基于长短期记忆网络的短期风速组合预测研究

摘要

伴随着我国化学工业水平的巨大进步，我国多地发生了多起由毒害气体泄漏造成的重大生产安全事故，已经严重危害到人民群众的生命财产安全。毒害气体在泄露之后，其传播路径及扩散轨迹的影响因素很多，其中起决定性作用的是风。自然风场中的风具有湍动性和间歇性，为毒害气体泄漏源定位的任务增加了巨大的难度。准确地预测复杂风场的变化将为毒害气体泄漏源定位提供非常有价值的搜寻线索。针对经典风速预测方法的不足，本文采用长短期记忆（LSTM）网络建立风速预测模型，并提出一种自适应迭代加强的高精度短期风速组合预测方法，具体工作如下： 一、采用支持向量机法、时间序列法和人工神经网络法这三种经典预测方法分别构建SVR预测模型、ARIMA预测模型和BP神经网络预测模型，并利用以上模型预测短期风速。预测结果表明，SVR 预测模型泛化性很强，但是该模型在训练数据量变大时就会遇到困难，预测效果不是很理想；ARIMA预测模型可以将时间序列归纳为数学模型，但是在处理非线性较强的数据时效果并不理想；BP 神经网络预测模型，具有强大的自适应性和容错能力，更适合用于分析具有高度间歇性和波动性的非线性时间序列，因而在三种经典预测模型中表现最优，但是其训练过程中有时会陷入局部最小值或遇到梯度消失等问题。 二、针对前馈神经网络无法利用时序信息的缺点和传统递归神经网络（RNN）训练面临的梯度爆炸和梯度消失问题，采用 LSTM 深度学习网络建立风速预测模型。从实验结果可以看出，LSTM预测模型的预测效果明显优于三种经典预测模型，表明 LSTM 预测模型能够体现风速数据之间的连续变化性，挖掘出时间序列的有用信息，深刻理解其波动结构和内部规律。 三、针对独立风速预测模型无法在所有应用对象上均取得最佳预测结果的问题，本文提出一种自适应迭代加强的高精度短期风速组合预测方法，优选几种独立预测模型，并自适应调整各模型预测结果的组合系数，以此作为性能次优的弱回归预测器，经过多次迭代过程更新输入样本权重系数并得到多个性能次优的弱回归预测器，将这几个弱回归预测器的输出值进行融合最终得到短期风速高精度预测值。本文还将熵系数法组合预测方法和广义回归神经网络组合预测方法作为对照，证明了自适应迭代加强的高精度短期风速组合预测方法的有效性。

目录

第一个书签之前