CN109409596A - 预测风速的处理方法、装置、设备和计算机可读存储介质 - Google Patents

预测风速的处理方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN109409596A
CN109409596A CN201811228715.7A CN201811228715A CN109409596A CN 109409596 A CN109409596 A CN 109409596A CN 201811228715 A CN201811228715 A CN 201811228715A CN 109409596 A CN109409596 A CN 109409596A
Authority
CN
China
Prior art keywords
wind speed
moment
predicted
prediction
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811228715.7A
Other languages
English (en)
Other versions
CN109409596B (zh
Inventor
陈龙
刘颜鹏
江泽浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201811228715.7A priority Critical patent/CN109409596B/zh
Publication of CN109409596A publication Critical patent/CN109409596A/zh
Application granted granted Critical
Publication of CN109409596B publication Critical patent/CN109409596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种预测风速的处理方法、装置、设备和计算机可读存储介质，其中该方法包括：获取待预测时刻之前的多个时刻的风速值，并获取待预测时刻所对应的环境影响系数，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时；根据多个时刻的风速值和环境影响系数，确定风速输入序列，风速输入序列中包括多个风速输入值；根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。对风速进行预测的时候，不仅考虑到待预测时刻之前的风速对预测风速的影响，还考虑了预测时刻所处的月份和小时的环境影响系数，多方面的考虑风速的影响因子，进而提高预测出的风速的准确性。

Description

预测风速的处理方法、装置、设备和计算机可读存储介质
技术领域
本申请涉及物联网技术领域，尤其涉及一种预测风速的处理方法、装置、设备和计算机可读存储介质。
背景技术
现在可以对风速进行预测，以得到预测的风速，预测风速具有很大的现实意义。例如，用户需要获知天气的变化，从而需要预测风速，向用户提供风速的发展情况。再例如，随着社会的发展和进步，社会对于能源的需求越来越多，风能作为新型的能源得到越来越多的应用，需要预设风速以进行风力发电等等。又例如，设置在室外的设备常常需要受到自然环境的影响，为了预估出风力对设备的损害，需要对风速进行预测。
现有技术中，对风速进行预测的时候，采集待预测时刻之前的风速；根据待预测时刻之前的风速，计算出待预测时刻的风速值。例如，将待预测时刻之前的多个风速，输入到现有的识别模型中，输出预测出的风速值。
然而现有技术中，对风速进行预测的时候，只考虑到待预测时刻之前的风速对预测风速的影响，预测出的风速并不准确。
发明内容
本申请提供一种预测风速的处理方法、装置、设备和计算机可读存储介质，用以解决现有技术中预测出的风速并不准确的问题。
第一方面，本申请提供一种预测风速的处理方法，包括：
获取待预测时刻之前的多个时刻的风速值，并获取所述待预测时刻所对应的环境影响系数，其中，所述环境影响系数为与待预测时刻对应的日期信息的环境影响系数，所述日期信息为待预测时刻所处于的月份和小时；
根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，其中，所述风速输入序列中包括多个风速输入值；
根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
进一步地，根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，包括：
根据每两个相邻时刻的风速值的第一差值，得到风速差分输入序列，其中，所述风速差分输入序列中包括所述第一差值；
将每一个所述第一差值除以所述环境影响系数，得到每一个所述风速输入值。
进一步地，根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值，包括：
根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值；
根据待预测时刻的前一个时刻的风速值、待预测时刻的预测风速差分值和所述环境影响系数，确定待预测时刻的预测风速值。
进一步地，待预测时刻的预测风速值为predict_windt＝IF·norm_windt+xt-1，其中，t是第t个时刻，t为正整数，xt-1是待预测时刻的前一个时刻的风速值，norm_windt是待预测时刻的预测风速差分值，IF是所述环境影响系数。
进一步地，根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值，包括：
将所述风速输入序列输入到预设的回归算法模型中，得到待预测时刻的预测风速差分值；其中，所述预设的回归算法模型由自回归模型与伯恩斯坦多项式构成，所述自回归模型为x″t＝at-px″t-p+at-p+1x″t-p+1+…+afx″f+…+at-1x″t-1+bias+ε，bias是预设偏移量，ε是预设的误差项，af是训练得到的第一参数项，t表征待预测时刻，f∈[t-p,t-1]，x″f是待预测时刻t之前的p个时刻中的第f个时刻的风速输入值，x″t是时刻t的风速输入值，p、t、f为正整数，p小于t；
所述伯恩斯坦多项式为βe是训练得到的第二参数项，e∈[0,E]，e、E为整数，E为多项式的阶数。
进一步地，获取所述待预测时刻所对应的环境影响系数，包括：
获取每一天的每小时的第一风速训练序列，其中，所述第一风速训练序列中包括P个第一风速训练值，其中，P为大于1的正整数；
获取每个月的每一天的第二风速训练序列，其中，所述第二风速训练序列中包括P′个第二风速训练值，其中，P′为大于1的正整数；
根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定所述待预测时刻所对应的环境影响系数。
进一步地，根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定所述待预测时刻所对应的环境影响系数，包括：
根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，j∈[1，24]，j为正整数；
根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，12]，m为正整数；
根据第j个小时的风速影响系数和第m个月的风速影响系数，确定第m个月下的第j个小时的环境影响系数。
进一步地，根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，包括：
根据每一个所述第一风速训练序列中每两个相邻的第一风速训练值的第二差值，得到每一天的每小时的第一风速差分序列，其中，所述第一风速差分序列中包括P-1个第二差值；
对每一天的每小时的第一风速差分序列中的第二差值求取均值，得到每一天的每小时的第一风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；
根据每一天的每小时的第一风速均值确定N天内在第j个小时的第一风速均值之和并确定N天内24个小时的第二风速均值之和
根据N天内在第j个小时的第一风速均值之和F1，确定第j个小时的风速平均值mean(j)＝F1/N；
根据N天内24个小时的第二风速均值之和F2，确定第一历史风速平均值mean＝F2/(24*N)；
根据第j个小时的风速平均值mean(j)和所述第一历史风速平均值mean，确定第j个小时的风速影响系数IF(j)hour＝mean(j)/mean。
进一步地，根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，包括：
根据每一个所述第二风速训练序列中每两个相邻的第二风速训练值的第三差值，得到每个月的每一天的第二风速差分序列，其中，所述第二风速差分序列中包括P′-1个第三差值；
对每个月的每一天的第二风速差分序列中的第三差值求取均值，得到每个月的每一天的第二风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；
根据每个月的每一天的第二风速均值确定N天内在第m个月的第三风速均值之和并确定N天内12个月的第四风速均值之和
根据N天内在第m个月的第三风速均值之和F3，确定第m个月的风速平均值mean′(m)＝F3/N；
根据N天内12个月的第四风速均值之和F4，确定第二历史风速平均值mean′＝F4/(12*N)；
根据第m个月的风速平均值mean′(m)和所述第二历史风速平均值mean′，确定第m个月的风速影响系数IF(m)month＝mean′(m)/mean′。
进一步地，第m个月下的第j个小时的环境影响系数为IFmj＝IF(m)month×IF(j)hour，其中，IF(j)hour是第j个小时的风速影响系数，IF(m)month是第m个月的风速影响系数。
进一步地，在根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值之前，还包括：
获取第m个月下的第j个小时的第三风速训练序列，其中，所述第三风速训练序列中包括Q个第三风速训练值，其中，Q为大于1的正整数；
根据每两个相邻的第三风速训练值的第四差值，得到第三风速差分序列，其中，所述第三风速差分序列中包括Q-1个第四差值；
将所述第三风速差分序列中的每一个第四差值除以第m个月下的第j个小时的环境影响系数，得到每一个风速训练输入值；
将各个所述风速训练输入值输入到初始的回归算法模型中，得到回归算法模型中的第一参数项的数值和第二参数项的数值，以得到预测模型。
第二方面，提供了一种预测风速的处理装置，包括：
第一获取单元，用于获取待预测时刻之前的多个时刻的风速值；
第二获取单元，用于获取所述待预测时刻所对应的环境影响系数，其中，所述环境影响系数为与待预测时刻对应的日期信息的环境影响系数，所述日期信息为待预测时刻所处于的月份和小时；
确定单元，用于根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，其中，所述风速输入序列中包括多个风速输入值；
预测单元，用于根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
进一步地，所述确定单元，包括：
第一计算模块，用于根据每两个相邻时刻的风速值的第一差值，得到风速差分输入序列，其中，所述风速差分输入序列中包括所述第一差值；
第二计算模块，用于将每一个所述第一差值除以所述环境影响系数，得到每一个所述风速输入值。
进一步地，所述预测单元，包括：
预测模块，用于根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值；
第一确定模块，用于根据待预测时刻的前一个时刻的风速值、待预测时刻的预测风速差分值和所述环境影响系数，确定待预测时刻的预测风速值。
进一步地，待预测时刻的预测风速值为predict_windt＝IF·norm_windt+xt-1，其中，t是第t个时刻，t为正整数，xt-1是待预测时刻的前一个时刻的风速值，norm_windt是待预测时刻的预测风速差分值，IF是所述环境影响系数。
进一步地，所述预测模块，具体用于：
将所述风速输入序列输入到预设的回归算法模型中，得到待预测时刻的预测风速差分值；其中，所述预设的回归算法模型由自回归模型与伯恩斯坦多项式构成，所述自回归模型为x″t＝at-px″t-p+at-p+1x″t-p+1+…+afx″f+…+at-1x″t-1+bias+ε，bias是预设偏移量，ε是预设的误差项，af是训练得到的第一参数项，t表征待预测时刻，f∈[t-p,t-1]，x″f是待预测时刻t之前的p个时刻中的第f个时刻的风速输入值，x″t是时刻t的风速输入值，p、t、f为正整数，p小于t；
所述伯恩斯坦多项式为βe是训练得到的第二参数项，e∈[0,E]，e、E为整数，E为多项式的阶数。
进一步地，所述第二获取单元，包括：
第一获取模块，用于获取每一天的每小时的第一风速训练序列，其中，所述第一风速训练序列中包括P个第一风速训练值，其中，P为大于1的正整数；
第二获取模块，用于获取每个月的每一天的第二风速训练序列，其中，所述第二风速训练序列中包括P′个第二风速训练值，其中，P′为大于1的正整数；
第二确定模块，用于根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定所述待预测时刻所对应的环境影响系数。
进一步地，所述第二确定模块，包括：
第一确定子模块，用于根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，j∈[1，24]，j为正整数；
第二确定子模块，用于根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，12]，m为正整数；
第三确定子模块，用于根据第j个小时的风速影响系数和第m个月的风速影响系数，确定第m个月下的第j个小时的环境影响系数。
进一步地，所述第一确定子模块，具体用于：
根据每一个所述第一风速训练序列中每两个相邻的第一风速训练值的第二差值，得到每一天的每小时的第一风速差分序列，其中，所述第一风速差分序列中包括P-1个第二差值；
对每一天的每小时的第一风速差分序列中的第二差值求取均值，得到每一天的每小时的第一风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；
根据每一天的每小时的第一风速均值确定N天内在第j个小时的第一风速均值之和并确定N天内24个小时的第二风速均值之和
根据N天内在第j个小时的第一风速均值之和F1，确定第j个小时的风速平均值mean(j)＝F1/N；
根据N天内24个小时的第二风速均值之和F2，确定第一历史风速平均值mean＝F2/(24*N)；
根据第j个小时的风速平均值mean(j)和所述第一历史风速平均值mean，确定第j个小时的风速影响系数IF(j)hour＝mean(j)/mean。
进一步地，所述第二确定子模块，具体用于：
根据每一个所述第二风速训练序列中每两个相邻的第二风速训练值的第三差值，得到每个月的每一天的第二风速差分序列，其中，所述第二风速差分序列中包括P′-1个第三差值；
对每个月的每一天的第二风速差分序列中的第三差值求取均值，得到每个月的每一天的第二风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；
根据每个月的每一天的第二风速均值确定N天内在第m个月的第三风速均值之和并确定N天内12个月的第四风速均值之和
根据N天内在第m个月的第三风速均值之和F3，确定第m个月的风速平均值mean′(m)＝F3/N；
根据N天内12个月的第四风速均值之和F4，确定第二历史风速平均值mean′＝F4/(12*N)；
根据第m个月的风速平均值mean′(m)和所述第二历史风速平均值mean′，确定第m个月的风速影响系数IF(m)month＝mean′(m)/mean′。
进一步地，第m个月下的第j个小时的环境影响系数为IFmj＝IF(m)month×IF(j)hour，其中，IF(j)hour是第j个小时的风速影响系数，IF(m)month是第m个月的风速影响系数。
进一步地，所述装置，还包括：
第三获取单元，用于在所述预测单元根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值之前，获取第m个月下的第j个小时的第三风速训练序列，其中，所述第三风速训练序列中包括Q个第三风速训练值，其中，Q为大于1的正整数；
第一计算单元，用于根据每两个相邻的第三风速训练值的第四差值，得到第三风速差分序列，其中，所述第三风速差分序列中包括Q-1个第四差值；
第二计算单元，用于将所述第三风速差分序列中的每一个第四差值除以第m个月下的第j个小时的环境影响系数，得到每一个风速训练输入值；
训练单元，用于将各个所述风速训练输入值输入到初始的回归算法模型中，得到回归算法模型中的第一参数项的数值和第二参数项的数值，以得到预测模型。
第三方面，提供了一种预测风速的处理设备，包括用于执行以上第一方面的任一方法各个步骤的单元或者手段(means)。
第四方面，提供了一种预测风速的处理设备，包括处理器、存储器以及计算机程序，其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现第一方面的任一方法。
第五方面，提供了一种预测风速的处理设备，包括用于执行以上第一方面的任一方法的至少一个处理元件或芯片。
第六方面，提供了一种计算机程序，该计算程序在被处理器执行时用于执行以上第一方面的任一方法。
第七方面，提供了一种计算机可读存储介质，其上存储有第六方面的计算机程序。
本申请提供的预测风速的处理方法、装置、设备和计算机可读存储介质，通过获取待预测时刻之前的多个时刻的风速值，并获取待预测时刻所对应的环境影响系数，其中，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时；根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值；根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。通过获取与待预测时刻所对应的环境影响系数，该环境影响系数与待预测时刻所处于的月份和小时有关，然后利用环境影响系数对待预测时刻之前的多个时刻的风速值进行处理，得到多个时刻的风速输入值；然后再利用多个时刻的风速输入值，预测出待预测时刻的预测风速值。本申请中对风速进行预测的时候，不仅考虑到待预测时刻之前的风速对预测风速的影响，还考虑了预测时刻所处的月份和小时的环境影响系数，多方面的考虑风速的影响因子，进而提高预测出的风速的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种预测风速的处理方法的流程示意图；
图2为本申请实施例提供的另一种预测风速的处理方法的流程示意图；
图3为本申请实施例提供的另一种预测风速的处理方法中的风速与时间的关系图；
图4为本申请实施例提供的另一种预测风速的处理方法中的风速与月份的关系图；
图5为本申请实施例提供的一种预测风速的处理装置的结构示意图；
图6为本申请实施例提供的另一种预测风速的处理装置的结构示意图；
图7为本申请实施例提供的一种预测风速的处理设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请具体的应用场景为：对风速进行预测，以得到预测的风速，这对于现在社会具有很大的现实意义。现有技术中，对风速进行预测的时候，采集待预测时刻之前的风速；根据待预测时刻之前的风速，计算出待预测时刻的风速值。然而现有技术中，对风速进行预测的时候，只考虑到待预测时刻之前的风速对预测风速的影响，预测出的风速并不准确。
本申请提供的预测风速的处理方法、装置、设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的一种预测风速的处理方法的流程示意图。如图1所示，该方法包括：
步骤101、获取待预测时刻之前的多个时刻的风速值，并获取待预测时刻所对应的环境影响系数，其中，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时。
在本实施例中，具体的，本实施例的执行主体可以为终端设备、或者服务器、或者预测风速的处理装置或设备、或者其他可以执行本实施例方法的装置或设备。
在对风速进行预测时候，对时刻t的风速进行预测，即时刻t为待预测时刻，则需要获取到时刻t之前的多个时刻的风速值。同时可以为不同月份下的各个小时赋予不同环境影响系数，进而可以获取到时刻t所对环境影响系数，可知时刻t所对环境影响系数为与时刻t对应的月份、小时的环境影响系数。每一个时刻下的环境影响系数可以对每一个时刻的风速进行修正，以得到较为准确的预测风速。
举例来说，一年分为了12个月，一天有24小时，则为第一个月的每一天的第一个小时设置环境影响系数a1、为第一个月的每一天的第二个小时设置环境影响系数a2、以此类推为第一个月的每一天的第二十四个小时设置环境影响系数a24；为第二个月的每一天的第一个小时设置环境影响系数b1、为第二个月的每一天的第二个小时设置环境影响系数b2、以此类推为第二个月的每一天的第二十四个小时设置环境影响系数b24；以此类推，为第十二个月的每一天的第一个小时设置环境影响系数x1、为第十二个月的每一天的第二个小时设置环境影响系数x2、以此类推为第十二个月的每一天的第二十四个小时设置环境影响系数x24。对时刻t的风速进行预测，获取时刻t之前的p个时刻的风速值，分别为时刻t-1的风速值、时刻t-2的风速值、以此类推、时刻t-p的风速值。若时刻t为第二个月的每一天的第二个小时，则可以确定时刻t的环境影响系数为第二个月的每一天的第二个小时的环境影响系数b2。
步骤102、根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值。
在本实施例中，具体的，根据获取到的多个时刻的风速值、环境影响系数，计算出多个时刻的风速输入值，多个时刻的风速输入值构成风速输入序列。
举例来说，对时刻t的风速进行预测，获取时刻t之前的p个时刻的风速值，分别为时刻t-1的风速值rt-1、时刻t-2的风速值rt-2、以此类推、时刻t-p的风速值rt-p。若时刻t为第二个月的第二个小时，则可以确定时刻t的环境影响系数为第二个月的第二个小时的环境影响系数b2。然后，将时刻t-1的风速值rt-1除以时刻t的环境影响系数b2，得到时刻t-1的风速输入值rt-1/b2；将时刻t-2的风速值rt-2除以时刻t的环境影响系数b2，得到时刻t-2的风速输入值rt-2/b2；以此类推，将时刻t-p的风速值rt-p除以时刻t的环境影响系数b2，得到时刻t-p的风速输入值rt-p/b2；各个时刻的风速输入值，构成风速输入序列。
步骤103、根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
在本实施例中，具体的，对风速输入序列进行计算，进而对待预测时刻t的风速进行预测处理，计算得到待预测时刻t的预测风速值。例如，将风速输入序列输入到回归算法模型中进行风速预测，进而得到待预测时刻t的预测风速值。
本实施例，通过获取待预测时刻之前的多个时刻的风速值，并获取待预测时刻所对应的环境影响系数，其中，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时；根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值；根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。通过获取与待预测时刻所对应的环境影响系数，该环境影响系数与待预测时刻所处于的月份和小时有关，然后利用环境影响系数对待预测时刻之前的多个时刻的风速值进行处理，得到多个时刻的风速输入值；然后再利用多个时刻的风速输入值，预测出待预测时刻的预测风速值。本申请中对风速进行预测的时候，不仅考虑到待预测时刻之前的风速对预测风速的影响，还考虑了预测时刻所处的月份和小时的环境影响系数，多方面的考虑风速的影响因子，进而提高预测出的风速的准确性。
图2为本申请实施例提供的另一种预测风速的处理方法的流程示意图。如图2所示，该方法包括：
步骤201、获取每一天的每小时的第一风速训练序列，其中，第一风速训练序列中包括P个第一风速训练值，其中，P为大于1的正整数。
在本实施例中，具体的，本实施例的执行主体可以为终端设备、或者服务器、或者预测风速的处理装置或设备、或者其他可以执行本实施例方法的装置或设备。
图3为本实施例提供的风速与时间的关系图，图中，横坐标为小时总数，纵坐标为风速，风速的单位可以是米每秒，图3示出了三个风机在不同地方测得风速，分别为风机1测得的风速的曲线、风机2测得的风速的曲线、风机3测得的风速的曲线；从图3中可知，风速的变化是有规律的，都是先升后降的。可知小时对于风速的变化趋势是有一定参照的。进而可以将时间作为预测风速的参考依据。在本申请中，一年一共分为12个月，一天具有24个小时，需要确定出第m个月下每一天的第j个小时的环境影响系数。
在确定环境影响系数的时候，首先，针对于每一天来说，一天具有24小时，获取归属于同一天的每个小时的P个第一风速训练值，进而每一个小时具有一个第一风速训练序列。
举例来说，针对历史的N天来说，每一天分为24个小时，每个小时上具有P个第一风速训练值。例如，第一天的第一个小时上具有P个第一风速训练值，第一天的第二个小时上具有P个第一风速训练值，第二天的第一个小时上具有P个第一风速训练值，第二天的第二个小时上具有P个第一风速训练值。
步骤202、获取每个月的每一天的第二风速训练序列，其中，第二风速训练序列中包括P′个第二风速训练值，其中，P′为大于1的正整数。
在本实施例中，具体的，针对于每个月来说，一般情况下每个月具有30天或31天，获取归属于同一个月的每一天的P′个第二风速训练值，进而每一天具有一个第二风速训练序列。
举例来说，针对历史的12个月来说，每个月的每一天上具有P′个第二风速训练值。例如，第一个月的第一天上具有P′个第二风速训练值，第一个月的第二天上具有P′个第二风速训练值，第二个月的第一天上具有P′个第二风速训练值，第二个月的第二天上具有P′个第二风速训练值。
步骤203、根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定待预测时刻所对应的环境影响系数。其中，待预测时刻所对应的环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时。
其中，步骤203具体包括：
步骤2031、根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，j∈[1，24]，j为正整数。
步骤2032、根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，12]，m为正整数。
步骤2033、根据第j个小时的风速影响系数和第m个月的风速影响系数，确定第m个月下的第j个小时的环境影响系数。其中，第m个月下的第j个小时的环境影响系数为IFmj＝IF(m)month×IF(j)hour，其中，IF(j)hour是第j个小时的风速影响系数，IF(m)month是第m个月的风速影响系数。
其中，步骤2031具体包括：
步骤2031a、根据每一个第一风速训练序列中每两个相邻的第一风速训练值的第二差值，得到每一天的每小时的第一风速差分序列，其中，第一风速差分序列中包括P-1个第二差值。
步骤2031b、对每一天的每小时的第一风速差分序列中的第二差值求取均值，得到每一天的每小时的第一风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数。
步骤2031c、根据每一天的每小时的第一风速均值确定N天内在第j个小时的第一风速均值之和并确定N天内24个小时的第二风速均值之和
步骤2031d、根据N天内在第j个小时的第一风速均值之和F1，确定第j个小时的风速平均值mean(j)＝F1/N。
步骤2031e、根据N天内24个小时的第二风速均值之和F2，确定第一历史风速平均值mean＝F2/(24*N)。
步骤2031f、根据第j个小时的风速平均值mean(j)和第一历史风速平均值mean，确定第j个小时的风速影响系数IF(j)hour＝mean(j)/mean。
其中，步骤2032具体包括：
步骤2032a、根据每一个第二风速训练序列中每两个相邻的第二风速训练值的第三差值，得到每个月的每一天的第二风速差分序列，其中，第二风速差分序列中包括P′-1个第三差值。
步骤2032b、对每个月的每一天的第二风速差分序列中的第三差值求取均值，得到每个月的每一天的第二风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数。
步骤2032c、根据每个月的每一天的第二风速均值确定N天内在第m个月的第三风速均值之和并确定N天内12个月的第四风速均值之和
步骤2032d、根据N天内在第m个月的第三风速均值之和F3，确定第m个月的风速平均值mean′(m)＝F3/N。
步骤2032e、根据N天内12个月的第四风速均值之和F4，确定第二历史风速平均值mean′＝F4/(12*N)。
步骤2032f、根据第m个月的风速平均值mean′(m)和第二历史风速平均值mean′，确定第m个月的风速影响系数IF(m)month＝mean′(m)/mean′。
在本实施例中，具体的，根据步骤201中的各个第一风速训练序列和步骤202中的各个第二风速训练序列，确定待预测时刻t所对应的环境影响系数。
具体来说，首先，根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数。
举例来说，针对历史的N＝5天来说，每一天分为24个小时，J＝24，每个小时上具有P个第一风速训练值。例如，第一天的第一个小时上的第一风速训练序列具有P个第一风速训练值，第一天的第二个小时上第一风速训练序列具有P个第一风速训练值，第二天的第一个小时上第一风速训练序列具有P个第一风速训练值，第二天的第二个小时上第一风速训练序列具有P个第一风速训练值，以此类推。针对于第一天的第一个小时上的第一风速训练序列，将第二个第一风速训练值减去第一个第一风速训练值得到一个第二差值，将第三个第一风速训练值减去第二个第一风速训练值得到一个第二差值，以此类推，得到P-1个第二差值，进而得到第一天的第一个小时的第一风速差分序列；以此类推，计算出每一天每个小时的第一风速差分序列。针对于第一天的第一个小时的第一风速差分序列，将第一风速差分序列中的P-1个第二差值进行求和，得到第一天的第一个小时的第一风速均值以此类推，得到每一天的每小时的第一风速均值然后计算出第j个小时的第一风速均值之和计算出第二风速均值之和再计算出第j个小时的风速平均值mean(j)＝F1/5，第一历史风速平均值mean＝F2/(24*5)；最后可以得到第j个小时的风速影响系数IF(j)hour＝mean(j)/mean。例如，表1为第j个小时的风速影响系数。
表1第j个小时的风速影响系数
小时 风速影响系数
1 0.9935455929153075
2 0.9777349436303255
3 0.9447503425467836
4 0.9719706444118433
5 0.9368358682229933
6 0.8930088947999228
7 0.9031192926355169
7 0.9091580822929745
… …
然后，根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，M]，M为一年内的月份总数，M＝12。针对于每个月来说，一般情况下每个月具有30天或31天。
举例来说，针对历史的N＝5天来说，每一天分为24个小时，J＝24，获取了每个月每一天的P′个第二风速训练值，M＝12，即有12个月。例如，第一个月的第一天上的第二风速训练序列具有P′个第二风速训练值，第一个月的第二天上的第二风速训练序列具有P′个第二风速训练值，第十二个月的第一天上的第二风速训练序列具有P′个第二风速训练值，第十二个月的第二天上的第二风速训练序列具有P′个第二风速训练值，以此类推。针对于第一个月的第一天上的第二风速训练序列，将第二个第二风速训练值减去第一个第二风速训练值得到一个第三差值，将第三个第二风速训练值减去第二个第二风速训练值得到一个第三差值，以此类推，得到P′-1个第三差值，进而得到第一个月的第一天的第二风速差分序列；以此类推，计算出每个月的每一天的第二风速差分序列。针对于第一个月的第一天的第二风速差分序列，将第二风速差分序列中的P′-1个第三差值进行求和，得到第一个月的第一天的第二风速均值以此类推，得到每个月的每一天的第二风速均值然后计算出第m个月的第三风速均值之和计算出第四风速均值之和再计算出第m个月的风速平均值mean′(m)＝F3/5，第二历史风速平均值mean′＝F4/(12*5)；最后可以得到第m个月的风速影响系数IF(m)month＝mean′(m)/mean′。
最后，将第j个小时的风速影响系数IF(j)hour乘以第m个月的风速影响系数IF(m)month，得到第m个月下的第j个小时的环境影响系数IFmj＝IF(m)month×IF(j)hour。
进而可以确定出待预测时刻t所对应的环境影响系数。例如，待预测时刻t为第一个月的第二个小时，则待预测时刻t所对应的环境影响系数为IF12＝IF(1)month×IF(2)hour。
步骤204、获取第m个月下的第j个小时的第三风速训练序列，其中，第三风速训练序列中包括Q个第三风速训练值，其中，Q为大于1的正整数。
在本实施例中，具体的，在得到了第m个月下的第j个小时的环境影响系数IFmj＝IF(m)month×IF(j)hour之后，还需要得到预测模型。
首先，可以获取第m个月下的第j个小时的第三风速训练序列，其中，第三风速训练序列中包括Q个第三风速训练值。
举例来说，获取第2个月下的第1个小时的Q个第三风速训练值，Q个第三风速训练值构成一个第三风速训练序列。例如，可以从获取5年内的第2个月下每一天的第1个小时的Q个第三风速训练值；或者，针对Q个年的时间，获取每一年内的第2个月下每一天的第1个小时的多个风速训练值，然后针对多个第三风速训练值求取均值，得到每一个年的第2个月下每一天的第1个小时的一个第三风速训练值，从而对于Q个年的时间，可以得到Q第三风速训练值。
步骤205、根据每两个相邻的第三风速训练值的第四差值，得到第三风速差分序列，其中，第三风速差分序列中包括Q-1个第四差值。
在本实施例中，具体的，针对第三风速训练序列，将相邻的两个第三风速训练值做差，即将相邻时刻的后一个时刻的第三风速训练值减去前一个时刻的第三风速训练值，从而得到两个相邻的第三风速训练值的第四差值；针对于第三风速训练序列来说，得到Q-1个第四差值，Q-1个第四差值构成第三风速差分序列。
步骤206、将第三风速差分序列中的每一个第四差值除以第m个月下的第j个小时的环境影响系数，得到每一个风速训练输入值。
在本实施例中，具体的，由于第三风速差分序列是与第m个月下的第j个小时对应的，进而根据步骤203得到当前的第m个月下的第j个小时的环境影响系数。将第三风速差分序列中的每一个第四差值除以第m个月下的第j个小时的环境影响系数，得到与每一个第四差值对应的风速训练输入值。
步骤207、将各个风速训练输入值输入到初始的回归算法模型中，得到回归算法模型中的第一参数项的数值和第二参数项的数值，以得到预测模型。
在本实施例中，具体的，图4为本申请实施例提供的另一种预测风速的处理方法中的风速与月份的关系图，图4中横坐标为月份，纵坐标为风速，风速的单位可以是米每秒，图4中的实线示出了采用风机1在不同月份采集的风速的曲线，图4中的虚线示出了采用风机2在不同月份采集的风速的曲线；在1-8月份内风速的数值先升后降，在8-12月份内风速的数值先升后降，可知，风速在月份下的变化是稳定的，风速与月份有关。因此可以采用分段的伯恩斯坦(Bernstein)多项式对风速进行预测，进而使得1-8月份和9-12月份的风速变化依然是图4所示的形状。
将步骤206中的各个风速训练输入值作为一个序列，输入到初始的回归算法模型中，在训练之后可以得到回归算法模型中的第一参数项的数值和第二参数项的数值，进而得到训练后的回归算法模型。训练后的回归算法模型作为预测模型。
其中，回归算法模型由自回归模型与伯恩斯坦多项式构成。回归算法模型为yt″+BE(y″1)+BE(y″2)+…+BE(y″f)+…+BE(y″t-p)，e∈[0,E]，e、E为整数，E为多项式的阶数。将各个风速训练输入值，输入到自回归模型y″t′＝at′-py″t′-p+at′-p+1y″t′-p+1+…+afy″f+…+at′-1y″t′-1+bias+ε中，其中，y″f是时刻t′之前的p个时刻中的第f个时刻的风速训练输入值，f∈[t′-p,t′-1]，p、t′、f为正整数，p小于t′，y″t′是时刻t′的风速训练输入值，bias是预设偏移量，ε是预设的误差项，af是待计算的第一参数项；经过计算之后，得到每一个第一参数项af。将每一个风速训练输入值，输入到每一个中，其中，βe是待计算的第二参数项，经过计算之后得到每一个第二参数项βe。
其中，Bernstein多项式的二阶倒数为需要使得βe+βe+2-2βe+1≤0。进而使得Bernstein多项式输出的值构成的曲线，可以满足图4所示的形状，即满足凹形的形状约束。
例如，在训练回归算法模型的过程中，可以将1-8月份的风速训练输入值，输入到Bernstein多项式中，得到一个训练后的Bernstein多项式；将9-12月份的风速训练输入值，输入到Bernstein多项式中，得到一个训练后的Bernstein多项式。进而针对1-8月份，可以得到一个训练后的回归算法模型；针对9-12月份，可以得到一个训练后的回归算法模型。
步骤208、获取待预测时刻之前的多个时刻的风速值。
在本实施例中，具体的，下面进行对待预测时刻t的风速进行预测。本步骤可以参见图1的步骤101，不再赘述。
步骤209、根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值。
其中，步骤209具体包括：
步骤2091、根据每两个相邻时刻的风速值的第一差值，得到风速差分输入序列，其中，风速差分输入序列中包括第一差值。
步骤2092、将每一个第一差值除以环境影响系数，得到每一个风速输入值。
在本实施例中，具体的，将相邻时刻中的后一个时刻的风速值减去前一个时刻的风速值，进而得到相邻时刻的风速值的第一差值，各第一差值构成了风速差分输入序列。然后，每一个第一差值除以待预测时刻t对应的环境影响系数，得到与每一个第一差值对应的风速输入值，各风速输入值构成了风速输入序列。
举例来说，获取到待预测时刻t之前的p个时刻的风速值，分别为xt-1、xt-2、xt-3、…、xt-p+2、xt-p+1、xt-p；然后，将相邻时刻中的后一个时刻的风速值减去前一个时刻的风速值，得到风速差分输入序列diff_seq＝[xt-p+1-xt-p,xt-p+2-xt-p+1,…,xt-2-xt-3,xt-1-xt-2]。然后，待预测时刻t对应于第m个月下的第j个小时，则待预测时刻t的环境影响系数为IFmj＝IF(m)month×IF(j)hour。将风速差分输入序列中的每一个第一差值除以IFmj，得到每一个风速输入值。
步骤210、根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值。
其中，步骤210具体包括：将风速输入序列输入到预设的回归算法模型中，得到待预测时刻的预测风速差分值。
在本实施例中，具体的，将风速输入序列中的各风速输入值输入到训练后的预测模型中，预测模型所输出的数值是一种差分值，即得到待预测时刻的预测风速差分值。
其中，预测模型由自回归模型与伯恩斯坦多项式构成。回归算法模型为xt″+BE(x″1)+BE(x″2)+…+BE(x″f)+…+BE(x″t-p)。将风速输入序列中的各风速输入值，输入到自回归模型x″t＝at-px″t-p+at-p+1x″t-p+1+…+atx″f+…+at-1x″t-1+bias+ε中，可知，x″f是待预测时刻t之前的p个时刻中的第f个时刻的风速输入值，x″t是时刻t的风速输入值，bias是预设偏移量，ε是预设的误差项，af是步骤207中训练得到的第一参数项；并且将每一个风速输入值，输入到每一个中，其中，βe是步骤207中训练得到的第二参数项。最后就可以得到xt″+BE(x″1)+BE(x″2)+…+BE(x″f)+…+BE(x″t-p)所计算出的预测风速差分值norm_windt，该预测风速差分值norm_windt为一个差分值。
步骤211、根据待预测时刻的前一个时刻的风速值、待预测时刻的预测风速差分值和环境影响系数，确定待预测时刻的预测风速值。
其中，待预测时刻的预测风速值为predict_windt＝IF·norm_windt+xt-1，其中，t是第t个时刻，t为正整数，xt-1是待预测时刻的前一个时刻的风速值，norm_windt是待预测时刻的预测风速差分值，IF是环境影响系数。
在本实施例中，具体的，由于已经获知待预测时刻t的前一个时刻的风速值xt-1，也已经获知了待预测时刻t的环境影响系数IF，步骤210中计算出了待预测时刻t的预测风速差分值norm_windt，就可以计算出待预测时刻t的预测风速值为predict_windt＝IF·norm_windt+xt-1。
采用本实施例提供的方法，对风速进行预测之后，可以对预测风速值进行验证。
表2第一次验证结果
表3第二次验证结果
在表2和表3中，采用设备编号为252的风机在各时间段下采集实际的风速，得到实际风速值；并对各时间段进行风速预测，得到预测风速值。在表2和表3中指标编号指的是对预测风速值的编号。在表2和表3中，对当前时间的未来1小时、未来2小时、未来3小时、未来4小时、未来5小时，进行实际风速与预测风速值的对比，例如，表2中未来1小时下的“9.826VS9.550”，左边的9.826为预测风速值，右边的9.550是实际风速值，风速的单位为米每秒(m/s)。表2和表3中根据预测风速值和实际风速值进行预测的准确率的计算，从表2和表3中可知，本申请的预测风速的方法的准确率较高。
本实施例，通过采用预设的回归算法模型对风速输入序列进行预测处理，得到待预测时刻的预测风速值，预设的回归算法模型由自回归模型与伯恩斯坦多项式构成。通过采用由自回归模型与伯恩斯坦多项式构成的预测模型，对风速进行预测，由于伯恩斯坦多项式具有保形的特征，进而可以保证预测出的风速是符合自然的变化规律的，即一定时期是风速的数值是先升后降的，保证预测出的风速的准确性。
图5为本申请实施例提供的一种预测风速的处理装置的结构示意图，如图5所示，本实施例的装置可以包括：
第一获取单元51，用于获取待预测时刻之前的多个时刻的风速值。
第二获取单元52，用于获取待预测时刻所对应的环境影响系数，其中，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时。
确定单元53，用于根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值。
预测单元54，用于根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
本实施例的预测风速的处理装置可执行本申请实施例提供的一种预测风速的处理方法，其实现原理相类似，此处不再赘述。
本实施例，通过获取待预测时刻之前的多个时刻的风速值，并获取待预测时刻所对应的环境影响系数，其中，环境影响系数为与待预测时刻对应的日期信息的环境影响系数，日期信息为待预测时刻所处于的月份和小时；根据多个时刻的风速值和环境影响系数，确定风速输入序列，其中，风速输入序列中包括多个风速输入值；根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。通过获取与待预测时刻所对应的环境影响系数，该环境影响系数与待预测时刻所处于的月份和小时有关，然后利用环境影响系数对待预测时刻之前的多个时刻的风速值进行处理，得到多个时刻的风速输入值；然后再利用多个时刻的风速输入值，预测出待预测时刻的预测风速值。本申请中对风速进行预测的时候，不仅考虑到待预测时刻之前的风速对预测风速的影响，还考虑了预测时刻所处的月份和小时的环境影响系数，多方面的考虑风速的影响因子，进而提高预测出的风速的准确性。
图6为本申请实施例提供的另一种预测风速的处理装置的结构示意图，在图5所示实施例的基础上，如图6所示，本实施例的装置中，确定单元53，包括：
第一计算模块531，用于根据每两个相邻时刻的风速值的第一差值，得到风速差分输入序列，其中，风速差分输入序列中包括第一差值。
第二计算模块532，用于将每一个第一差值除以环境影响系数，得到每一个风速输入值。
预测单元54，包括：
预测模块541，用于根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值。
第一确定模块542，用于根据待预测时刻的前一个时刻的风速值、待预测时刻的预测风速差分值和环境影响系数，确定待预测时刻的预测风速值。
待预测时刻的预测风速值为predict_windt＝IF·norm_windt+xt-1，其中，t是第t个时刻，t为正整数，xt-1是待预测时刻的前一个时刻的风速值，norm_windt是待预测时刻的预测风速差分值，IF是环境影响系数。
预测模块541，具体用于：将风速输入序列输入到预设的回归算法模型中，得到待预测时刻的预测风速差分值。
预设的回归算法模型由自回归模型与伯恩斯坦多项式构成；其中，自回归模型为x″t＝at-px″t-p+at-p+1x″t-p+1+…+afx″f+…+at-1x″t-1+bias+ε，bias是预设偏移量，ε是预设的误差项，af是训练得到的第一参数项，t表征待预测时刻，f∈[t-p,t-1]，x″f是待预测时刻t之前的p个时刻中的第f个时刻的风速输入值，x″t是时刻t的风速输入值，p、t、f为正整数，p小于t；伯恩斯坦多项式为βe是训练得到的第二参数项，e∈[0,E]，e、E为整数，E为多项式的阶数。
第二获取单元52，包括：
第一获取模块521，用于获取每一天的每小时的第一风速训练序列，其中，第一风速训练序列中包括P个第一风速训练值，其中，P为大于1的正整数。
第二获取模块522，用于获取每个月的每一天的第二风速训练序列，其中，第二风速训练序列中包括P′个第二风速训练值，其中，P′为大于1的正整数。
第二确定模块523，用于根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定待预测时刻所对应的环境影响系数。
第二确定模块523，包括：
第一确定子模块5231，用于根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，j∈[1，24]，j为正整数。
第二确定子模块5232，用于根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，12]，m为正整数。
第三确定子模块5233，用于根据第j个小时的风速影响系数和第m个月的风速影响系数，确定第m个月下的第j个小时的环境影响系数。
第一确定子模块5231，具体用于：
根据每一个第一风速训练序列中每两个相邻的第一风速训练值的第二差值，得到每一天的每小时的第一风速差分序列，其中，第一风速差分序列中包括P-1个第二差值；对每一天的每小时的第一风速差分序列中的第二差值求取均值，得到每一天的每小时的第一风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；根据每一天的每小时的第一风速均值确定N天内在第j个小时的第一风速均值之和并确定N天内24个小时的第二风速均值之和根据N天内在第j个小时的第一风速均值之和F1，确定第j个小时的风速平均值mean(j)＝F1/N；根据N天内24个小时的第二风速均值之和F2，确定第一历史风速平均值mean＝F2/(24*N)；根据第j个小时的风速平均值mean(j)和第一历史风速平均值mean，确定第j个小时的风速影响系数IF(j)hour＝mean(j)/mean。
第二确定子模块5232，具体用于：
根据每一个第二风速训练序列中每两个相邻的第二风速训练值的第三差值，得到每个月的每一天的第二风速差分序列，其中，第二风速差分序列中包括P′-1个第三差值；对每个月的每一天的第二风速差分序列中的第三差值求取均值，得到每个月的每一天的第二风速均值其中，i∈[1，N]，i、N、为正整数，N为一个月的总天数；根据每个月的每一天的第二风速均值确定N天内在第m个月的第三风速均值之和并确定N天内12个月的第四风速均值之和根据N天内在第m个月的第三风速均值之和F3，确定第m个月的风速平均值mean′(m)＝F3/N；根据N天内12个月的第四风速均值之和F4，确定第二历史风速平均值mean′＝F4/(12*N)；根据第m个月的风速平均值mean′(m)和第二历史风速平均值mean′，确定第m个月的风速影响系数IF(m)month＝mean′(m)/mean′。
第m个月下的第j个小时的环境影响系数为IFmj＝IF(m)month×IF(j)hour，其中，IF(j)hour是第j个小时的风速影响系数，IF(m)month是第m个月的风速影响系数。
本实施例提供的装置，还包括：
第三获取单元61，用于在预测单元54根据风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值之前，获取第m个月下的第j个小时的第三风速训练序列，其中，第三风速训练序列中包括Q个第三风速训练值，其中，Q为大于1的正整数。
第一计算单元62，用于根据每两个相邻的第三风速训练值的第四差值，得到第三风速差分序列，其中，第三风速差分序列中包括Q-1个第四差值。
第二计算单元63，用于将第三风速差分序列中的每一个第四差值除以第m个月下的第j个小时的环境影响系数，得到每一个风速训练输入值。
训练单元64，用于将各个风速训练输入值输入到初始的回归算法模型中，得到回归算法模型中的第一参数项的数值和第二参数项的数值，以得到预测模型。
本实施例的预测风速的处理装置可执行本申请实施例提供的另一种预测风速的处理方法，其实现原理相类似，此处不再赘述。
本实施例，通过采用预设的回归算法模型对风速输入序列进行预测处理，得到待预测时刻的预测风速值，预设的回归算法模型由自回归模型与伯恩斯坦多项式构成。通过采用由自回归模型与伯恩斯坦多项式构成的预测模型，对风速进行预测，由于伯恩斯坦多项式具有保形的特征，进而可以保证预测出的风速是符合自然的变化规律的，即一定时期是风速的数值是先升后降的，保证预测出的风速的准确性。
图7为本申请实施例提供的一种预测风速的处理设备的结构示意图，如图7所示，本申请实施例提供了一种预测风速的处理设备，可以用于执行图1、或图2所示实施例中预测风速的处理设备动作或步骤，具体包括：处理器2701，存储器2702和通信接口2703。
存储器2702，用于存储计算机程序。
处理器2701，用于执行存储器2702中存储的计算机程序，以实现图1、或图2所示实施例中预测风速的处理设备的动作，不再赘述。
可选的，预测风速的处理设备还可以包括总线2704。其中，处理器2701、存储器2702以及通信接口2703可以通过总线2704相互连接；总线2704可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。上述总线2704可以分为地址总线、数据总线和控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，上述各实施例之间可以相互参考和借鉴，相同或相似的步骤以及名词均不再一一赘述。
或者，以上各个模块的部分或全部也可以通过集成电路的形式内嵌于该预测风速的处理设备的某一个芯片上来实现。且它们可以单独实现，也可以集成在一起。即以上这些模块可以被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)等。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器2702，上述指令可由上述预测风速的处理设备的处理器2701执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当该存储介质中的指令由预测风速的处理设备的处理器执行时，使得预测风速的处理设备能够执行上述预测风速的处理方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、预测风速的处理设备或数据中心通过有线(例如，同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如，红外、无线、微波等)方式向另一个网站站点、计算机、预测风速的处理设备或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的预测风速的处理设备、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种预测风速的处理方法，其特征在于，包括：
获取待预测时刻之前的多个时刻的风速值，并获取所述待预测时刻所对应的环境影响系数，其中，所述环境影响系数为与待预测时刻对应的日期信息的环境影响系数，所述日期信息为待预测时刻所处于的月份和小时；
根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，其中，所述风速输入序列中包括多个风速输入值；
根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
2.根据权利要求1所述的方法，其特征在于，根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，包括：
根据每两个相邻时刻的风速值的第一差值，得到风速差分输入序列，其中，所述风速差分输入序列中包括所述第一差值；
将每一个所述第一差值除以所述环境影响系数，得到每一个所述风速输入值。
3.根据权利要求2所述的方法，其特征在于，根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值，包括：
根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值；
根据待预测时刻的前一个时刻的风速值、待预测时刻的预测风速差分值和所述环境影响系数，确定待预测时刻的预测风速值。
4.根据权利要求3所述的方法，其特征在于，待预测时刻的预测风速值为predict_windt＝IF·norm_windt+xt-1，其中，t是第t个时刻，t为正整数，xt-1是待预测时刻的前一个时刻的风速值，norm_windt是待预测时刻的预测风速差分值，IF是所述环境影响系数。
5.根据权利要求3所述的方法，其特征在于，根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速差分值，包括：
将所述风速输入序列输入到预设的回归算法模型中，得到待预测时刻的预测风速差分值；
其中，所述预设的回归算法模型由自回归模型与伯恩斯坦多项式构成，所述自回归模型为x″t＝at-px″t-p+at-p+1x″t-p+1+…+afx″f+…+at-1x″t-1+bias+ε，bias是预设偏移量，ε是预设的误差项，af是训练得到的第一参数项，t表征待预测时刻，f∈[t-p,t-1]，x″f是待预测时刻t之前的p个时刻中的第f个时刻的风速输入值，x″t是时刻t的风速输入值，p、t、f为正整数，p小于t；
所述伯恩斯坦多项式为βe是训练得到的第二参数项，e∈[0,E]，e、E为整数，E为多项式的阶数。
6.根据权利要求1-5任一项所述的方法，其特征在于，获取所述待预测时刻所对应的环境影响系数，包括：
获取每一天的每小时的第一风速训练序列，其中，所述第一风速训练序列中包括P个第一风速训练值，其中，P为大于1的正整数；
获取每个月的每一天的第二风速训练序列，其中，所述第二风速训练序列中包括P′个第二风速训练值，其中，P′为大于1的正整数；
根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定所述待预测时刻所对应的环境影响系数。
7.根据权利要求6所述的方法，其特征在于，根据每一天的每小时的第一风速训练序列、每个月的每一天的第二风速训练序列，确定所述待预测时刻所对应的环境影响系数，包括：
根据每一天的每小时的第一风速训练序列，确定第j个小时的风速影响系数，j∈[1，24]，j为正整数；
根据每个月的每一天的第二风速训练序列，确定第m个月的风速影响系数，m∈[1，12]，m为正整数；
根据第j个小时的风速影响系数和第m个月的风速影响系数，确定第m个月下的第j个小时的环境影响系数。
8.一种预测风速的处理装置，其特征在于，包括：
第一获取单元，用于获取待预测时刻之前的多个时刻的风速值；
第二获取单元，用于获取所述待预测时刻所对应的环境影响系数，其中，所述环境影响系数为与待预测时刻对应的日期信息的环境影响系数，所述日期信息为待预测时刻所处于的月份和小时；
确定单元，用于根据所述多个时刻的风速值和所述环境影响系数，确定风速输入序列，其中，所述风速输入序列中包括多个风速输入值；
预测单元，用于根据所述风速输入序列对待预测时刻的风速进行预测处理，得到待预测时刻的预测风速值。
9.一种预测风速的处理设备，其特征在于，包括：处理器、存储器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
CN201811228715.7A 2018-10-22 2018-10-22 预测风速的处理方法、装置、设备和计算机可读存储介质 Active CN109409596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811228715.7A CN109409596B (zh) 2018-10-22 2018-10-22 预测风速的处理方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811228715.7A CN109409596B (zh) 2018-10-22 2018-10-22 预测风速的处理方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109409596A true CN109409596A (zh) 2019-03-01
CN109409596B CN109409596B (zh) 2021-04-13

Family

ID=65468629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811228715.7A Active CN109409596B (zh) 2018-10-22 2018-10-22 预测风速的处理方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109409596B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376388A (zh) * 2014-12-08 2015-02-25 国家电网公司 一种基于风速因子控制模型的风电超短期功率预测方法
CN104573876A (zh) * 2015-01-28 2015-04-29 华北电力大学（保定） 基于时序长记忆模型的风电场短期风速预测方法
CN105373858A (zh) * 2015-11-26 2016-03-02 湘潭大学 一种基于风速时序分解的风电场有功功率优化方法
CN107665379A (zh) * 2017-09-28 2018-02-06 南京工程学院 一种基于气象特征的风电场风速超短期预测方法
CN107688872A (zh) * 2017-08-20 2018-02-13 平安科技（深圳）有限公司 预测模型建立装置、方法及计算机可读存储介质
CN107977730A (zh) * 2017-09-18 2018-05-01 沈阳大学 一种多传感器数据融合技术的风速测量方法
KR20180078807A (ko) * 2016-12-30 2018-07-10 한국에너지기술연구원 해수면온도를 이용한 풍력자원 예측시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376388A (zh) * 2014-12-08 2015-02-25 国家电网公司 一种基于风速因子控制模型的风电超短期功率预测方法
CN104573876A (zh) * 2015-01-28 2015-04-29 华北电力大学（保定） 基于时序长记忆模型的风电场短期风速预测方法
CN105373858A (zh) * 2015-11-26 2016-03-02 湘潭大学 一种基于风速时序分解的风电场有功功率优化方法
KR20180078807A (ko) * 2016-12-30 2018-07-10 한국에너지기술연구원 해수면온도를 이용한 풍력자원 예측시스템
CN107688872A (zh) * 2017-08-20 2018-02-13 平安科技（深圳）有限公司 预测模型建立装置、方法及计算机可读存储介质
CN107977730A (zh) * 2017-09-18 2018-05-01 沈阳大学 一种多传感器数据融合技术的风速测量方法
CN107665379A (zh) * 2017-09-28 2018-02-06 南京工程学院 一种基于气象特征的风电场风速超短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈宁 等: "利用空间相关性的超短期风速预测", 《电力系统自动化》 *

Also Published As

Publication number Publication date
CN109409596B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
US20180240048A1 (en) Method and device for modeling a long-time-scale photovoltaic output time sequence
US11216609B2 (en) Generating integrated circuit placements using neural networks
Kamali et al. Automatic calibration of HEC‐HMS using single‐objective and multi‐objective PSO algorithms
CN105139093A (zh) 基于Boosting算法和支持向量机的洪水预报方法
CN111091196B (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN114493050B (zh) 多维度融合的新能源功率并联预测方法和装置
CN110046764A (zh) 预测客流量的方法及装置
CN104933428A (zh) 一种基于张量描述的人脸识别方法及装置
CN112598248A (zh) 负荷预测方法、装置、计算机设备和存储介质
CN115907436B (zh) 基于量质耦合预报的水资源水环境调控方法和系统
CN110246095A (zh) 一种图像修复方法、装置、存储介质及终端设备
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
Chen et al. Trust me, my neighbors say it's raining outside: ensuring data trustworthiness for crowdsourced weather stations
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN115146580A (zh) 基于特征选择和深度学习的集成电路路径延时预测方法
CN109978262A (zh) 用于光伏功率预测的相似日的选择方法及装置
Wang et al. Two-dimension monthly river flow simulation using hierarchical network-copula conditional models
CN109977131A (zh) 一种房型匹配系统
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN117114190A (zh) 一种基于混合深度学习的河道径流预测方法及设备
JPWO2016030938A1 (ja) シミュレーションシステム、及びシミュレーション方法
CN110310476B (zh) 道路拥堵程度的评估方法、装置、计算机设备及存储介质
CN109409596A (zh) 预测风速的处理方法、装置、设备和计算机可读存储介质
CN115310727B (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN116957136A (zh) 一种基于时序深度学习的路面性能预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant