[发明专利]一种基于变分模态分解与注意力机制的风速预测方法

权利要求书

1.一种基于变分模态分解与注意力机制的风速预测方法，其特征在于，包括步骤如下：

步骤一：采集历史气象数据，构建原始风速及相关协变量数据集，对数据缺失或异常的情况，采用分权线性插值法填补数据；

步骤二：数据预处理，采用均值-方差归一化方法将数据集中的数据缩放至同一尺度；以8∶1∶1比例划分数据集为训练集、验证集与测试集；

步骤三：变分模态分解；取数据集一定步长的序列作为深度神经网络的输入序列u(t)，对输入序列u(t)采用变分模态分解获得K个具有特定模态的序列u_k(t)，k＝1，2...K；

(3.1)将输入序列u(t)各模态经希尔伯特变换后的解析信号混合为一预估中心频率：

其中，δ(t)为狄拉克函数，ω_k为第k个模态的中心频率；

K个模态之和为输入序列u(t)且各模态的估计带宽之和最小，即：

其中，{u_k}＝{u₁，…，u_K}，{ω_k}＝{ω₁，…，ω_K}；

(3.2)将式(2)的约束性变分问题变为非约束性变分问题：

式中，α为二次惩罚因子，保证输入序列u(t)在混入噪声信号的情况下的重构精度；λ(t)为拉格朗日乘法算子，保持约束条件严格性；

采用交替方向乘子法通过迭代交替更新和求得式(2)中最优解；各模态新分量中心频率由下式表示：

分解后各模态新分量为：

其中，n为算法迭代次数，与分别代表u(w)、与λⁿ(w)傅里叶变换；

分解后输入序列u(t)经傅里叶逆变换取实部为：

式中，F^-1(·)表示傅里叶逆变换，Real(·)表示取复数实部；

步骤四：分解后的K个分量{u_k(t)}取实部作为融合注意力机制的深度神经网络的输入信号，以实际风速作为预测目标，对深度神经网络进行参数训练、验证或预测；深度神经网络包括位置编码、编码器与解码器；位置编码为输入信号提供相对位置信息；编码器包括注意力机制层、前馈网络层与归一化残差连接层，用于神经网络模型捕获时序特征间的相互关系；解码器由双层全连接网络构成，用于将编码器获取的时序特征信息进行解构从而输出预测值。

2.根据权利要求1所述的基于变分模态分解与注意力机制的风速预测方法，其特征在于，所述分权线性插值法如下：

其中，u(t_miss)代表序列t_miss时刻待填充的缺失或异常值，u(t_prev)为缺失或异常值前距其最近的t_prev时刻的有效值，u(t_next)为缺失或异常值后距其最近的t_next时刻的有效值。

3.根据权利要求1或2所述的基于变分模态分解与注意力机制的风速预测方法，其特征在于，所述位置编码的构造方法具体如下：输入序列u(t)的每个单点数据添加特有向量，整个输入序列信号注入位置信息；通过构造与输入序列u(t)维数一致的矩阵，并与输入序列u(t)相加得到下一注意力机制层的输入；

其中，pos表示该单点数据在整个输入序列u(t)中的位置，d_model是特有向量的维度，i表示特有向量的位置。

4.根据权利要求1或2所述的基于变分模态分解与注意力机制的风速预测方法，其特征在于，所述注意力机制层中，随机初始化三个维度相同的矩阵W_Q，W_K和W_V，使用这三个矩阵分别对输入序列u(t)做线性变换，得到结果记为查询向量Q和键向量K与值向量V，并将三者通过计算映射到一个输出矩阵，其中分配给每个值的权重由查询向量Q与相应键向量K的兼容性函数softmax函数计算；输出矩阵计算为：

其中为矩阵K列维数取平方根，用于防止训练不稳定。

5.根据权利要求1或2所述的基于变分模态分解与注意力机制的风速预测方法，其特征在于，通过设置h个注意力机制层形成多头注意力机制层。