基于最优深度学习和简约集合模型的短期风速预测方法

1.本发明涉及风速预测技术领域，特别是涉及一种基于最优深度学习和简约集合模型的短期风速预测方法。


背景技术：

2.近年来，研究人员提出了三种主要的风速预测方法。第一种方法是利用气象和地理数据来预测风速，其建立的预测模型也被称为物理模型，然而，在短期风速预测领域，它的表现并不理想。与物理模型相比，统计方法是第二种预测方法，它试图在输入和输出之间建立一种数学关系，因此其预测精度更高。然而，缺点是它不能检测风速序列的非线性特征。基于人工智能的方法，如ann、svm、模糊逻辑等，是在短期风速预测中取得巨大成功的第三种预测方法。其中，深度学习更是表现突出，能够获得高度准确的预测结果。此外，深度学习还被应用于其他方面的预测，如电力负荷和价格，并具有很高的准确性。
3.然而，人工智能模型的应用只是提高预测精度的一部分，在最近的许多研究中，数据预处理技术已经成为处理风速序列的非线性和非平稳特性的有力工具。其中的单一分解技术结合人工智能模型在序列预测中的应用已得到广泛实现，但由于单一分解技术总是不能完全处理风速序列的非平稳特性，因此在建模过程中仍有很大的改进空间。
4.如今有各种方法来处理利用分解技术得到的子序列，在一些研究中，得到的子序列被选择分别输入不同的预测模型。例如，zhang等人设计了一个基于ceemdan和五个神经网络的组合模型。它首先应用ceemdan将原始风速信号分解成几个imf，然后，将这些imf分别送入bpnn、rbfnn、grnn、wnn和enn进行风速预测。虽然这样可以在一定程度上提高预测精度，但多个预测模型势必会增加需要调整的参数和系统复杂度，进而导致训练效率降低，而且各个预测模型的权重系数也不容易确定。


技术实现要素：

5.本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于最优深度学习和简约集合模型的短期风速预测方法。
6.为了实现本发明的上述目的，本发明提供了一种基于最优深度学习和简约集合模型的短期风速预测方法，包括以下步骤：
7.s1，对采集的原始序列进行分解，得到多个模态分量；
8.s2，将所述多个模态分量分别输入深度置信网络dbn，得到多个预测结果；
9.s3，将所有预测结果进行汇总相加，得到最终的风速预测序列。
10.采用单个dbn代替多个预测模型，不仅可以获得准确的预测结果，还可以降低系统复杂度，提高训练效率，实现简约集合和高效预测。
11.进一步地，所述s1包括：
12.s1-1，采用ceemdan对原始序列进行一级分解得到若干imf分量，所述imf分量包括最高频率分量imf1即第一模态分量；
13.s1-2，对所述高频率分量imf1采用vmd进行二级分解得到若干模态分量u。
14.受添加的高斯白噪声和风速的波动性影响，所述imf分量的个数为5～10个；
15.由于模态分量u与最高频率分量imf1相关，模态分量u的个数为8～12个。
16.进一步地，所述深度置信网络dbn包括多个rbm和一个回归层神经网络，所述回归层神经网络为bpnn、grnn、rbfnn中的任一种。
17.进一步地，当回归层神经网络为bpnn时，所述bpnn的激活函数为tanh。
18.相较于bpnn常采用的激活函数sigmoid，采用tanh的效果更好。
19.进一步地，采用乌鸦搜索算法csa优化所述dbn的超参数，包括以下步骤：
20.第1步，初始化乌鸦的位置和记忆：n只乌鸦根据公式(21)生成一个原始位置种群，再用公式(22)获得对立位置种群，然后合并原始位置种群和对立位置种群并计算它们的适应度值，从中选取适应度值最好的n个位置作为初始种群；在第一次迭代中，每只乌鸦的记忆被初始化为它们的初始位置；
21.xi＝lbi+rand(0,1
·
(ub
i-lbi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
22.其中，xi表示初始化时乌鸦i的原始位置；
23.rand(0,1)表示0到1之间的一个随机数；
24.lbi、ubi分别表示乌鸦i位置即被优化超参数的最小值、最大值；
25.oxi＝lbi+ub
i-xiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
26.oxi表示始化时乌鸦i的对立位置；
27.第2步，评估适应度值：计算每只乌鸦对应的适应度值，以此来确定其位置的质量；
28.第3步，更新位置：在每次迭代中，乌鸦i的位置按如下规则更新：
29.当ri≥ap
j,iter
时，x
i,iter+1
＝x
i,iter
+ri×
fk
i,iter
×
(m
j,iter-x
i,iter
)；
30.当ri＜ap
j,iter
时，x
i,iter+1
的值为一个任意值；
31.其中，x
i,iter+1
表示示乌鸦i在第iter+1次迭代时的位置；
32.fl
i,iter
表示乌鸦i在第iter次迭代时的飞行距离；
33.m
j,iter
表示乌鸦j在第iter次迭代时的记忆；
34.ri是在0和1之间的随机数；
35.ap
j,iter
表示迭代时乌鸦j的感知概率，取0.1～0.2；
36.第4步，检查新位置的可行性：如果乌鸦的新位置处于被优化超参数的最小值到被优化超参数的最大值范围内，乌鸦就会留在这个位置，否则就还是留在原位；
37.第5步，更新记忆：如果乌鸦新位置的适应度值优于记忆位置的适应度值，则乌鸦通过新位置更新其记忆，否则，保持原来的记忆；
38.第6步，检查终止标准：当达到最大迭代次数iter
max
时，满足终止标准，得到dbn超参数的最佳值。
39.进一步地，所述超参数包括rbm的个数、学习率和批量大小之一或者任意组合。
40.综上所述，由于采用了上述技术方案，本发明具有以下优点：
41.(1)采用二次分解处理风速序列，能完全处理风速序列的非平稳特性。
42.(2)采用dbn处理利用分解技术得到的子序列，由于能够提取数据的深层特征，能更准确地建立输入-输出的映射关系，因此具有比大多数预测模型更好的预测性能。
43.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变
得明显，或通过本发明的实践了解到。
附图说明
44.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
45.图1是本发明rbm的结构示意图。
46.图2是本发明rbm的训练过程示意图。
47.图3是本发明dbn的结构示意图。
48.图4是本发明ceemdan-vmd-dbn-csa模型的框架图。
49.图5是本发明四个季节数据集的风速序列图。
50.图6是本发明自身对比实验每个模型在四个季节上的预测性能图。
51.图7是本发明自身对比实验每个模型在四个季节上的预测序列图。
52.图8是本发明热门模型对比实验每个模型在四个季节上的预测性能图。
53.图9是本发明热门模型对比实验每个模型在四个季节上的预测序列图。
具体实施方式
54.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
55.如图4所示，本发明提出的一种基于最优深度学习和简约集合模型的短期风速预测方法，包括以下步骤：
56.步骤1：对风速序列进行一级分解。
57.风速序列具有非线性和动态特性，而自适应噪声完全集合经验模态分解ceemdan能够处理数据的多个方面并克服这些困难。因此，采用ceemdan对风速序列进行一级分解，得到多个imf分量。
58.所述自适应噪声完全集合经验模态分解ceemdan是一种基于eemd的改进方法，其通过在每次分解时添加有限数量的自适应高斯白噪声，使得ceemdan比eemd需要更少的实验次数。此外，由于ceemdan的分解和重建是完整的，因此，它可以克服模态混叠问题。
59.设x表示原始序列即原始风速的时间序列，ek表示emd的第k种模式(mode,也称作模态)，wi表示具有单位方差的零均值高斯白噪声(i是试验的次数，i＝1,2,
…
,i)，εk表示每个分解阶段高斯白噪声的标准偏差。对ceemdan的实现步骤描述如下：
60.步骤1：添加一对正负高斯白噪声，所得的信号为：
61.xi＝x
±
ε0wi(1)
62.其中，xi表示第i次试验的序列；
63.ε0表示初始高斯白噪声的标准偏差；
64.x表示原始序列；
65.wi表示第i次试验的具有单位方差的零均值高斯白噪声。
66.步骤2：利用emd方法分解xi得到i个emd的第一阶本征模态分量，对它们进行平均进而得到ceemdan的第一模态：
[0067][0068]
其中，i表示试验的总次数。
[0069]
步骤3：计算第一个残差：
[0070]
r1＝x-imf1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0071]
步骤4：计算第k个残差：
[0072]rk
＝r
k-1-imfk,k＝2,3,...,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0073]
其中，r
k-1
表示第k-1个残差；
[0074]
imfk表示ceemdan的第k个模态。
[0075]
步骤5：分解添加了一对高斯白噪声的残差获得ceemdan的第(k+1)个模态：
[0076][0077]
步骤6：重复步骤4-5，直到获得所有的本征模态imf。最终的残差r可表示为：
[0078][0079]
其中，k是模态总数。
[0080]
步骤2：二级分解。
[0081]
由于ceemdan分解得到的最高频率分量imf1是最不规则和不稳定的，因此采用变分模态分解vmd对imf1进行数据处理，可以实现对imf1分量的有效分解，弱化其非平稳性，降低预测难度。通过vmd对imf1分量进行二级分解，得到多个模态分量u。
[0082]
所述变分模态分解vmd是一种时频分析方法，它能够将多分量信号一次性分解成多个单分量调幅调频信号，避免了迭代过程中遇到的端点效应和虚假分量问题。该方法能有效处理非线性、非平稳信号。vmd算法的功能是通过构造并求解约束变分问题，将原始信号分解为指定个数的u分量。假设原始信号f被分解为g个分量，相应的约束变分表达式如下：
[0083][0084]
s.t.∑gug＝f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0085]
其中ug和wg分别表示第g个模态分量和相应的中心频率；
[0086]
表示求偏导，也就是求梯度；
[0087]
t表示时间；j是虚数符号；
[0088]
ug(t)表示模态分量的时间序列；
[0089]
π是圆周率；e是自然底数；
[0090]
δ(t)和*分别为狄拉克分布和卷积运算；
[0091]
‖
·
‖2表示二范数。
[0092]
公式(7)(8)表示在所有模态分量ug的总和等于原始信号f的约束条件下，求大括号里式子的最小值时，ug和wg的值。然后，通过引入拉格朗日乘子λ(t)到等式(7)，将有约束变分问题转化为无约束变分问题，得到相应的增广拉格朗日方程如下：
[0093][0094]
其中α是二次惩罚因子，其作用是减少高斯噪声的干扰。同时，采用交替方向乘子法(admm)搜索鞍点，并求解无约束变分问题，其中ug、wg和λ通过以下公式进行迭代：
[0095][0096][0097][0098]
其中w表示频率；分别表示f(t)、ui(t)、λ(t)的傅里叶变换；τ为更新步长。
[0099]
步骤3：子序列预测。
[0100]
将若干imf分量和若干模态分量u分别输入深度置信网络dbn，得到若干预测结果；所述深度置信网络dbn是一种深度学习网络，具有卓越的学习能力，能够捕捉不同情况下输入和输出的映射关系。因此，它非常适用于作为预测器来预测与前两个步骤得到的各个成分相对应的子序列。
[0101]
所述深度置信网络dbn应用于分类、特征学习和协同过滤，其包含无监督学习子部分受限玻尔兹曼机rbm和用于预测的逻辑回归层反向传播神经网络bpnn。
[0102]
dbn是通过逐层堆叠rbm，并在堆叠的最后加入回归层bpnn来构建的。dbn的结构如图3所示。整个dbn的训练过程主要包括两个阶段：rbm的预训练和bpnn的反向微调。
[0103]
首先，使用rbm的无监督学习方法对网络的初始权重进行预训练，其中每个rbm都是逐层单独训练的。具体来说，前一个rbm的隐藏层将作为后一个rbm的可视层连接在网络中。
[0104]
接下来，bpnn接收最后一个rbm的输出，用反向传播误差的方法对整个网络进行微调。
[0105]
其中受限玻尔兹曼机rbm是一种随机神经网络，它可以学习其输入集上的分布。该网络通常由一个可视层和一个隐藏层组成，可视层和隐藏层的单元之间是双向全连接的，同一层的单元之间没有连接。图1展示了rbm的具体结构。
[0106]
rbm试图学习从可视层到隐藏层的概率分布，其学习过程是通过一个能量函数来实现的。给定可视层单元vk、隐藏层单元hj及其连接权重w
j,k
，以及vk的偏差ak和hj的偏差bj，某一状态的能量函数e(v,h)可以定义如下：
[0107][0108]
其中，nv、nh分别表示可视层单元个数、隐藏层单元个数；
[0109]wj,k
表示可视层单元vk与隐藏层单元hj之间的连接权重。
[0110]
然后，可以用能量函数来定义可视层和隐藏层上的概率分布p(v,h)：
[0111]
p(v,h)＝e-e(v,h)
/z
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0112]
z＝∑v∑he-e(v,h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0113]
其中z是配分函数；
[0114]
v表示可视层所有的单元；
[0115]
h表示隐藏层所有的单元。
[0116]
给定可视层所有的单元v，隐藏层单元hj被激活的概率为：
[0117][0118]
其中，sigm(
·
)是激活函数；
[0119]
同样，给定隐藏层所有的单元h，可视层单元vk被激活的概率为：
[0120][0121]
对rbm的训练是为了使能量函数最小化，对比散度(cd)法是一种训练rbm的有效方法，通过这种方法可以得到一步吉布斯抽样的近似值。在图2中展示了一次迭代的学习过程。
[0122]
经过一组迭代后，根据如下公式计算出连接权重和偏差的修正值：
[0123][0124]
其中，vk、hj分别表示可视层单元与隐藏层单元；
[0125]v′k、h
′j分别表示重构后的可视层单元与隐藏层单元；
[0126]
η表示学习率，《》表示该变量的数学期望；
[0127]
δw
j,k
表示连接权重的修正值；
[0128]
δak表示可视层单元的偏差的修正值；
[0129]
δbj表示隐藏层单元的偏差的修正值。
[0130]
所述反向传播神经网络bpnn是一种按误差逆向传播算法训练的多层前馈网络，它能够学习和存贮大量的输入-输出映射关系，而无需事先揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播误差来不断调整网络的权值和偏差，使网络的损失函数最小。
[0131]
在反向传播神经网络中，均方误差e的计算公式为：
[0132][0133]
其中y
t
为实际值，为预测值，t为训练数据的样本大小。
[0134]
在计算完e后，权重σ更新为：
[0135][0136]
其中β是学习率。
[0137]
步骤4：参数优化。
[0138]
为了提高dbn的预测能力，使预测结果更加准确，我们应用乌鸦搜索算法csa来优化dbn的超参数。
[0139]
所述乌鸦搜索算法csa是一种模仿乌鸦保护隐藏食物的智能行为而开发的元启发式算法。在该算法中，乌鸦的数量(群容量)为n，并且搜索空间中乌鸦i在迭代时的位置由向量x
i,iter
(i＝1,2,...,n；iter＝1,2,...,iter
max
)决定，x
i,iter
表示乌鸦i在第iter次迭代时的位置，其中iter
max
为最大迭代次数，且其中d为环境的维度，即被优化超参数的数量。每只乌鸦都有一个记忆(m
i,iter
)，即是隐藏位置的记忆。csa的实现步骤如下所述：
[0140]
第1步：初始化乌鸦的位置和记忆。n只乌鸦根据公式(21)生成一个原始位置种群，为了增加种群多样性，再利用公式(22)获得对立位置种群，然后合并原始位置种群和对立位置种群并计算它们的适应度值，从中选取适应度值最好的n个位置作为初始种群。在第一次迭代中，每只乌鸦的记忆被初始化为它们的初始位置。
[0141]
xi＝lbi+rand(0,1)
·
(ub
i-lbi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)其中，xi表示初始化时乌鸦i的原始位置；rand(0,1)表示0到1之间的一个随机数；lbi、ubi分别表示乌鸦i位置即被优化超参数的最小值、最大值。
[0142]
oxi＝lbi+ub
i-xiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0143]
oxi表示始化时乌鸦i的对立位置。
[0144]
第2步：评估适应度值。计算每只乌鸦对应的适应度值，以此来确定其位置的质量。
[0145]
第3步：更新位置。在每次迭代中，乌鸦i的位置按如下规则更新：
[0146][0147]
其中，x
i,iter+1
表示乌鸦i在第iter+1次迭代时的位置；
[0148]
fl
i,iter
表示乌鸦i在第iter次迭代时的飞行距离；
[0149]mj,iter
表示乌鸦j在第iter次迭代时的记忆；
[0150]ri
是0到1之间的一个随机数；
[0151]
ap
j,iter
表示迭代时乌鸦j的感知概率，取0.1～0.2。
[0152]
第4步：检查新位置是否在边界内。如果乌鸦的新位置在被优化超参数的最小值到最大值范围内，乌鸦就会留在这个位置，否则就还是留在原位。
[0153]
第5步：更新记忆。如果乌鸦新位置的适应度值优于记忆位置的适应度值，则乌鸦通过新位置更新其记忆，否则，保持原来的记忆。
[0154]
第6步：检查终止标准。当达到最大迭代次数iter
max
时，满足终止标准，将最佳适应度值对应的记忆位置作为优化问题的解决方案。
[0155]
步骤5：汇总结果。
[0156]
将所有分量对应的预测结果进行汇总相加，得到最终的风速预测序列。
[0157]
通过实验验证本发明的有效性：
[0158]
设置了两个不同的实验来评估所开发的简约集合模型的性能，所使用的风速数据集来自山东半岛，由于其四面环海，拥有丰富的风能资源，所以该数据集具有代表性。
[0159]
数据集的采样分辨率为10分钟，频率为每天144次扫描。由于风速在不同的季节性
天气中具有不同的趋势，因此在两个实施例中都考虑了春、夏、秋、冬四个季节。每个季节所取的观测数据总数为1200个，训练集与测试集的比例确定为3：1，其中900个观测数据来自训练集，300个观测数据来自测试集。春、夏、秋、冬四个季节数据集的风速序列和统计信息分别见图5和表1。经过adf(augmented dickey-fuller)检验，得知春、夏、秋、冬四个风速序列的滞后阶数分别为8、2、4、4。因此，春季风速序列使用过去8步(80分钟)预测未来1步(10分钟)，夏季风速序列使用过去2步(20分钟)预测未来1步(10分钟)，秋季和冬季风速序列都是使用过去4步(40分钟)预测未来1步(10分钟)。
[0160]
表1.四个季节数据集的统计信息
[0161][0162][0163]
评价指标：将预测值与实际值进行比较，评估预测结果，并分别使用四个典型的评价指标来验证所提出的集合模型的优越性。其中包括：rmse—测量它们之间的偏差；mae—最能反映误差的实际情况；mape—百分比越低，模型性能越好；决定系数(r2)—表示两个序列的拟合程度。四个典型评价指标的详细公式见表2，其中t、y
t
和分别表示样本量、实际值和预测值。
[0164]
表2.评价指标
[0165][0166]
实验一：
[0167]
实验一是自身对比实验，将ceemdan-vmd-dbn-csa分别与ceemdan-vmd-dbn、ceemdan-dbn和dbn进行比较，以验证csa、ceemdan和vmd的有效性。自身对比实验每个模型在四个季节上的预测性能的具体数值见表3，相应的柱状图见图6。图7展示了自身对比实验每个模型在四个季节上的预测序列。预测结果的具体分析如下：
[0168]
(a)从表3、图6可以得知，不论春、夏、秋、冬哪个季节数据集，ceemdan-vmd-dbn-csa在所有模型中都取得了最小的rmse、mae和mape，而且这三个评价指标的值越小，相应的预测性能越好，这说明所提出的ceemdan-vmd-dbn-csa模型表现最佳。
[0169]
(b)根据表3的数据，比较dbn与ceemdan-dbn，ceemdan-dbn与ceemdan-vmd-dbn，以及ceemdan-vmd-dbn与ceemdan-vmd-dbn-csa，我们可以看出，从dbn到ceemdan-vmd-dbn-csa，预测效果不断变好，意味着预测性能也不断提高。因此，可以证明ceemdan、vmd和csa的有效性。
[0170]
(c)从dbn到ceemdan-vmd-dbn-csa，rmse、mae和mape的数值都大幅度地减小了。在mape方面，春季减小了5.9720％，夏季减小了2.5500％，秋季减小了2.6061％，冬季减小了4.5486％。这表明所提出的模型显著提高了预测精度，突出了其优良的预测性能。
[0171]
结论：根据相应的图表展示和上述分析，可以判断所设计的ceemdan-vmd-dbn-csa模型优于其他三个模型，因此，它是有价值的。
[0172]
表3.自身对比实验每个模型在四个季节上的预测性能
[0173][0174][0175]
实验二：
[0176]
实验二是热门模型对比实验，为了进一步检验所设计模型的可用性，本实验将新模型与两类热门预测模型进行比较。在第一种类型中，一些基准模型包括elm、rbfnn、lstm和gru与所设计的模型进行比较，以验证其优越性。对于第二种类型，为了全面评估所设计的模型，利用了两个综合模型，包括vmd-lstm-pso和emd-gru-de来与之比较。热门模型对比实验每个模型在四个季节上的预测性能的具体数值见表4，相应的柱状图见图8，而该实验每个模型在四个季节上的预测序列则见图9。相关分析见下文：
[0177]
(a)由表4中四个季节数据集的预测结果，计算每个模型的平均决定系数，elm、rbfnn、lstm、gru、vmd-lstm-pso、emd-gru-de和ceemdan-vmd-dbn-csa的值分别为0.9435、0.9360、0.9298、0.9462、0.9760、0.9749和0.9851，显然，所提出的ceemdan-vmd-dbn-csa模型获得了最大的平均决定系数，比最小的lstm足足大了0.0553。因此，所提出的ceemdan-vmd-dbn-csa模型的预测性能是卓越的，与以上基准模型和综合模型相比有明显的优势。
[0178]
(b)根据表4直观的数值和图8形象的柱形高度，所设计的模型在所有季节都能取得最小的mape。它的平均mape为4.9965％，而另外两个综合模型vmd-lstm-pso、emd-gru-de
的平均mape分别为6.4269％、6.1880％，可见，所设计的模型的平均mape都比它们的小1％以上。除此之外，所设计的模型在减小rsme和mae方面也做出了突出贡献，展现出理想的结果，在所有模型中拥有最小的rsme和mae。因此，所提出的模型的预测精度是极佳的。
[0179]
结论：根据以上全面分析，所设计的模型具有最好的rmse、mae、mape和r2值，这意味着它拥有最高的预测精度和最好的预测性能，因此，它是准确的和有效的。
[0180]
表4.热门模型对比实验每个模型在四个季节上的预测性能
[0181]
[0182][0183]
两类情况下三个评价指标的改进百分比：
[0184]
第一类情况是指dbn、ceemdan-dbn、ceemdan-vmd-dbn和ceemdan-vmd-dbn-csa的相互比较，以验证各组成部分对所开发模型的贡献。相应的改进百分比值如表5所示，从中可以看出，每组比较得到的改进百分比都是正数，此外，最后一组ceemdan-vmd-dbn-csa与dbn相比，获得了相当大的改进百分比值。这些比较结果证明了cemmdan、vmd和csa对模型的巨大贡献。
[0185]
然后，第二类情况是指将所考虑的ceemdan-vmd-dbn-csa模型与各种热门模型进行比较，实现对预测性能改善程度的综合分析。具体结果见表6，从中可以得知，无论是经典的基本模型还是综合的混合模型，所考虑的模型都有显著的改进，因此，所考虑的模型在预测性能上取得了理想的改进效果。
[0186]
表5.自身对比实验四个季节各组件的改进百分比
[0187]
[0188][0189]
表6.热门模型对比实验所开发的模型相较各种模型的改进百分比
[0190]
[0191][0192]
综上所示，本发明设计了一个由ceemdan、vmd、csa和单个dbn组成的简约集合预测模型，该模型不仅消除了风速多种不确定性的影响，而且只用dbn作为预测器，实现了简约集合和高效预测。用两个实施例来评估所设计模型的有效性和适用性，用三个统计误差指标rmse、mae、mape及其改进百分比、以及决定系数(r2)作为评价方法来分析不同模型的预测性能。根据实验一的比较结果可以看出：(1)加入单层分解技术的ceemdan-dbn模型优于基本dbn模型，这揭示了ceemdan对提高预测精度的贡献；(2)采用两级分解技术的ceemdan-vmd-dbn模型比ceemdan-dbn模型取得了更理想的预测结果，可以判断ceemdan-vmd分解技术是一种优秀的方法；(3)ceemdan-vmd-dbn-csa优于ceemdan-vmd-dbn，说明csa对优化性能有很大的贡献。对于实验二，通过将所设计的模型与一些基准模型(包括elm、rbfnn、lstm、gru)和综合预测模型(包括vmd-lstm-pso、emd-gru-de)进行比较，证明所设计的模型具有优秀的预测性能。总的来说，所设计的模型可以成功地对风速的波动性和非线性进行建模，ceemdan和vmd的结合可以使预测难度大大降低，csa可以很好地优化dbn的超参数，增强其学习能力。因此，所设计的模型是有效的，值得信赖的。
[0193]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。