基于邻域门的长短期记忆网络预测方法（NLSTM）

        风能是一种清洁、经济的可再生能源。风速是风力发电最具影响力的因素。高精度的风速预测在风电的规划、调度运行和决策管理等各个方面发挥重要作用，对风能资源的合理利用具有重大意义。本研究提出一种基于邻域门的长短期记忆网络预测方法用于预测风速，并提高模型的可解释性。

       本研究框架的实现步骤如下:

(1) 收集历史风速和气象因子数据；

(2) 采用皮尔逊相关系数(PCC)和最大信息系数(MIC) 探究这些因子和风速的相关性；

(3) 采用格兰杰因果关系检验(Granger causality test)探究因子和风速在统计意义上的因果关系；

(4) 本研究将因果关系拓扑结构分为：中心枢纽因果关系、链式因果关系、环状因果关系、树状因果关系和网络因果关系；

(5) 所有类型的因果关系通过本研究提出的"分解-虚变量-剪枝"方法可以统一为等价树因果关系；

(6) 针对任一等价树因果关系结构，构建与之相同结构的NLSTM模型；

(7) 训练模型并进行预测。

本研究原文链接：https://doi.org/10.1016/j.enconman.2019.04.006

本研究代码链接：https://github.com/zzdzzdzzdzzd/NLSTM

如果您觉得本研究的方法、论文或者代码能帮助到您，请在使用时引用它们。

[1] Z. Zhang, H. Qin, Y. Liu, Y. Wang, L. Yao, Q. Li, J Li, S. Pei. Long Short-Term Memory Network based on Neighborhood Gates for processing complex causality in wind speed prediction. Energy Conversion and Management, 2019, 192:37-51. doi: 10.1016/j.enconman.2019.04.006