(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 202210199667.3 (22)申请日 2022.03.01 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 雷建军　秦振宇　程旭　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于CEMD和LSTM的非平稳时间序列数 据预测方法 (57)摘要 本发明属于时间序列预测领域， 尤其涉及一 种基于CEMD和LSTM的非平稳时间序列数据预测 方法， 包括通过历史数据构建训练集， 通过实时 数据构建测试集； 使用经验模态分解将测试集和 训练集中的目标序列分解为n个本征模态函数和 1个残差序列； 通过聚类算法对n个本征模态函数 聚类为m组， 形成m个子序列； 利用训练集中子序 列的特征向量对深度LS TM神经网络进行训练， 获 取完成训练的深度LSTM神经网络； 将测试集中子 序列输入完成训练的深度LSTM神经网络进行预 测， 得到非平稳时间序列预测结果； 本发明结合 了EMD和聚类算法对非平稳时间序列进行重构， 使得预测模型的误差更小、 训练时间更短。 权利要求书3页 说明书7页 附图5页 CN 114548592 A 2022.05.27 CN 114548592 A 1.一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特征在于， 包括获取目标 数据的历史数据， 对历史目标数据进 行异常值处理， 得到处理后的目标数据； 目标数据为光 伏发电量数据； 根据处理后的历史目标数据预测得到用于光伏发电系统电力调配的目标光 伏发电量数据的时序预测具体包括以下步骤： S1、 通过历史数据构建训练集， 通过实时数据构建测试集； S2、 使用经验模态分解将测试集和训练集中的目标序列分解为n个本征模态函数和1个 残差序列； S3、 通过聚类算法对n个本征模态函数聚类为m组， 形成m个子序列； S4、 利用训练集中子序列的特征向量分别对深度LSTM神经网络和AR模型进行训练， 获 取完成训练的深度LSTM神经网络和AR模型； S5、 将测试集中子序列输入完成训练的深度LSTM神经网络和AR模型进行预测， 得到非 平稳时间序列预测结果； S6、 深度LSTM神经网络和AR模型得到预测结果输入卡尔曼滤波器进行矫正， 得到最终 预测结果。 2.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 将训练集和测试集的m个子序列分别与目标序列具有高度相关性的特征向量进行 拼接组合， 将拼接后的子序列 作为深度LSTM神经网络的输入。 3.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 通过历史数据构建训练集或者通过实时数据构建测试集的过程包括对数据集进 行 预处理保证数据格式的一致性； 预处理后进 行标准化处理， 即将数据按比例缩放， 将数据转 化为无量纲的纯 数值。 4.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 使用经验模态分解将目标序列分解为n个本征模态函数和1个残差序列的过程包 括： S21、 从训练集或者测试集中分离出目标序列x(t)； S22、 初始化r0＝x(t)， i ＝1； S23、 计算第i个IMF， 初始化h0＝ri‑1(t)， j＝1； S24、 找到 hj‑1(t)的局部极大值 点和局部极小值 点； S25、 对hj‑1(t)的局部极大值点和局部极小值点分别进行三次样条函数插值， 形成上、 下包络线； S26、 计算上、 下包络线的平均值mj‑1(t)； S27、 判断hj(t)＝hj‑1(t)–mj‑1(t)是否为本征模态函数， 如果是则imfi(t)＝hj(t)且转 到步骤S28； 否则转到步骤S24； S28、 计算序列的剩余 量ri(t)＝ri‑1(t)–imfi(t)； S29、 如果ri(t)极值点数仍多于2， 则i＝i+1并转到步骤S23； 否则， 分解结束， ri(t)作为 残差序列； 目标序列 5.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 通过k ‑Shape聚类算法对n个本征模态函数聚类为m组， 形成m个子序列的过程包括：权　利　要　求　书 1/3 页 2 CN 114548592 A 2S31、 计算各个本征模态函数的动态时间归整值， 将该值作为各个本征模态函数之间的 相似度； S32、 将n个本征模态函数作为聚类样本， 并从中随机 选择m个样本作为初始簇心； S33、 将其他样本根据动态时间归整值分别分类到与其最相似的簇心所在的簇， 将计算 每个样本与其簇内其他样本的距离之和， 将该距离之和最小的样本作为新的簇心， 重复本 步骤直到 簇心不再发生变化； S34、 当簇心不再变化， 判断是否每个样本的轮廓值是否超过设定的阈值， 若超过则输 出聚类结果， 否则返回步骤S32。 6.根据权利要求5所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 样本i的轮廓值表示 为： 其中， s(i)为样本i的轮廓值； a(i)为样本i的簇内不相似度， 其值为样本i到当前簇中 其他样本的平均距离； b(i)样本i的簇外不相 似度， 其值为样本i到当前簇外样本的平均距 离。 7.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 深度LSTM神经网络包括： ft＝σg(Wfxt+Ufht‑1+bf)； it＝σg(Wixt+Uiht‑1+bi)； ot＝σg(Woxt+Uoht‑1+bo)； 其中， ft， it和ot分别表示遗忘门、 输入门、 输出门； Wf， Uf， Wi， Ui， Wo， Uo， Wc和Uc是计算过程 中的权值矩阵； bf， bi， bo和bc是偏执向量； xt是在t时刻的输入； ht‑1是前一时刻LSTM的隐藏状 态； σ()是sigmo id激活函数； 表示矩阵乘法。 8.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 通过 elbow方法确定m的值。 9.根据权利要求1所述的一种基于CEMD和LSTM的非平稳时间序列数据预测方法， 其特 征在于， 深度LSTM神经网络和AR模型得到预测结果输入卡尔曼滤波器进行矫正， 即计算深 度LSTM神经网络的预测结果 和AR模型的预测结果 的预测偏差， 根据该预测偏差 获取卡尔曼增益， 根据卡尔曼增益计算得到最终的预测结果， 表示 为： 其中， 表示最终的预测结果， Hk为卡尔曼增益。 10.根据权利 要求9所述的一种基于CEMD和LSTM的非平稳 时间序列数据预测方法， 其特权　利　要　求　书 2/3 页 3 CN 114548592 A 3