CN110007371A - 风速预测方法及装置 - Google Patents
风速预测方法及装置 Download PDFInfo
- Publication number
- CN110007371A CN110007371A CN201910291643.9A CN201910291643A CN110007371A CN 110007371 A CN110007371 A CN 110007371A CN 201910291643 A CN201910291643 A CN 201910291643A CN 110007371 A CN110007371 A CN 110007371A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- moment
- forecasting
- lstm
- variable
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风速预测方法及装置,涉及风速预测技术领域。该风速预测方法及装置包括:获取预设时长内每个时刻的n个风速预测变量。将n个风速预测变量分别输入对应的n个LSTM,其中,n为大于1的整数。按照预设顺序,前n‑1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n‑1个LSTM输入的状态系数获取风速预测值,将每个时刻的风速预测值,按照时间顺序组成风速预测序列。可见获取的风速预测序列,是根据n个风速预测变量依次产生的状态系数来计算得到的,考虑了不同风速预测变量之间的影响,从而使得最终预测的风速更加准确,精度高的效果。
Description
技术领域
本发明涉及风速预测技术领域,具体而言,涉及一种风速预测方法及装置。
背景技术
新能源技术是如今全球的重点技术之一,其中,风能的利用由于可再生、资源量丰富、分布广泛,且转化技术成熟,可以大规模建设等优点,已经在我国大规模应用。但风能的利用受于自然界中风的风速影响巨大,但风速的变化往往具有随机性,且难以控制,因此,对风速的预测就显得尤为重要。
现有技术中,通过长短时记忆网络(Long Short-Term Memory,LSTM),使用多个变量作为LSTM网络群的输入,即作为前一时刻的风速值,LSTM网络群输出的为对应下一时刻的风速值,对风速时间序列进行预测。
但现有技术中,每个LSTM独立预测对应时刻的风速值,存在预测的风速不够准确,精度低的问题。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种一种风速预测方法及装置,以解决现有技术中存在预测的风速不够准确,精度低的问题。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种风速预测方法包括:获取预设时长内每个时刻的n个风速预测变量。将n个风速预测变量分别输入对应的n个LSTM,其中,n为大于1的整数。按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测值,将每个时刻的风速预测值,按照时间顺序组成风速预测序列。
可选地,获取预设时长内每个时刻的n个风速预测变量,包括:根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中预设时长与待预测风速的时长相同。
可选地,根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,包括:根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量。采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个风速预测变量。
可选地,将每个时刻的风速预测值,按照时间顺序组成风速预测序列之后,还包括:通过移动平均算法对风速预测序列进行修正,获取修正的风速预测序列。
可选地,该方法还包括:根据历史风速预测变量,确定训练样本,训练样本包括:风速预测变量样本、以及风速预测变量样本对应的时刻信息、每个时刻的风速值。根据训练样本,通过n个LSTM获取与训练样本对应的每个时刻的风速预测值。通过每个时刻的风速值和每个时刻的风速预测值,计算获取每个时刻的预测指标,其中,预测指标用于标识预测结果的准确度。根据每个时刻的预测指标,反向迭代更新n个LSTM,得到预测LSTM模型。
第二方面,本发明实施例还提供了一种风速预测装置,包括:第一获取模块,用于获取预设时长内每个时刻的n个风速预测变量。输入模块,用于将n个风速预测变量分别输入对应的n个络LSTM,其中,n为大于1的整数。第二获取模块,用于按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测预测值,将每个时刻的风速预测值,按照时间顺序组成风速预测序列。
可选地,第一获取模块,具体用于根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中预设时长与待预测风速的时长相同。
可选地,第一获取模块,具体用于根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量。采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个风速预测变量。
可选地,该装置还包括:修正模块,用于通过移动平均算法对风速预测序列进行修正,获取修正的风速预测序列。
可选地,该装置还包括:确定模块,用于根据历史风速预测变量,确定训练样本,训练样本包括:风速预测变量样本、以及风速预测变量样本对应的时刻信息、每个时刻的风速值。第三获取模块,用于根据训练样本,通过n个LSTM获取与训练样本对应的每个时刻的风速预测值。计算模块,用于通过每个时刻的风速值和每个时刻的风速预测值,计算获取每个时刻的预测指标,其中,预测指标用于标识预测结果的准确度。更新模块,用于根据每个时刻的预测指标,反向迭代更新n个LSTM,得到预测LSTM模型。
本发明的有益效果是:通过将n个风速预测变量分别输入对应的LSTM,然后按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测序列。可见获取的风速预测序列,是根据n个风速预测变量依次产生的状态系数来计算得到的,考虑了不同风速预测变量之间的影响,从而使得最终预测的风速更加准确,精度高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的风速预测方法流程示意图;
图2为本申请另一实施例提供的风速预测方法流程示意图;
图3为本申请另一实施例提供的风速预测方法流程示意图;
图4为本申请另一实施例提供的风速预测方法流程示意图;
图5为本申请一实施例提供的风速预测装置结构示意图;
图6为本申请另一实施例提供的风速预测装置结构示意图;
图7为本申请另一实施例提供的风速预测装置结构示意图;
图8本申请一实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
基于上述技术问题,本申请考虑了风速预测过程中的元素、以及时序等问题,提出一种新的风速预测方法。
图1为本申请一实施例提供的风速预测方法流程示意图。该风速预测方法的执行主体可以是台式电脑、服务器、云端服务器、移动终端等具有计算能力的终端设备或虚拟设备,在此不做限制。
如图1所示,该方法包括:
S101、获取预设时长内的每个时刻的n个风速预测变量。
一些实施方式中,每个风速预测变量都是风速预测的一个影响因子,风速预测变量可以包括温度(T)、当地气压(P1)、海平面气压(P2)、风向(C)、风切变(D)等,但不以此为限。
其中,预设时长表示想要预测的风速的期限,例如,想要预测未来3天内的风速,则预设时长为3天,此时,每个时刻的风速预测变量可以表示每天的n个风速预测变量对应的数值。
S102、将n个风速预测变量分别输入对应的n个LSTM。
其中,n为大于1的整数。
一种可能的实施方式中,如上例所示,存在5个风速预测变量,对应的,存在5个LSTM模块,每个LSTM模块对应1个风速预测变量,在此不做限制。
需要说明的是,本申请中使用LSTM模型进行预测,LSTM模型主要包括遗忘门、输入门、输出门,其中,遗忘门用于决定如何取舍输入信息,输入门用于决定将多少信息加入到LSTM模型中,而输出门用于决定将那个模块的状态值输出。每个LSTM模型的遗忘门与前一LSTM模块的输出门连接,即前一LSTM输出的状态输入下一LSTM模型的遗忘门。
S103、按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测值,将每个时刻的风速预测值,按照时间顺序组成风速预测序列。
一些实施方式中,状态系数可以用来表示当前时刻的状态信息,状态系数在多个LSTM中,受到每个LSTM中对应的风速预测变量的影响,经过多次的计算和传递后,可以用于表示风速预测值在当前时刻受到不同风速预测变量的影响程度,得到的每个时刻的风速预测值则更加准确。
需要说明的是,第一个LSTM的状态系数,可以通过随机初始化获得,如随机为1、或2,在此不做限制。
可选地,在当前时刻的LSTM得到当前时刻的风速预测值时,还可以将当前时刻的状态系数作为下一时刻的第一个LSTM的状态系数,将当前时刻的状态信息传递给下一时刻,提高预测精度。
需要说明的是,在当前LSTM中,状态系数的获取可以先通过遗忘门获取前一LSTM传递的状态系数,以及输入的风速预测变量,并通过预设公式确定保留的输入值,获得遗忘门的输出值ft;然后通过输入门获得获取前一LSTM传递的状态系数,以及输入的风速预测变量,并通过预设公式和ft确定要更新的状态系数的数值it并更新LSTM的状态系数;然后,通过输出门输出当前LSTM的状态系数给下一LSTM。
其中,得到每个时刻的风速预测值,可以按照时间顺序组成风速预测序列,例如,需要预测的风速的期限为5天,对应每个时刻,获得5个风速预测值,如:w1、w2、w3、w4、w5,分别对应第1-5天的风速预测值。则对应的风速预测序列为w1、w2、w3、w4、w5。
需要说明的是,预设顺序可以是预设好的风速预测变量的顺序,例如,可以按照温度(T)、当地气压(P1)、海平面气压(P2)、风向(C)、风切变(D)的顺序设置,但不以此为限。
本实施例中,通过将n个风速预测变量分别输入对应的LSTM,然后按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测序列。可见获取的风速预测序列,是根据n个风速预测变量依次产生的状态系数来计算得到的,考虑了不同风速预测变量之间的影响,从而使得最终预测的风速更加准确,精度高。
可选地,获取预设时长内每个时刻的n个风速预测变量,包括:根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中预设时长与待预测风速的时长相同。
一些实施方式中,若待预测风速的时长为M,则需要对应时长的历史风速预测变量作为输入,例如,若要预测2019年1月1日至2019年1月10日的风速,则可以获取2018年12月21日至2018年12月30日每天的n个风速预测变量,作为预测的输入,也就是说预测几天的风速,就在历史数据中也获取几天的风速预测变量。
图2为本申请另一实施例提供的风速预测方法流程示意图。
如图2所示,该方法包括:
S201、根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量。
一些实施方式中,可以对原始风速预测变量进行预处理,如,修正和去除不规则的数据。例如,对于缺失的数据,可以采用最近邻3个数据进行均值修补,即,若xi,i=1,2…N缺失,任意选择离其最近的三个数值作为更新标准,若其后三个位置的序列存在,则将其更新为:xi=(xi+1+xi+2+xi+3)/3。
S202、采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个风速预测变量。
一些实施方式中,归一化算法可以是最大-最小归一化,例如,对于风速预测变量温度(T)T∈(Tmin,Tmax)、当地气压(P1)海平面气压(P2) 风向(C)C∈(Cmin,Cmax)、风切变(D)D∈(Dmin,Dmax),和风速(w)w∈(wmin,wmax),其归一化公式为:
但不以此为限。
图3为本申请另一实施例提供的风速预测方法流程示意图。
如图3所示,在上述S103之后,该方法还包括:
S104、通过移动平均算法对风速预测序列进行修正,获取修正的风速预测序列。
一些实施方式中,在获得风速预测序列后,对得到的风速预测序列通过移动平均算法进行修正,即除了风速预测序列的第一项和最后一项,将其他项利用中心化移动平均法进行平滑修正。例如,根据上例所示,得到的风速预测序列为w1、w2、w3、w4、w5,即可通过公式:
w′1=w1
w′5=w5
进行计算,得到修正的风速预测序列w′1、w′2、w′3、w′4、w′5。
通过移动平均算法对风速预测序列修正后,可得到更平滑、更准确的预测序列。
图4为本申请另一实施例提供的风速预测方法流程示意图。
如图4所示,该方法还包括:
S301、根据历史风速预测变量,确定训练样本。
其中,训练样本包括:风速预测变量样本、以及风速预测变量样本对应的时刻信息、每个时刻的风速值。
一些实施方式中,可以将全部的历史风速预测变量分为训练样本和测试样本,例如,将全部的历史风速预测变量根据时间顺序进行标号,然后将标号的前80%作为训练样本,标号的后20%作为测试样本。训练样本用于训练LSTM模型,测试样本用于在训练完成后,对LSTM模型进行测试。
S302、根据训练样本,通过n个LSTM获取与训练样本对应的每个时刻的风速预测值。
一些实施方式中,可以根据步骤S103,通过训练样本,预测每个时刻的风速预测值,其预测方式与S103相同,在此不再赘述。
S303、通过每个时刻的风速值和每个时刻的风速预测值,计算获取每个时刻的预测指标。
其中,预测指标用于标识预测结果的准确度。
一种可能的实施方式中,根据得到每个时刻的风速预测值,以及每个时刻的风速值,可以通过均方误差(Mean-Square Error,MSE)、均方根误差(Root Mean SquaredError,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)等算法,计算获取预测指标,其计算公式如下所示:
其中,wi为每个时刻的风速值,为每个时刻的风速预测值,M为风速预测序列的长度,得到的MSE、RMSE、MAE、MAPE的数值越小,则表示预测的结果越好。
S304、根据每个时刻的预测指标,反向迭代更新n个LSTM,得到预测LSTM模型。
一些实施方式中,可以随机选择MSE、RMSE、MAE、MAPE指标中的一项进行计算,并使用该项的计算结果作为预测指标(E),例如,在选则预测指标之前,随机生成1-4的整数,如,h=1、2、3、4,若生成1,则计算风速预测值的MSE指标;若生成2,则计算风速预测值的RMSE指标;若生成3,则计算风速预测值的MAE指标;若生成4,则计算风速预测值的MAPE指标,在此不做限制。
其中,可以通过反向迭代训练每个LSTM,例如,LSTM包括输入层、隐含层、输出层;在获得LSTM输出的风速预测值以后,先计算输出层的总误差,通过总误差,计算每个输出层权重对整体误差的影响,得到整体误差与每个输出层权重的偏导值,并根据每个输出层权重的偏导值、预设学习速率获得更新后的每个输出层的权重,并作为新的每个输出层权重更新输出层;然后,计算每个隐含层权重,其计算方法与输出层权重类似,得到更新后的每个隐含层权重,并作为新的每个隐含层权重更新隐含层。
对隐含层、输出层的权重进行多次更新,以使得预测指标(E)达到预设阈值,当预测指标(E)达到预设阈值后,则使用当前的n个LSTM模型作为实际预测的n个LSTM模型。
图5为本申请一实施例提供的风速预测装置结构示意图。
如图5所示,该装置包括:
第一获取模块401,用于获取预设时长内每个时刻的n个风速预测变量。输入模块402,用于将n个风速预测变量分别输入对应的n个络LSTM,其中,n为大于1的整数。第二获取模块403,用于按照预设顺序,前n-1个LSTM依次将对应的风速预测变量输出的状态系数输入至下一LSTM,直至第n个LSTM根据输入的风速预测变量和第n-1个LSTM输入的状态系数获取风速预测预测值,将每个时刻的风速预测值,按照时间顺序组成风速预测序列。
可选地,第一获取模块401,具体用于根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中预设时长与待预测风速的时长相同。
可选地,第一获取模块401,具体用于根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量。采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个风速预测变量。
图6为本申请另一实施例提供的风速预测装置结构示意图。
可选地,如图6所示,还包括修正模块404,用于通过移动平均算法对风速预测序列进行修正,获取修正的风速预测序列。
图7为本申请另一实施例提供的风速预测装置结构示意图。
可选地,如图7所示,该装置还包括:确定模块501,用于根据历史风速预测变量,确定训练样本,训练样本包括:风速预测变量样本、以及风速预测变量样本对应的时刻信息、每个时刻的风速值。第三获取模块502,用于根据训练样本,通过n个LSTM获取与训练样本对应的每个时刻的风速预测值。计算模块503,用于通过每个时刻的风速值和每个时刻的风速预测值,计算获取每个时刻的预测指标,其中,预测指标用于标识预测结果的准确度。更新模块504,用于根据每个时刻的预测指标,反向迭代更新n个LSTM,得到预测LSTM模型。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是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(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图8为本申请另一实施例提供的风速预测装置结构示意图。
本申请提供了一种电子设备,如图8所示,包括:
处理器601、计算机可读存储介质602和总线603,计算机可读存储介质602存储有处理器601可执行的机器可读指令,当电子设备运行时,处理器601与计算机可读存储介质602之间通过总线603通信,处理器601执行机器可读指令,以执行上述数据管理方法的步骤。
存储器601用于存储程序,处理器602调用存储器601存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。可选地,本发明还提供一种计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种风速预测方法,其特征在于,包括:
获取预设时长内每个时刻的n个风速预测变量;
将n个所述风速预测变量分别输入对应的n个长短期记忆网络LSTM,其中,n为大于1的整数;
按照预设顺序,前n-1个所述LSTM依次将对应的所述风速预测变量输出的状态系数输入至下一LSTM,直至第n个所述LSTM根据输入的所述风速预测变量和第n-1个所述LSTM输入的状态系数获取风速预测值,将每个时刻的所述风速预测值,按照时间顺序组成风速预测序列。
2.根据权利要求1所述的方法,其特征在于,所述获取预设时长内的每个时刻的n个风速预测变量,包括:
根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中所述预设时长与所述待预测风速的时长相同。
3.根据权利要求2所述的方法,其特征在于,所述根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,包括:
所述根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量;
采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个所述风速预测变量。
4.根据权利要求1所述的方法,其特征在于,所述将每个时刻的所述风速预测值,按照时间顺序组成风速预测序列之后,还包括:
通过移动平均算法对所述风速预测序列进行修正,获取修正的风速预测序列。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据历史风速预测变量,确定训练样本,所述训练样本包括:风速预测变量样本、以及所述风速预测变量样本对应的时刻信息、每个时刻的风速值;
根据所述训练样本,通过所述n个LSTM获取与所述训练样本对应的每个时刻的风速预测值;
通过所述每个时刻的风速值和所述每个时刻的风速预测值,计算获取每个时刻的预测指标,其中,所述预测指标用于标识预测结果的准确度;
根据所述每个时刻的预测指标,反向迭代更新所述n个LSTM,得到预测LSTM模型。
6.一种风速预测装置,其特征在于,包括:
第一获取模块,用于获取预设时长内每个时刻的n个风速预测变量;
输入模块,用于将n个所述风速预测变量分别输入对应的n个LSTM,其中,n为大于1的整数;
第二获取模块,用于按照预设顺序,前n-1个所述LSTM依次将对应的所述风速预测变量输出的状态系数输入至下一LSTM,直至第n个所述LSTM根据输入的所述风速预测变量和第n-1个所述LSTM输入的状态系数获取风速预测值,将每个时刻的所述风速预测值,按照时间顺序组成风速预测序列。
7.根据权利要求6所述的装置,其特征在于,所述第一获取模块,具体用于根据待预测风速的时长,从历史风速预测变量中,获取预设时长内每个时刻的n个风速预测变量,其中所述预设时长与所述待预测风速的时长相同。
8.根据权利要求7所述的装置,其特征在于,所述第一获取模块,具体用于所述根据待预测风速的时长,从历史风速数据中,获取每个时刻的n个原始风速预测变量;采用归一化算法,分别对每个时刻的n个原始风速预测变量进行归一化运算,获取每个时刻的n个所述风速预测变量。
9.根据权利要求6所述的装置,其特征在于,还包括修正模块,用于通过移动平均算法对所述风速预测序列进行修正,获取修正的风速预测序列。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
确定模块,用于根据历史风速预测变量,确定训练样本,所述训练样本包括:风速预测变量样本、以及所述风速预测变量样本对应的时刻信息、每个时刻的风速值;
第三获取模块,用于根据所述训练样本,通过所述n个LSTM获取与所述训练样本对应的每个时刻的风速预测值;
计算模块,用于通过所述每个时刻的风速值和所述每个时刻的风速预测值,计算获取每个时刻的预测指标,其中,所述预测指标用于标识预测结果的准确度;
更新模块,用于根据所述每个时刻的预测指标,反向迭代更新所述n个LSTM,得到预测LSTM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291643.9A CN110007371A (zh) | 2019-04-11 | 2019-04-11 | 风速预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291643.9A CN110007371A (zh) | 2019-04-11 | 2019-04-11 | 风速预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110007371A true CN110007371A (zh) | 2019-07-12 |
Family
ID=67171241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291643.9A Pending CN110007371A (zh) | 2019-04-11 | 2019-04-11 | 风速预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007371A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN113971372A (zh) * | 2021-11-02 | 2022-01-25 | 浙江凌镜智能有限公司 | 基于神经网络的风速预测方法及装置 |
CN114942480A (zh) * | 2022-05-24 | 2022-08-26 | 国家海洋信息中心 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
-
2019
- 2019-04-11 CN CN201910291643.9A patent/CN110007371A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
Non-Patent Citations (1)
Title |
---|
魏昱洲等: ""基于LSTM长短期记忆网络的超短期风速预测"", 《电子测量与仪器学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN113971372A (zh) * | 2021-11-02 | 2022-01-25 | 浙江凌镜智能有限公司 | 基于神经网络的风速预测方法及装置 |
CN114942480A (zh) * | 2022-05-24 | 2022-08-26 | 国家海洋信息中心 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
CN114942480B (zh) * | 2022-05-24 | 2023-12-12 | 国家海洋信息中心 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN110007371A (zh) | 风速预测方法及装置 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN111030869A (zh) | 一种网络流量的预测方法及预测装置 | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
Khan et al. | Novel approach for a van der pol oscillator in the continuous time domain | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN111401940A (zh) | 特征预测方法、装置、电子设备及存储介质 | |
CN109034484A (zh) | 一种风速预测方法、装置及设备 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN113887845A (zh) | 极端事件预测方法、装置、设备、介质和计算机程序产品 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN115358485A (zh) | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 | |
CN110222910A (zh) | 一种有源配电网态势预测方法及预测系统 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN112668455A (zh) | 人脸年龄识别方法、装置、终端设备及存储介质 | |
Yang et al. | Host load prediction based on PSR and EA-GMDH for cloud computing system | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
CN115392594A (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
CN115146569A (zh) | 一种集成电路延时确定方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |