CN111461445A - 短期风速预测方法、装置、计算机设备及存储介质 - Google Patents
短期风速预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111461445A CN111461445A CN202010273319.7A CN202010273319A CN111461445A CN 111461445 A CN111461445 A CN 111461445A CN 202010273319 A CN202010273319 A CN 202010273319A CN 111461445 A CN111461445 A CN 111461445A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- basis
- neural network
- meta
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 230000000306 recurrent effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 84
- 230000007613 environmental effect Effects 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004574 scanning tunneling microscopy Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于元学习的短期风速预测方法、装置、计算机设备及计算机可读存储介质。属于风速预测技术领域，通过将时间序列的风速数据输入至基于循环神经网络构建的基预测器，以得到第一输出值，充分利用循环神经网络能够记忆的特点，而对时间序列的数据具有更好的预测效果的特性，同时，将环境特征数据输入至BP神经网络，以得到第二输出值，将第二输出值作为加权系数，对所述第一输出值进行加权求和，并将求和所得的值作为目标时刻的预测风速，通过将循环神经网络和BP神经网络结合形成组合预测模型，实现基于元学习的风速预测，能够提高对风速预测的准确性和可靠性，减小风速预测的风险，提高风能的利用效果。
Description
技术领域
本发明涉及风速预测技术领域，尤其涉及一种基于元学习的短期风速预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着社会的不断发展，传统的一次能源储备日益枯竭，而且一次能源会对环境造成一定的污染。因此，风能作为一种清洁的可再生能源，逐渐受到世界各国的重视。风力发电场需要建立在风力资源丰富的地方，并在此基础上需要对风速进行更为精确和可靠的预测，从而降低制定发电计划的难度，并提高风电的接纳能力。
基于深度学习的一些风速预测算法在一定程度上可以解决上述的问题。但是，由于不同的风速预测算法各自不同的特点和原理，以及风速随机性的特点，会出现一种风速预测算法在不同的情况下，会出现不同预测效果的情形，即对于不同的数据集，表现出时好时坏的特点。因此，传统技术中，尤其在智能电网风速预测领域，存在如何提高风速预测结果的准确性和可靠性，从而减小风速预测风险的问题。
发明内容
本发明实施例提供了一种基于元学习的短期风速预测方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中存在的风速预测结果的准确性和可靠性较低的问题。
第一方面，本发明实施例提供了一种基于元学习的短期风速预测方法，所述方法包括：获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
第二方面，本发明实施例还提供了一种基于元学习的短期风速预测装置，包括：获取单元，用于获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；第一输入单元，用于将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；第二输入单元，用于将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；预测单元，用于以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于元学习的短期风速预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行所述基于元学习的短期风速预测方法。
本发明实施例提供了一种基于元学习的短期风速预测方法、装置、计算机设备及计算机可读存储介质。本发明实施例实现基于元学习的短期风速预测时，通过将时间序列的风速数据分别输入至不同的基于循环神经网络构建的预设基预测器，以得到第一输出值，充分利用循环神经网络由于其能够记忆的特点，从而对时间序列的数据具有更好的预测效果的特性，综合利用多个循环神经网络(比如LSTM)构建的基预测器的预测结果，同时，将环境特征数据输入至预设BP神经网络，以得到第二输出值，将所述第二输出值作为第一输出值的加权系数，以纠正基预测器的偏差，对所述第一输出值进行加权求和，从而实现利用机器学习得到的系数进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。本发明通过将循环神经网络和BP神经网络结合形成组合预测模型，实现基于特征提取的元学习风速预测，由于循环神经网络(比如LSTM)本身具有很好的对于时间序列数据预测表现，并且纠正基预测器偏差的系数由风速所在的环境特征根据机器学习而得，相对于传统技术中，通过人为设定基预测器的系数而导致的具有不确定性，本发明对风速的预测更加符合自然规律，对风速进行预测的预测结果更加具有说服力，能够提高对风速预测的准确性和可靠性，以实现更为精确和可靠的风速预测，减小风速预测的风险，从而提高风能的利用效果，尤其能够提高风电对于电力系统的调度运行能力。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的基于元学习的短期风速预测方法的一个流程示意图；
图2为本发明实施例提供的基于元学习的短期风速预测方法中的一个具体实施例的整体流程架构图；
图3为本发明实施例提供的基于元学习的短期风速预测方法中BP神经网络生成系数示意图；
图4为本发明实施例提供的基于元学习的短期风速预测方法中一个实施例的预测效果对比可视化示意图；
图5为本发明实施例提供的基于元学习的短期风速预测方法中将序列问题转化为监督学习问题的一个实施例示意图；
图6为本发明实施例提供的基于元学习的短期风速预测装置的示意性框图；以及
图7为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1，图1为本发明实施例提供的基于元学习的短期风速预测方法的一个示意性流程图。如图1所示，该方法包括以下步骤S101-S104：
S101、获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数。
具体地，在本发明中为了对目标时刻的风速进行预测，通过利用目标时刻之前的各个时刻所对应的风速数据，并结合目标时刻的上一个时刻的环境特征，实现对目标时刻的风速进行预测，比如，要预测第5个时刻的风速，需要利用第1、2、3和4时刻的已知风速，及第4个时刻的环境特征。因此，需要获取预测目标时刻所对应风速的原始数据，所述原始数据包括风速数据集合，所述风速数据集合由紧邻所述目标时刻之前的m个时刻各自所对应的风速(英文为Speed)所组成的时间序列的数据集合，其中，m为正整数，所述风速数据集合为一维时间序列的数据集合，及紧邻所述目标时刻的上衣时刻的n个环境特征数据，其中，n均为正整数，所述环境特征数据包括辐射(英文为Radiation)、气温(英文为Temperature)、湿度(英文为Humidity)、风向(英文为Wind Direction，Degrees)等环境特征所对应的数据。
进一步地，所述时间序列形式的风速数据集合由所述目标时刻之前以预设时间间隔形成的m个时刻各自所对应的已知风速组成。比如，各个时刻间隔5分钟等，比如，要预测16:00时刻的风速，可以通过15:30、15:35、15:40、15:45、15:50及15:55各个时刻的已知风速作为风速数据集合，并结合15:55该时刻的环境特征对16:00时刻的风速，通过预设时间间隔形成均匀的时刻序列，能够更好的体现风速的规律性，从而对风速做出更加准确的预测，提高风速预测的可靠性。
S102、将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的。
具体地，由于风速数据集合为时间序列的数据集，而循环神经网络(英文为Recurrent Neural Network，简称RNN)，由于其能够记忆的特点，对时间序列的数据具有更好的预测效果，因此在本发明中，以循环神经网络构建基预测器，能够实现对风速更好的预测效果，循环神经网络包括完全递归网络(Fully recurrent network)，及长短期记忆循环神经网络(英文为Long Short-Term Memory，简称为LSTM)等多种变体循环神经网络。
首先，搭建多个不同的循环神经网络作为多个基预测器，所述基预测器的数量取决于所采取的环境特征的数量。比如，以LSTM作为循环神经网络，搭建多个不同的LSTM循环神经网络，搭建LSTM循环神经网络的数量取决于采取风速的环境特征数据的数量，比如，若风速的环境特征数据的数量为5个，搭建5个LSTM循环神经网络，若风速的环境特征数据的数量为8个，搭建8个LSTM循环神经网络等，以便后续基预测器的输出值的数量与根据风速的环境特征数据得到的系数相匹配。其中，不同的LSTM循环神经网络，包括循环神经网络中的神经元等不同而构建的不同的基预测器，神经元不同，可以是神经元的数量不同，也可以是神经元的结构不同，比如一个典型的神经元模型包含有3个输入，1个输出，以及2个计算功能，神经元的结构不同，比如可以为3个计算功能等。搭建多个不同的LSTM循环神经网络后，一个LSTM循环神经网络对应一个基预测器，并采用风速训练样本数据训练LSTM循环神经网络，即将作为训练样本的风速数据分别输入多个不同的LSTM循环神经网络中，从而得到多个经训练的基预测器。
将风速数据集合分别输入多个不同的经预训练的基预测器中，每个基预测器可以得到一个输出值，对应地，就可以得到多个基预测器所对应的多个输出值，即将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值。比如，请参阅图2，图2为本发明实施例提供的基于元学习的短期风速预测方法中的一个具体实施例的整体流程架构图，其中，X用于描述原始数据；Xe用于描述环境特征数据；Xw用于描述风速数据；Y用于描述最终预测值，将风速数据Xw分别输入至LSTM 1、LSTM 2…LSTM n中，就对应地可以得到基预测器的输出值y1、y2…yn。
S103、将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值。
其中，BP神经网络，英文为Error BackPropagation，也称为误差反向传播算法，学习过程由信号的正向传播与误差的反向传播两个过程组成，通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，其过程是一个权值调整的过程)。BP神经网络包括标准的BP算法及对BP算法的改进，对BP算法的改进包括增加动量项、可变学习速度的反向传播算法(variable learning ratebackpropagation，VLBP)及学习速率的自适应调节等改进。
具体地，预先构建BP神经网络，将所述环境特征数据输入至预设BP神经网络，由于BP神经网络是多输入多输出的网络，将n个所述环境特征数据输入至预设BP神经网络，且n个环境特征数据之间不相混合，比如，风速的环境特征中所包含的辐射、气温、湿度及风向等各为风速的独立环境特征，可以得到n个第二输出值，后续将所述n个第二输出值作为风速预测中的系数，比如，请参阅图3，图3为本发明实施例提供的基于元学习的短期风速预测方法中BP神经网络生成系数示意图，将n个环境特征经BP神经网络的输入层输入至BP神经网络的多个隐藏层后，经BP神经网络的输出层输出系数1、系数2…及系数n。请继续参阅图2，如图2所示，也即若风速的环境特征数据包含n个，将n个风速的环境特征数据输入到多输入多输出的BP神经网络中，可以得到c1、c2…cn共n个环境特征向量的输出值，后续将c1、c2…cn分别作为基预测器输出值的系数。
S104、以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
具体地，在得到第一输出值和第二输出值后，由于基预测器的数量与环境特征的数量一致，第一输出值的数量与第二输出值的数量是一致的，以所述第二输出值作为第一输出值的加权系数，对所述第一输出值进行加权后，再求和，并将求和所得的值作为所述目标时刻的预测风速。
进一步地，所述以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速的步骤包括：
将n个所述第二输出值以不重复方式分别作为n个所述第一输出值的系数，将所述第一输出值及所对应的系数进行乘积再求和，并将求和得到的值作为所述目标时刻的预测风速。
具体地，请继续参阅图2，由于搭建LSTM循环神经网络的数量取决于风速的环境特征数据的数量，因此，得到的基预测器的输出值y1、y2…yn的数量与得到的c1、c2…cn共n个环境特征向量的输出值在数量上是一致的，将c1、c2…cn分别与y1、y2…yn中的一个数值进行不重复匹配，从而将c1、c2…cn分别作为y1、y2…yn中的一个数值的系数，即c1、c2…cn中只能有一个数值与y1、y2…yn中的一个数值进行匹配，c1、c2…cn中的同一个数值不能作为y1、y2…yn中两个或两个以上的数值的系数，将互相匹配的两个数值进行乘积，再将两两相乘的乘积进行求和，作为最终的风速预测。例如在图2中，y1c1+y2c2+…yncn取得的和Σ作为风速值的预测Y，在图2中，除采取y1c1+y2c2+…yncn外，也可以采取y1c2+y2c1+…yncn等其它形式。请参阅图4，图4为本发明实施例提供的基于元学习的短期风速预测方法中一个实施例的预测效果对比可视化示意图，如图4所示，图4中纵轴用于描述风速，单位为米/秒，同时，为了显示方便，图4中采取了横轴用于描述时刻数量，且为具有相同时间间隔的连续时刻的时刻数量，比如每两个时刻之间相隔3分钟、5分钟或者8分钟等时间间隔，用于描述每个时刻各自所对应的风速的真实值和预测值，将各个时刻所对应的风速的真实值和预测值分别连起来，形成真实值示意图和预测值示意图，其中，实线用于描述各个时刻的真实风速值，虚线用于描述采用本发明技术方案对实线所对应各个时刻的风速进行预测得到的预测值，将各个时刻风速的真实值和测试值各自所对应的曲线图进行可视化对比，可知，采用本发明技术方案对风速进行预测的预测值和真实值极为相似，从而表明本发明技术方案能够提高对风速进行预测的精确性和可靠性。
本发明实施例实现基于元学习的短期风速预测时，通过将时间序列的风速数据分别输入至不同的基于循环神经网络构建的预设基预测器，以得到第一输出值，充分利用循环神经网络由于其能够记忆的特点，从而对时间序列的数据具有更好的预测效果的特性，综合利用多个循环神经网络(比如LSTM)构建的基预测器的预测结果，同时，将环境特征数据输入至预设BP神经网络，以得到第二输出值，将所述第二输出值作为第一输出值的加权系数，以纠正基预测器的偏差，对所述第一输出值进行加权求和，从而实现利用机器学习得到的系数进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。本发明通过将循环神经网络和BP神经网络结合形成组合预测模型，实现基于特征提取的元学习风速预测，由于循环神经网络(比如LSTM)本身具有很好的对于时间序列数据预测表现，并且纠正基预测器偏差的系数由风速所在的环境特征根据机器学习而得，相对于传统技术中，通过人为设定基预测器的系数而导致的具有不确定性，本发明对风速的预测更加符合自然规律，对风速进行预测的预测结果更加具有说服力，能够提高对风速预测的准确性和可靠性，以实现更为精确和可靠的风速预测，减小风速预测的风险，从而提高风能的利用效果，尤其能够提高风电对于电力系统的调度运行能力。
在一个实施例中，所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤包括：
根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述风速数据集合由一维转换为z+1维的矩阵，其中，所述矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
将所述矩阵分别输入至n个不同的预设基预测器。
具体地，为了实现基于元学习的风速预测，充分利用循环神经网络能够记忆的特点，充分发挥循环神经网络对时间序列数据的预测具有更好表现预测效果的特征，在将一维的时间序列风速数据集合输入至基预测器前，将原始数据中的风速数据由序列问题转化为监督学习问题，具体为按照预设使用前z个时刻的历史数据来预测下一个z+1时刻的风速数据的方式，将原始的一维风速数据转换为相应的z+1维的矩阵形式，即可以通过前z个时刻的风速数据来预测z+1刻的风速数据，由前z+1个时刻的数据预测第z+2个时刻的风速数据等。即根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述风速数据集合由一维转换为z+1维的矩阵，其中，前z列为特征值，第z+1列为目标值，z为正整数，将所述矩阵分别输入至n个不同的预设基预测器以得到多个第一输出值。请参阅图5，图5为本发明实施例提供的基于元学习的短期风速预测方法中将序列问题转化为监督学习问题的一个实施例示意图，将1至n的一维时间序列的风速数据转换为监督学习问题的矩阵形式，然后将所述矩阵分别输入至n个不同的预设基预测器，比如，若要预测第8个时刻的风速，循环神经网络由第1至5个时刻的风速数据学习第6个时刻的风速，由2至6个时刻的风速数据学习第7个时刻的风速，依次类推，若要预测第8个时刻的风速时，通过对1-6时刻的风速的学习，然后通过对3至7个时刻的风速数据进行学习，即可对第8个时刻的风速数据进行预测。
在一个实施例中，所述将所述环境特征数据输入至预设BP神经网络的步骤之前，还包括：
将所述环境特征数据进行归一化处理。
其中，归一化，英文为Normalization，指将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量，从而达到去除量纲的目的，避免环境特征数据中有的数据过大，有的数据太小，过大的数据权重过大，过小的数据权重太小从而减小对结果的影响，甚至被忽略，从而使预测的误差较大。归一化的方法包括对数对一或者指数归一等，在本发明中都可以采用。
具体地，请继续参阅图3，通过搭建一个多输入多输出的BP多层神经网络，将所要预测的目标时刻的上一时刻风速的环境特征数据输入该BP多层神经网络中，在将环境特征数据输入该BP神经网络前，需要对环境特征数据进行归一化处理，然后在BP神经网络的输出层采用Softmax激活函数，输出多个0到1之间的数据作为基预测器的系数。
进一步地，在一个实施例中，可以采用如下公式(1)对环境特征数据进行归一化处理：
其中，x表示环境特征数据归一化前的值，min表示环境特征数据中的最小值，max表示环境特征数据中的最大值，x＇表示环境特征数据归一化后的值。
本发明实施例提供的一种基于元学习的短期风速预测方法，尤其基于LSTM构建基预测器时，可以利用多个不同LSTM基预测器来预测多个相同时刻的风速，通过多个环境特征数据输入多输入多输出的BP神经网络中来产生多个系数，将LSTM基预测器与相对应的系数进行相乘再求和，来得到最终的预测结果。由于环境特征数据之间存在较大的量纲差距，所以将环境特征数据输入BP神经网络之前，需对其进行归一化处理，来加快模型的训练速度并提高对于风速进行预测的准确性，同时，LSTM本身具有很好的记忆的特点，使其对于时间序列预测来说有很好的表现，再通过基于特征提取的循环神经网络和多输入多输出组成的组合预测模型，进一步降低了偶然性的概率，使得对于风速的预测结果更具有说服力和可靠性。
在一个实施例中，所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤之前，还包括：
使用第一训练样本集训练n个不同的预设基预测器，以得到训练后的基预测器，所述第一训练样本集包括时间序列的训练风速数据集合；
进一步地，所述使用第一训练样本集训练n个不同的预设基预测器的步骤包括：
获取第一训练样本集，所述第一训练样本集包括时间序列的训练风速数据集合；
根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述训练风速数据集合由一维转换为z+1维的第一矩阵，其中，所述第一矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
将所述第一矩阵分别输入至n个不同的预设基预测器，以对每个所述基预测器进行训练，得到训练后的基预测器。
进一步地，所述将所述第一矩阵分别输入至n个不同的预设基预测器，以对每个所述基预测器进行训练，得到训练后的基预测器的步骤之后，还包括：
获取第一测试样本集，所述第一测试样本集包括各个时刻各自所对应的已知风速的真实值；
将前z个时刻各自所对应的风速输入至所述训练后的基预测器，以预测得到z+1时刻所对应风速的第一预测值；
使用预设评价方式评价所述真实值与所述第一预测值之间的误差；
判断z+1时刻所对应的真实值与所述第一预测值之间是否满足第一预设误差条件；
若所述真实值与所述第一预测值之间满足所述第一预设误差条件，判定所述训练后的基预测器满足测试要求。
具体地，首先，搭建多个不同的LSTM循环神经网络(神经元等不同)，对每一个基预测器都选择不同的神经元数目，保证n个基预测器之间的不同。
其次，获取第一训练样本集所对应的原始数据，所述第一训练样本集除各个时刻的真实风速值外，还可以包括如温度、湿度等各个时刻的环境特征数据，且样本的时间间隔相等，比如间隔5分钟、8分钟或者10分钟等。若原始数据中包括环境特征数据，需要读取原始数据里的风速数据样本，将风速数据样本从序列问题转换为监督学习问题，按照前几个数据(比如说5)来预测下一个数据将列变为矩阵(即序列问题转换为监督学习问题)，使用风速数据训练所述基预测器。将所述风速数据样本划分训练集和测试集，比如风速数据样本的前90％为训练集，用于训练基预测器，风速数据的后10％为测试集，用于验证训练集对基预测器的训练结果。将转换后的风速数据训练集输入LSTM神经网络，比如，训练集的前五列作为特征，最后一列为真实值(也即预测的目标值)，其实输入的是前5列，第六列作为目标值用来计算loss，使基预测器使用目标值进行反向传播以更新基预测器的参数，进行机器学习，从而实现训练基预测器模型(即机器学习的过程)，对所有基预测器进行训练，使用训练样本集训练完毕后，再使用测试集验证基预测器的泛化能力，测试集用来看泛化能力，即验证训练集对基预测器的训练结果如)，并根据验证结果不断进行训练基预测器，实现基预测器的不断进行调参，最后保存基预测器最优的训练参数模型，最终得到多个训练好的基预测器，即基预测器对风速的预测结果均不错，对基预测器的预测结果进行评价可以采用预设评价指标进行评价，采用预设评价指标计算针对预设时刻的预测值及该预设时刻所对应的目标值(即该预设时刻的风速真实值)之间的误差，通过计算误差的大小从而对训练结果进行评价，评价指标包括MAPE，MAE，MSE，RMSE及R2，分别表示平均绝对百分误差、平均绝对误差、平均平方差、方均根差及R平方。
进一步地，所述判定所述训练后的基预测器满足测试要求的步骤之后，还包括：
使用第二训练样本集训练由所述训练后的基预测器和预设BP神经网络组成的组合模型，所述第二训练样本集包含所述第一训练样本集和所述第一训练样本集所对应的环境特征数据集；
所述使用第二训练样本集训练由所述训练后的基预测器和预设BP神经网络组成的组合模型的步骤包括：
根据由前z个时刻各自所对应的风速和第z个时刻的环境特征数据来预测z+1时刻所对应风速的方式，将所述第二训练样本集由一维转换为z+1维的第二矩阵，其中，所述二矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
将所述第二矩阵和所述环境特征数据输入至所述组合模型，以对所述组合模型进行训练。
进一步地，所述将所述第二矩阵和所述环境特征数据输入至所述组合模型，以对所述组合模型进行训练的步骤之后，还包括：
获取第二测试样本集，所述第二测试样本集包括各个时刻各自所对应的已知风速的真实值；
将前z个时刻各自所对应的风速和第z个时刻的环境特征数据输入至所述组合模型，以预测得到z+1时刻所对应风速的第二预测值；
使用所述预设评价方式评价所述真实值与所述第二预测值之间的误差；
判断z+1时刻所对应的所述真实值与所述第二预测值之间是否满足第二预设误差条件；
若所述真实值与所述第二预测值之间满足所述第二预设误差条件，判定所述组合模型满足测试要求。
具体地，搭建一个基于循环神经网络和多输入多输出神经网络的两输入单输出的预设组合模型，多输入多输出神经网络的输入数据为环境特征数据，循环神经网络的输入数据为多个训练好的预设基预测器的输出数据。将环境特征数据输出得到的多个系数再与基预测器的输出数据对应相乘，之后经过最后一层输出层进行相加，得到目标时刻最终的风速预测结果，即在该训练阶段，风速数据输入训练好的基预测器，环境特征数据输入BP神经网络，最后按照加权求和的方式获得风速的预测结果，然后训练好的基预测器基于风速预测结果和所对应的真实值进行学习，基预测器进一步调整参数，实现进一步训练基预测器，由于此阶段的风速预测结果的预测是将风速和环境特征参数进行了结合而进行的预测，更加接近真实的风速所对应的实际环境，因此，此训练阶段的风速预测更接近风速的真实值，在此基础上基预测器进行学习调整的基预测器的参数，也能使预测的风速与真实值误差更小，在提高基预测器预测准确性的基础上，从而提高整个组合模型预测的准确性。
即针对该两输入单输出的预设组合模型神经网络，训练阶段还是将序列问题转监督学习问题转换后的风速数据中的训练集(比如前五列)输入n个基预测器(比如LSTM)得到n个预测结果，比如，若使用前5个时刻的风速预测下一时刻的风速，那么转换后的矩阵的目标值(第6列)是从第6个时刻的风速开始往后的，环境特征数据要从第5个时刻的风速所对应的环境特征数据作为环境特征参数开始，也即预测目标时刻的上一个时刻的环境特征数据，其中环境特征数据训练集及测试集与风速的训练集及测试集各自相对应，才能描述真实的风速环境。训练组合模型时，会将风速数据输入至基预测器，同时将环境特征数据训练集(与风速训练集相对应)输入多输入多输出BP神经网络，该BP神经网络的输出层激活函数可以采用Softmax，得到多个系数，然后将系数与基预测器的输出值进行加权求和，比如，请继续参阅图2，如图2中所示，采取c1y1+c2y2+c3y3+...+cnyn进行加权求和，即进行对应相乘再相加，最终得到个预测值，即为对该时刻输入的环境特征数据的下一时刻的风速进行的预测结果，然后根据所对应时刻的风速的真实值，基预测器进行对应学习，从而调整基预测器内部的参数，实现将风速数据和环境特征数据结合再进一步训练基预测器，从而进一步提高基预测器根据风速数据和所对应的环境特征数据进行风速预测的准确性和精确性，从而提高组合模型进行风速预测的可靠性。需要说明的是，针对该组合模型神经网络进行训练的阶段，相当于有两个输入，分别是风速训练集，及与风速训练集相对应的环境特征数据训练集(由于风速无法脱离环境特征，因此风速是和该风速所对应的环境特征对应的，相应的，风速训练集也和环境特征数据训练集是对应的)，用来训练该预设组合模型神经网络。对该预设组合模型神经网络训练完毕后，再用测试集(也包括风速测试集，及和风速测试集相对应的环境特征数据测试集)，验证对该预设组合模型神经网络进行训练的训练结果，并对该预设组合模型神经网络进行调参，将该预设组合模型神经网络进行预测的误差变得小一点，直至满足预设评价指标。
最后再采用风速和环境特征数据中的测试集按照搭建的预设组合模型神经网络输入，用于计算各个评价指标以及用来做可视化，可视化主要是画图，画出相同时刻的真实值和预测值，如图4所示。本发明实施例中，无论基预测器还是对于预设组合模型，可以采用可视化及五种评价指标对模型进行评价。其中，评价指标分别为：MAPE，MAE，MSE，RMSE及R2，分别表示平均绝对百分误差、平均绝对误差、平均平方差、方均根差及R平方。在一个实施例中，对预设组合模型的预测结果进行评价所对应的可视化结果，见下表格1所示。
表格1
| MAPE | MAE | MSE | RMSE | R2 |
| 8.856757％ | 0.561843 | 0.549116 | 0.741024 | 0.731468 |
其中，针对MAPE，MAE，MSE，RMSE，值越小，表明预测越准确，对于R2，值越大，表明预测越准确。
需要说明的是，上述各个实施例所述的基于元学习的短期风速预测方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本发明要求的保护范围之内。
请参阅图6，图6为本发明实施例提供的基于元学习的短期风速预测装置的示意性框图。对应于上述基于元学习的短期风速预测方法，本发明实施例还提供一种基于元学习的短期风速预测装置。如图6所示，该基于元学习的短期风速预测装置包括用于执行上述基于元学习的短期风速预测方法的单元，该装置可以被配置于终端等计算机设备中。具体地，请参阅图6，该基于元学习的短期风速预测装置600包括获取单元601、第一输入单元602、第二输入单元603及预测单元604。
其中，获取单元601，用于获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；
第一输入单元602，用于将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；
第二输入单元603，用于将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；
预测单元604，用于以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
在一个实施例中，所述第一输入单元包括：
转换子单元，用于根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述训练风速数据集合由一维转换为z+1维的矩阵，其中，所述矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
输入子单元，用于将所述矩阵分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的。
在一个实施例中，所述基于元学习的短期风速预测装置600还包括：
归一化单元，用于将所述环境特征数据进行归一化处理。
在一个实施例中，所述预测单元604，用于将n个所述第二输出值以不重复方式分别作为n个所述第一输出值的系数，将所述第一输出值及所对应的系数进行乘积再求和，并将求和得到的值作为所述目标时刻的预测风速。
在一个实施例中，所述基于元学习的短期风速预测装置600还包括：
第一训练单元，用于使用第一训练样本集训练n个不同的预设基预测器，以得到训练后的基预测器，所述第一训练样本集包括时间序列的训练风速数据集合；
第二训练单元，用于使用第二训练样本集训练由所述训练后的基预测器和预设BP神经网络组成的组合模型，所述第二训练样本集包含所述第一训练样本集和所述第一训练样本集所对应的环境特征数据集。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于元学习的短期风速预测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
同时，上述基于元学习的短期风速预测装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将基于元学习的短期风速预测装置按照需要划分为不同的单元，也可将基于元学习的短期风速预测装置中各单元采取不同的连接顺序和方式，以完成上述基于元学习的短期风速预测装置的全部或部分功能。
上述基于元学习的短期风速预测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本发明实施例提供的一种计算机设备的示意性框图。该计算机设备700可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。
参阅图7，该计算机设备700包括通过系统总线701连接的处理器702、存储器和网络接口705，其中，存储器可以包括非易失性存储介质703和内存储器704。
该非易失性存储介质703可存储操作系统7031和计算机程序7032。该计算机程序7032被执行时，可使得处理器702执行一种上述基于元学习的短期风速预测方法。
该处理器702用于提供计算和控制能力，以支撑整个计算机设备700的运行。
该内存储器704为非易失性存储介质703中的计算机程序7032的运行提供环境，该计算机程序7032被处理器702执行时，可使得处理器702执行一种上述基于元学习的短期风速预测方法。
该网络接口705用于与其它设备进行网络通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备700的限定，具体的计算机设备700可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图7所示实施例一致，在此不再赘述。
其中，所述处理器702用于运行存储在存储器中的计算机程序7032，以实现如下步骤：获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
在一实施例中，所述处理器702在实现所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤时，具体实现以下步骤：
根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述训练风速数据集合由一维转换为z+1维的矩阵，其中，所述矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
将所述矩阵分别输入至n个不同的预设基预测器。
在一实施例中，所述处理器702在实现所述将所述环境特征数据输入至预设BP神经网络的步骤之前，还实现以下步骤：
将所述环境特征数据进行归一化处理。
在一实施例中，所述处理器702在实现所述以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速的步骤时，具体实现以下步骤：
将n个所述第二输出值以不重复方式分别作为n个所述第一输出值的系数，将所述第一输出值及所对应的系数进行乘积再求和，并将求和得到的值作为所述目标时刻的预测风速。
在一实施例中，所述处理器702在实现所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤之前，还实现以下步骤：
使用第一训练样本集训练n个不同的预设基预测器，以得到训练后的基预测器，所述第一训练样本集包括时间序列的训练风速数据集合；
使用第二训练样本集训练由所述训练后的基预测器和预设BP神经网络组成的组合模型，所述第二训练样本集包含所述第一训练样本集和所述第一训练样本集所对应的环境特征数据集。
应当理解，在本发明实施例中，处理器702可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器702还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时使处理器执行如下步骤：
一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的基于元学习的短期风速预测方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于元学习的短期风速预测方法，其特征在于，所述方法包括：
获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；
将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；
将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；
以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
2.根据权利要求1所述基于元学习的短期风速预测方法，其特征在于，所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤包括：
根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述训练风速数据集合由一维转换为z+1维的矩阵，其中，所述矩阵的前z列为特征值，第z+1列为目标值，z为正整数；
将所述矩阵分别输入至n个不同的预设基预测器。
3.根据权利要求1或者2所述基于元学习的短期风速预测方法，其特征在于，所述将所述环境特征数据输入至预设BP神经网络的步骤之前，还包括：
将所述环境特征数据进行归一化处理。
4.根据权利要求1所述基于元学习的短期风速预测方法，其特征在于，所述以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速的步骤包括：
将n个所述第二输出值以不重复方式分别作为n个所述第一输出值的系数，将所述第一输出值及所对应的系数进行乘积再求和，并将求和得到的值作为所述目标时刻的预测风速。
5.根据权利要求1所述基于元学习的短期风速预测方法，其特征在于，所述将所述风速数据集合分别输入至n个不同的预设基预测器的步骤之前，还包括：
使用第一训练样本集训练n个不同的预设基预测器，以得到训练后的基预测器，所述第一训练样本集包括时间序列的训练风速数据集合；
使用第二训练样本集训练由所述训练后的基预测器和预设BP神经网络组成的组合模型，所述第二训练样本集包含所述第一训练样本集和所述第一训练样本集所对应的环境特征数据集。
6.一种基于元学习的短期风速预测装置，其特征在于，包括：
获取单元，用于获取用于预测目标时刻所对应风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的m个时刻各自所对应的已知风速所组成的时间序列的风速数据集合，以及所述目标时刻的上一时刻所属的n个环境特征数据，其中，m和n均为正整数；
第一输入单元，用于将所述风速数据集合分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的；
第二输入单元，用于将所述环境特征数据输入至预设BP神经网络，以得到n个第二输出值；
预测单元，用于以所述第二输出值作为加权系数，按照预设加权方式对所述第一输出值进行加权求和，并将求和所得的值作为所述目标时刻的预测风速。
7.根据权利要求6所述基于元学习的短期风速预测装置，其特征在于，所述第一输入单元包括：
转换子单元，用于根据由前z个时刻各自所对应的风速来预测z+1时刻所对应风速的方式，将所述训练风速数据集合由一维转换为z+1维的矩阵，其中，前z列为特征值，第z+1列为目标值，z为正整数；
输入子单元，用于将所述矩阵分别输入至n个不同的预设基预测器，以得到n个第一输出值，其中，所述基预测器是基于循环神经网络而构建的。
8.根据权利要求6所述基于元学习的短期风速预测装置，其特征在于，所述装置还包括：
归一化单元，用于将所述环境特征数据进行归一化处理。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器以及与所述存储器相连的处理器；所述存储器用于存储计算机程序；所述处理器用于运行所述存储器中存储的计算机程序，以执行如权利要求1-5任一项所述基于元学习的短期风速预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-5中任一项所述基于元学习的短期风速预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010273319.7A CN111461445B (zh) | 2020-04-09 | 2020-04-09 | 短期风速预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010273319.7A CN111461445B (zh) | 2020-04-09 | 2020-04-09 | 短期风速预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461445A true CN111461445A (zh) | 2020-07-28 |
| CN111461445B CN111461445B (zh) | 2022-03-15 |
Family
ID=71685188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010273319.7A Active CN111461445B (zh) | 2020-04-09 | 2020-04-09 | 短期风速预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461445B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183906A (zh) * | 2020-12-02 | 2021-01-05 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及系统 |
| CN112561180A (zh) * | 2020-12-21 | 2021-03-26 | 深圳大学 | 短期风速预测方法、装置、计算机设备及存储介质 |
| CN112949201A (zh) * | 2021-03-17 | 2021-06-11 | 华翔翔能科技股份有限公司 | 一种风速预测方法、装置、电子设备及存储介质 |
| CN114077913A (zh) * | 2020-08-14 | 2022-02-22 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
| CN115146843A (zh) * | 2022-06-27 | 2022-10-04 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070168155A1 (en) * | 2006-01-13 | 2007-07-19 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
| CN109146162A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 一种基于集成循环神经网络的概率风速预测方法 |
| CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
| CN110414045A (zh) * | 2019-06-18 | 2019-11-05 | 东华大学 | 基于vmd-gru的短期风速预测方法 |
| CN110598911A (zh) * | 2019-08-21 | 2019-12-20 | 同济大学 | 一种风电场风电机组风速预测方法 |
-
2020
- 2020-04-09 CN CN202010273319.7A patent/CN111461445B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070168155A1 (en) * | 2006-01-13 | 2007-07-19 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
| CN109146162A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 一种基于集成循环神经网络的概率风速预测方法 |
| CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
| CN110414045A (zh) * | 2019-06-18 | 2019-11-05 | 东华大学 | 基于vmd-gru的短期风速预测方法 |
| CN110598911A (zh) * | 2019-08-21 | 2019-12-20 | 同济大学 | 一种风电场风电机组风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| H.Z.WANG: "Deep belief network based deterministic and probabilistic wind speed forecasting approach", 《APPLIED ENERGY》 * |
| TONGJI GUO 等: "A Combined Strategy for Wind Speed Forecasting", 《IEEE ACCESS》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077913A (zh) * | 2020-08-14 | 2022-02-22 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
| CN112183906A (zh) * | 2020-12-02 | 2021-01-05 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及系统 |
| CN112561180A (zh) * | 2020-12-21 | 2021-03-26 | 深圳大学 | 短期风速预测方法、装置、计算机设备及存储介质 |
| CN112561180B (zh) * | 2020-12-21 | 2022-05-17 | 深圳大学 | 基于元学习的短期风速预测方法、装置、计算机设备及存储介质 |
| CN112949201A (zh) * | 2021-03-17 | 2021-06-11 | 华翔翔能科技股份有限公司 | 一种风速预测方法、装置、电子设备及存储介质 |
| CN115146843A (zh) * | 2022-06-27 | 2022-10-04 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
| CN115146843B (zh) * | 2022-06-27 | 2023-08-15 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461445B (zh) | 2022-03-15 |
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 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| US20220036231A1 (en) | Method and device for processing quantum data | |
| CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
| EP3649582A1 (en) | System and method for automatic building of learning machines using learning machines | |
| CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
| CN116316591A (zh) | 基于混合双向门控循环的短期光伏功率预测方法及系统 | |
| CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| 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 | |
| CN114580649A (zh) | 消除量子泡利噪声的方法及装置、电子设备和介质 | |
| CN112561180B (zh) | 基于元学习的短期风速预测方法、装置、计算机设备及存储介质 | |
| CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
| CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
| CN110007371A (zh) | 风速预测方法及装置 | |
| CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
| CN115392594B (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 | |
| CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
| CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
| Lee | Short-term prediction of wind farm output using the recurrent quadratic Volterra model | |
| CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
| CN114595630A (zh) | 活动效应评估模型训练方法、装置、计算机设备和介质 | |
| CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
| CN111310794B (zh) | 目标对象的分类方法、装置和电子设备 | |
| CN116432507A (zh) | 一种锅炉烟气含氧量预测方法、装置和计算设备 | |
| CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 |
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 |