買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉重慶郵電大學申請的專利一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114548592B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210199667.3，技術(shù)領(lǐng)域涉及：G06Q10/04；該發(fā)明授權(quán)一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法是由雷建軍;秦振宇;程旭設(shè)計研發(fā)完成，并于2022-03-01向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法在說明書摘要公布了：本發(fā)明屬于時間序列預測領(lǐng)域，尤其涉及一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法，包括通過歷史數(shù)據(jù)構(gòu)建訓練集，通過實時數(shù)據(jù)構(gòu)建測試集；使用經(jīng)驗模態(tài)分解將測試集和訓練集中的目標序列分解為n個本征模態(tài)函數(shù)和1個殘差序列；通過聚類算法對n個本征模態(tài)函數(shù)聚類為m組，形成m個子序列；利用訓練集中子序列的特征向量對深度LSTM神經(jīng)網(wǎng)絡(luò)進行訓練，獲取完成訓練的深度LSTM神經(jīng)網(wǎng)絡(luò)；將測試集中子序列輸入完成訓練的深度LSTM神經(jīng)網(wǎng)絡(luò)進行預測，得到非平穩(wěn)時間序列預測結(jié)果；本發(fā)明結(jié)合了EMD和聚類算法對非平穩(wěn)時間序列進行重構(gòu)，使得預測模型的誤差更小、訓練時間更短。

本發(fā)明授權(quán)一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法在權(quán)利要求書中公布了：1.一種基于CEMD和LSTM的非平穩(wěn)時間序列數(shù)據(jù)預測方法，其特征在于，包括獲取目標數(shù)據(jù)的歷史數(shù)據(jù)，對歷史目標數(shù)據(jù)進行異常值處理，得到處理后的目標數(shù)據(jù)；目標數(shù)據(jù)為光伏發(fā)電量數(shù)據(jù)，采用EMD的信號分解方法，把波動較大的、不平穩(wěn)的光伏發(fā)電功率數(shù)據(jù)分解為瞬時頻率較小的分量之后分別預測，然后再把預測結(jié)果線性相加，使得預測結(jié)果與真實值的誤差降低；根據(jù)處理后的歷史目標數(shù)據(jù)預測得到用于光伏發(fā)電系統(tǒng)電力調(diào)配的目標光伏發(fā)電量數(shù)據(jù)的時序預測具體包括以下步驟： S1、通過歷史數(shù)據(jù)構(gòu)建訓練集，通過實時數(shù)據(jù)構(gòu)建測試集； S2、使用經(jīng)驗模態(tài)分解將測試集和訓練集中的目標序列分解為n個本征模態(tài)函數(shù)和1個殘差序列； S3、通過k-Shape聚類算法對n個本征模態(tài)函數(shù)聚類為m組，形成m個子序列，具體包括： S31、計算各個本征模態(tài)函數(shù)的動態(tài)時間歸整值，將該值作為各個本征模態(tài)函數(shù)之間的相似度； S32、將n個本征模態(tài)函數(shù)作為聚類樣本，并從中隨機選擇m個樣本作為初始簇心； S33、將其他樣本根據(jù)動態(tài)時間歸整值分別分類到與其最相似的簇心所在的簇，將計算每個樣本與其簇內(nèi)其他樣本的距離之和，將該距離之和最小的樣本作為新的簇心，重復本步驟直到簇心不再發(fā)生變化； S34、當簇心不再變化，判斷是否每個樣本的輪廓值是否超過設(shè)定的閾值，若超過則輸出聚類結(jié)果，否則返回步驟S32，樣本i的輪廓值表示為： 其中，si為樣本i的輪廓值；ai為樣本i的簇內(nèi)不相似度，其值為樣本i到當前簇中其他樣本的平均距離；bi樣本i的簇外不相似度，其值為樣本i到當前簇外樣本的平均距離； S4、利用訓練集中子序列的特征向量分別對深度LSTM神經(jīng)網(wǎng)絡(luò)和AR模型進行訓練，獲取完成訓練的深度LSTM神經(jīng)網(wǎng)絡(luò)和AR模型； S5、將測試集中子序列輸入完成訓練的深度LSTM神經(jīng)網(wǎng)絡(luò)和AR模型進行預測，得到非平穩(wěn)時間序列預測結(jié)果； S6、深度LSTM神經(jīng)網(wǎng)絡(luò)和AR模型得到預測結(jié)果輸入卡爾曼濾波器進行矯正，得到最終預測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人重慶郵電大學，其通訊地址為：400065 重慶市南岸區(qū)南山街道崇文路2號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。