为N的混沌时间序列构造出相空间可表示为：

其中n＝N-(m-1)τ；

2)选取X₀为初始点，记与其最邻近点之间的距离为L₀，设定距离阈值为ε，当时间推进到某一时刻t，使得L₀大于ε时，记录X_t的最邻近点X_t′及此时距离值L₀′，并根据夹角最小原则搜索X_t′的另一最邻近点，当两点之间距离小于ε时，记录此时距离值为L_i；

3)重复步骤2)直至遍历相空间中所有点，记总迭代次数为κ，则***李雅普诺夫指数为：

在一个实施例中，步骤(3)中基于互信息法，构建风速序列重构相空间，包括：

假设某观测点某时间段内风速序列为V＝{v_i,i＝1,2,...,N}，其中N为数据点个数。则根据前述理论可将已知风速序列重构为如下相空间：

其中，v_i为风速序列元素，m为嵌入维数，τ为延迟时间，N＝n+(m-1)τ。

在一个实施例中，步骤(4)中对风速序列进行标准化处理，为防止神经网络训练结果发散，需要用以下公式对风速序列进行标准化：

其中，

为风速序列均值，σ(V)为风速序列方差。

在一个实施例中，步骤(5)中对长短期记忆网络进行训练，包括：

长短期记忆网络中遗忘门通过控制本单元对上一单元输出S_t-1所含信息的接收概率，从而实现对上一单元所传递信息的选择性遗忘，其激活函数选择Sigmoid函数，则遗忘门可表示为：

f_t＝Sigmoid(w_fSS_t-1+w_fxx_t+δ_f) (7)

其中，w_fS，w_fx分别为通过遗忘门的上一单元输出与本单元实际输入的权重，f为遗忘门计算迭代参数。

进一步地，输入门通过控制对本单元输入x_t所含信息的接收程度，从而实现对本单元输入到单元记忆状态的选择性接收，同时也可起到单元记忆状态更迭的功能。输入门包含两个端口，其分别采用Sigmoid及tanh作为激活函数：

其中，w_iS，w_ix分别为通过输入门的上一单元输出与本单元实际输入的权重，i为输入门计算偏置参数，w_iS，w_ix分别为更新单元记忆状态的上一单元输出与本单元实际输入的权重，C为状态更新计算偏置参数。

进一步地，输入门兼具更新单元记忆状态的功能，其中本单元对长期记忆状态的继承由遗忘门与长期记忆状态相乘来实现，对本单元实际输入的短时记忆状态的继承由输入门两个端口信息相乘来实现，其中*表示按元素相乘：

进一步地，输出门对考虑长期记忆与仅考虑短期记忆的输出分别设置通道，其中短期记忆对应的输出为：

o_t＝Sigmoid(w_oSS_t-1+w_oxx_t+δ_o) (10)

长期记忆对应的输出为：

S_t＝o_t*tanh(C_t) (11)

进一步地，针对由上述单元组成的神经网络，共有四组参数需要进行训练，与一般RNN相同，仍采用BPTT算法进行模型的求解，其主要步骤如下：

1)对待训练参数进行初始化，计算每个门单元的输出以及当前序列索引期望输出

其中

计算公式为：

其中，V与c为回归层权值与偏置，视作单元内计算辅助参数，并不参与前向传播过程。

2)定义损失函数J与单元误差项δ_t：

则前向传递误差项可以表示为：

其中：

则易得待优化参数的误差梯度为：

3)在迭代中利用梯度下降原理，更新单元连接权重：

w_ij+λδ_ix_ij→w′_ij (17)

其中，λ为学习效率，一般在迭代次数达到阈值后会予以降低，以避免发生震荡而产生网络不收敛。

步骤(5)中，选取已知风速序列前90％为神经网络训练集，后10％为验证集，对训练集与验证集序列分别以m、τ展开为相空间，其中取训练集相空间中第一个点的相空间信息，即

作为神经网络输入，第二个时间点的实际标准化风速，即

作为输出对网络进行训练，并依时间向前滚动迭代，直至训练集最后一个点作为输出，参与网络训练，可见输入量为一个长度为m的序列，序列点数为0.9n-1。

进一步地，步骤(6)所述的基于上述步骤(1)-(5)，开展超短期风速预测，包括：

对于训练完成的神经网络，依然以验证集中前N个点的相空间信息作为输入，第N+1个点的实际标准化风速作为输出，并将输出值去标准化后与实际风速进行比较，得到预测精度，预测精度采用均方根误差RMSE来衡量，其计算公式为：

其中，v^pre _k为预测风速，v^real _k为实际风速。

为验证本发明所提控制策略的有效性，基于Matlab2020b平台构建了相空间重构及LSTM预测模型并开展算例验证。

互信息函数随延迟时间变化的迭代过程如图3所示，可以看到迭代过程在τ＝30时出现第一个极小值点，则确定相空间重构延迟时间为30。

确定延迟时间后，进行嵌入维数的迭代计算。设定最大嵌入维数为50，则随着嵌入维数的增加，嵌入维数演变函数E₁(m)及E₂(m)的变化情况如图4所示。可以看到当嵌入维数在m＝9这个点后E₁(m)转入平稳状态，同时E₂(m)的值围绕1依然有波动，进而可以确定本风速序列并非随机序列，且相空间重构的嵌入维数为10。

基于上述延迟时间与嵌入维数，通过wolf法计算得到李雅普诺夫指数为0.000265＞0，则原风速序列具有混沌特性，可以采用混沌序列方法对风速序列进行分析。

基于本发明提出的基于改进LSTM的风速预测方法构建预测模型，风速相空间的延迟时间为30，嵌入维数为10，LSTM网络包含序列输入层、LSTM层、全连接层及回归层四层，其中LSTM层包含200个隐藏单元。指定网络训练迭代次数为150次，梯度阈值为1，初始学习率为0.005，经过75代后学习率开始下降，下降率为0.2。由于Adam算法在处理LSTM回归问题方面的优越性，此处采用Adam算法进行求解。预测风速曲线与实际风速曲线如图5、误差分布及均方根误差如图6所示。

可以看出，预测风速曲线与实际风速曲线拟合度较好，方均根误差为0.39484，所提基于LSTM及相空间重构的风速预测方法精度较高。

为验证所提方法的优越性，本发明基于LSTM预测方法设置两个对比算例Case1及Case2，输入均采用实际标准化风速，其中Case1采用以前一个点的实际风速预测后一个点风速的单输入预测方式，Case2采用以前10个点的实际风速预测后一个点风速的多输入预测方式，其结果分别如图7、8及图9、10所示。由以上结果可知，Case1方均根误差为0.42746，Case2方均根误差为0.63626，则本发明所提预测方法的均方根误差小于Case1及Case2，且从误差分布图可以看出，本发明所提方法误差分布更为均匀，说明其对序列特征的提取效果更好，预测精度更高。同时可以看出Case2相较Case1预测效果更差，可见单纯增加预测模型的输入维数并不能提高预测精度，而需要通过对风速序列特征进行提取，并实时将特征反映到输入量中才能有效提升预测效果。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图如图11所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于改进长短期记忆网络的超短期风速预测方法，其特征在于，包括：

(1)坐标延迟法的风速序列延迟时间与嵌入维数的计算；

(2)风速序列混沌特性分析；

(3)基于互信息法，构建风速序列重构相空间；

(4)风速序列标准化处理；

(5)长短期记忆网络训练；

(6)基于上述步骤(1)-(5)，开展超短期风速预测。

2.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(1)中所述的坐标延迟法的风速序列延迟时间的计算，包括：

记时间序列x(t)，则其在延迟时间τ下为x(t+τ)，在已知序列x(t)的情况下，x(t+τ)与其的互信息I(x(t+τ),x(t))可表示为：

I(x(t+τ),x(t))＝H(x(t+τ))-H(x(t+τ)|x(t))

其中，i为时间序列x(t)中元素的编号，j为时间序列x(t+τ)中元素的编号，P_x(t)为x(t)的概率，P_x(t),x(t+τ)为x(t)和x(t+τ)的联合概率密度，H为中间变量函数。

3.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(1)中所述的坐标延迟法的风速序列嵌入维数的计算，包括：

记m维相空间中相点矢量为X_i，其最邻近点为X_ji，其之间的距离为：

r_m,i＝||X_i-X_j,i||

当相空间维数增加1时，其之间的距离更新为：

若r_m+1,i显著大于r_m,i，则可以判定其为虚假最邻近点；

定义嵌入维数演变函数E₁(m)：

若时间序列为确定***的序列，则E₁(m)将在m达到一定值以后趋于稳定，选取该函数稳定时对应的m即为合适的嵌入维数；

定义嵌入维数辅助函数E₂(m):

序列的随机性越大，E₂(m)的值围绕1的波动越小；当E₂(m)波动较大时，可以认为该序列为混沌时间序列。

4.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(2)中所述的风速序列混沌特性分析，包括：

采用李雅普诺夫指数的wolf法计算，步骤如下：

1)基于步骤(1)所述的坐标延迟法的重构方法，确定相空间的嵌入维数为m，延迟时间为τ，则由长度为N的混沌时间序列构造出相空间可表示为：

X＝{X_i|i∈1,2,...,n}

X_i＝{x_i,x_i+τ,...,x_i+(m-1)τ}

其中n＝N-(m-1)τ；

2)选取X₀为初始点，记与其最邻近点之间的距离为L₀，设定距离阈值为ε，当时间推进到某一时刻t，使得L₀大于ε时，记录X_t的最邻近点X_t′及此时距离值L₀′，并根据夹角最小原则搜索X_t′的另一最邻近点，当两点之间距离小于ε时，记录此时距离值为L_i；

3)重复步骤2)直至遍历相空间中所有点，记总迭代次数为κ，则***李雅普诺夫指数为：

5.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(3)中所述的基于互信息法，构建风速序列重构相空间，包括：

假设某观测点某时间段内风速序列为V＝{v_i,i＝1,2,...,N}，其中N为数据点个数，已知风速序列重构为如下相空间：

其中，v_i为风速序列元素，m为嵌入维数，τ为延迟时间，N＝n+(m-1)τ。

6.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(4)中所述风速序列标准化处理，包括：

采用以下公式对风速序列进行标准化：

其中，

为风速序列均值，σ(V)为风速序列方差。

7.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(5)中所述的长短期记忆网络训练，包括：

选取已知风速序列前90％为神经网络训练集，后10％为验证集，对训练集与验证集序列分别以m、τ展开为相空间，其中取训练集相空间中第一个点的相空间信息，即

作为神经网络输入，第二个时间点的实际标准化风速，即

作为输出，对网络进行训练，并依时间向前滚动迭代，直至训练集最后一个点作为输出，参与网络训练。

8.如权利要求1所述的基于改进长短期记忆网络的超短期风速预测方法，其特征在于，步骤(6)所述的基于上述步骤(1)-(5)，开展超短期风速预测，包括：

对于训练完成的神经网络，依然以验证集中前N个点的相空间信息作为输入，第N+1个点的实际标准化风速作为输出，并将输出值去标准化后与实际风速进行比较，得到预测精度，预测精度采用均方根误差RMSE来衡量，其计算公式为：

其中，v^pre _k为预测风速，v^real _k为实际风速。

9.一种基于改进长短期记忆网络的超短期风速预测装置，其特征在于，包括：

计算模块，计算坐标延迟法的风速序列延迟时间与嵌入维数；

分析模块，分析风速序列混沌特性；

构建模块，基于互信息法，构建风速序列重构相空间；

标准化处理模块，风速序列标准化处理；

训练模块，长短期记忆网络训练；

预测模块，预测超短期风速。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的方法步骤。

Images