本发明涉及超容储能，尤其涉及一种基于超容储能的误差变化预测方法。
背景技术：
1、在现代数据分析和预测领域，随着数据规模和复杂性的不断增加，单一的预测模型往往难以应对各种复杂的实际应用场景。传统的预测模型，如随机森林、支持向量机（svm）和长短期记忆网络（lstm），各自有其独特的优势和应用场景，但在应对复杂的、多维度的数据时，单一模型的表现可能受到限制。例如，随机森林在处理高维数据和非线性问题时表现较好，svm在处理小样本和高维数据时有优势，而lstm在捕捉时间序列中的长期依赖关系方面具有独特的能力。因此，如何有效地结合多种模型的优势，构建一个高效、准确的混合预测模型，成为当前研究的一个重要方向。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种基于超容储能的误差变化预测方法，通过将随机森林、支持向量机和lstm神经网络进行组合，利用加权投票或堆叠集成策略，从而实现误差变化的高精度预测。在实际应用中，单一模型可能因为数据的特性或模型本身的限制，导致预测结果不理想。为了解决这一问题，本发明通过多算法并行训练，并基于各个模型的预测准确性进行权重分配，综合多模型的优势，提高整体预测性能。这种方法不仅能够有效降低单一模型的局限性和不稳定性，还能通过集成策略优化预测结果，从而提高模型的鲁棒性和准确性。
3、为解决上述技术问题，本发明提供如下技术方案，一种基于超容储能的误差变化预测方法，包括：
4、收集数据信息，利用深度学习模型进行智能故障检测，监测超容储能系统的运行状态，识别并标记异常数据，并对标记后的异常数据进行修正和剔除；采用小波变换方法对修正后的数据进行多尺度分析，提取误差变化的多层次特征，通过非线性特征提取技术，进一步提取误差变化中的非线性特征；构建混合预测模型，结合随机森林、支持向量机和lstm神经网络进行误差变化预测，在边缘设备上部署轻量级预测模型，进行实时数据处理和预测，并将结果上传至云端。
5、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述收集数据信息包括，收集电压数据、电流数据、温度数据、功率数据、状态数据、环境数据、历史运行数据、频率数据、容量数据、振动和噪声数据；所述状态数据包括超容储能单元的充电状态和放电状态；所述环境数据包括超容储能系统运行环境的外部环境数据；所述容量数据包括超容储能单元的剩余容量和充放电循环次数。
6、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述利用深度学习模型进行智能故障检测包括，构建故障检测结果函数，代表时间t时刻的故障检测结果：
7、；
8、其中，表示原始输入数据，代表第个卷积核在第层的第个输入信号；表示权重矩阵，代表第个卷积核在第层的权重参数，通过训练数据获取；表示卷积核参数，代表第个卷积核在第层的第个参数；表示偏置项，代表第个卷积核在第层的偏置参数，通过训练数据获取；表示激活函数，选用relu激活函数，定义为；表示池化结果，代表第个卷积核在第层的池化结果，通过最大池化或平均池化函数获取；q表示卷积核总数；l表示层总数；r表示输入信号总数，表示卷积核索引，为层索引，r为输入信号索引。
9、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述对标记后的异常数据进行修正和剔除包括，通过卷积神经网络的智能故障检测识别并标记出异常数据点，所述异常数据点是指传感器故障、通信错误或意外情况导致数据偏离预设的正常范围；
10、对收集的历史数据进行统计分析，计算每个参数的统计特征，包括平均值、标准差、中位数、四分位数；
11、对异常数据点进行数据修正，其中对于单个异常数据点，使用历史数据的均值进行替换：
12、；
13、对于多个连续的异常数据点，使用线性插值法，根据相邻正常数据点进行线性插值：
14、；
15、其中，为插值后的数据，和分别为异常数据段前后的正常数据点，为异常数据点的总数；为当前异常数据点在异常数据段中的位置，从1到；使用滑动窗口对缺失数据进行填补，窗口大小为，窗口内数据点的平均值作为填补值：
16、；
17、其中，表示滑动窗口内第h个数据点的值，表示修正填补后的数据点值；
18、对历史数据进行多项式拟合，使用拟合函数填补缺失数据。
19、，
20、其中，为多项式系数，为时间；为多项式的最高阶次，为多项式的阶数。
21、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述小波变换方法包括，通过小波变换将修正后的数据分解为多尺度分量，每个分量代表不同频率的信号成分，所述小波变换包括离散小波变换和连续小波变换；
22、将所有修正后的数据按照时间序列整理成，表示修正后的原始数据时间序列，包括电压、电流、温度、功率；表示小波基函数，是母小波，通过伸缩和平移得到；
23、；
24、其中，表示尺度索引，用于控制小波的伸缩；表示平移索引，用于控制小波的位置；表示尺度分量的逼近系数，是尺度函数，定义为：
25、；
26、使用离散小波变换dwt和连续小波变换cwt分别处理数据；
27、；
28、其中，a是伸缩因子，b是平移因子；尺度索引和平移索引通过小波变换过程确定；
29、小波基函数选择母小波，根据数据特性选择最优母小波；根据数据特性选择母小波，并通过伸缩和平移得到；
30、逼近系数通过计算每个尺度分量的累积结果获得，公式为：
31、；
32、对每个尺度和每个平移进行小波变换，得到多尺度分量，越小表示对应的尺度上信号成分越小；为时间，为尺度索引，为平移索引，为最大尺度，为修正后的原始数据时间序列，为尺度函数，为连续小波变换结果。
33、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述多尺度分析包括，对多尺度分量进行分析，提取出影响误差变化的特征，作为预测模型的输入，所述影响误差变化的特征包括频率成分、幅值和相位信息；
34、根据数据特性选择母小波，并通过伸缩和平移得到多尺度分量 ，对每个多尺度分量计算幅值和相位；利用历史数据计算每个尺度和平移位置的标准差，对频率成分进行标准化；将标准化后的幅值和相位信息结合，计算综合特征函数：
35、；
36、；
37、其中，为频率，为平移位置总数，i1为虚数单位；通过小波变换获取的第尺度和第个平移位置的多尺度分量，作为频率的函数；表示第尺度和第平移位置上的标准差。
38、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述提取误差变化中的非线性特征包括，通过核方法或自编码器对输入数据进行处理，提取出高维空间中的非线性特征，所述核方法包括径向基函数核和多项式核；
39、将输入数据标准化处理，选择预设的核宽度参数，计算径向基函数核；选择预设的常数和多项式的度，计算多项式核，通过无监督学习方法训练自编码器，获取权重矩阵和偏置项；
40、将径向基函数核、多项式核和自编码器的输出结合，计算高维空间中的非线性特征映射具体如下：
41、，
42、其中，为训练样本索引，为训练样本总数，为核宽度参数；为多项式的度，表示输入数据x与训练样本的内积；为自编码器神经元索引，为自编码器神经元总数，为输入数据特征索引，为输入数据特征总数，为径向基函数核的权重，为自编码器的权重，为自编码器的权重矩阵，为自编码器的偏置项，为激活函数。
43、作为本发明所述的基于超容储能的误差变化预测方法的一种优选方案，其中：所述构建混合预测模型包括，通过集成学习的方法，将随机森林、支持向量机和lstm神经网络进行组合，形成混合预测模型，所述集成学习的方法包括加权投票和堆叠集成策略；
44、进行随机森林、支持向量机和lstm神经网络的单模型预测，引入加权投票策略，对每个模型的预测结果分配权重，权重基于各个模型的预测，计算每个模型的平均绝对误差mae：
45、；
46、根据mae分配权重，权重为mae的倒数：
47、；
48、使用加权投票方法对每个模型的预测结果进行加权：
49、；
50、使用次级学习器对单模型预测结果进行组合，计算次级学习器的均方根误差rmse：
51、；
52、根据rmse分配权重，权重为rmse的倒数：
53、；
54、最终预测结果通过加权投票结果和次级学习器结果的组合得到：
55、，
56、其中，表示随机森林模型对输入数据的预测结果；表示支持向量机模型对输入数据的预测结果；表示长短期记忆网络模型对输入数据的预测结果；为最终的预测结果；为模型f的平均绝对误差，wf为模型f的权重，为次级学习器对输入数据x的预测结果，为次级学习器s的均方根误差，为次级学习器s的权重，f参与加权投票的模型总数，d为参与次级学习器融合的次级学习器总数，s表示次级学习器索引，b表示计算误差的样本总数，表示第个样本的真实值，用于计算预测误差；表示第f个模型对第个样本的预测值。
57、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于超容储能的误差变化预测方法的步骤。
58、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于超容储能的误差变化预测方法的步骤。
59、本发明的有益效果：本发明的混合预测模型通过多算法并行训练和加权投票或堆叠集成策略，有效地综合了随机森林、支持向量机和lstm神经网络的优势，从而实现了高精度的误差变化预测。与传统的单一模型相比，本发明在预测准确性和模型鲁棒性方面具有显著提升。具体而言，通过基于模型预测误差的权重分配，使得误差较小的模型对最终结果的影响更大，从而提高了预测的准确性。同时，通过综合多个模型的预测结果，可以有效减少异常值或单一模型异常表现对最终结果的影响，增强了模型的稳定性和鲁棒性。此外，本发明的方法具有良好的可扩展性和适应性，能够应用于各种复杂的数据预测场景，提供可靠的预测结果，具有广泛的应用前景。
1.一种基于超容储能的误差变化预测方法，其特征在于：包括，
2.如权利要求1所述的一种基于超容储能的误差变化预测方法，其特征在于：所述收集数据信息包括，收集电压数据、电流数据、温度数据、功率数据、状态数据、环境数据、历史运行数据、频率数据、容量数据、振动和噪声数据；所述状态数据包括超容储能单元的充电状态和放电状态；所述环境数据包括超容储能系统运行环境的外部环境数据；所述容量数据包括超容储能单元的剩余容量和充放电循环次数。
3.如权利要求2所述的一种基于超容储能的误差变化预测方法，其特征在于：所述利用深度学习模型进行智能故障检测包括，构建故障检测结果函数，代表时间t时刻的故障检测结果：
4.如权利要求3所述的一种基于超容储能的误差变化预测方法，其特征在于：所述对标记后的异常数据进行修正和剔除包括，通过卷积神经网络的智能故障检测识别并标记出异常数据点，所述异常数据点是指传感器故障、通信错误或意外情况导致数据偏离预设的正常范围；
5.如权利要求4所述的一种基于超容储能的误差变化预测方法，其特征在于：所述小波变换方法包括，通过小波变换将修正后的数据分解为多尺度分量，每个分量代表不同频率的信号成分，所述小波变换包括离散小波变换和连续小波变换；
6.如权利要求5所述的一种基于超容储能的误差变化预测方法，其特征在于：所述多尺度分析包括，对多尺度分量进行分析，提取出影响误差变化的特征，作为预测模型的输入，所述影响误差变化的特征包括频率成分、幅值和相位信息；
7.如权利要求6所述的一种基于超容储能的误差变化预测方法，其特征在于：所述提取误差变化中的非线性特征包括，通过核方法或自编码器对输入数据进行处理，提取出高维空间中的非线性特征，所述核方法包括径向基函数核和多项式核；
8.如权利要求7所述的一种基于超容储能的误差变化预测方法，其特征在于：所述构建混合预测模型包括，通过集成学习的方法，将随机森林、支持向量机和lstm神经网络进行组合，形成混合预测模型，所述集成学习的方法包括加权投票和堆叠集成策略；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的一种基于超容储能的误差变化预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的一种基于超容储能的误差变化预测方法的步骤。
