CN112308322B - 一种多风场时空风速预测方法、装置及电子设备 - Google Patents
一种多风场时空风速预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112308322B CN112308322B CN202011211309.7A CN202011211309A CN112308322B CN 112308322 B CN112308322 B CN 112308322B CN 202011211309 A CN202011211309 A CN 202011211309A CN 112308322 B CN112308322 B CN 112308322B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- time
- space
- wind
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000002775 capsule Substances 0.000 claims description 169
- 230000036962 time dependent Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 43
- 230000008878 coupling Effects 0.000 claims description 27
- 238000010168 coupling process Methods 0.000 claims description 27
- 238000005859 coupling reaction Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000020354 squash Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种多风场时空风速预测方法、装置及电子设备,方法包括:获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。通过有针对性、有区别地处理风速时空相关性,能够充分捕获风场风速的时空特征以获取更准确的风速预测结果。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种多风场时空风速预测方法、装置及电子设备。
背景技术
由于风力发电能带来良好的经济效益和环境效益,近年来,风场的数量和规模大幅增长。对聚集在某一区域内多个风场的风速进行预测,能为系统运营商和管理者提供许多有价值的信息,有助于电网的调度优化及控制管理。目前大多数的研究都集中在单一风场风速的预测问题上。这些预测方法仅仅只考虑风速序列的时间相关性,即某一位置风速与其历史序列之间的相互关系。实际上,风场通常聚集在一些风力资源丰富的区域,不同位置的风场风速时间序列之间存在交互影响。具体来说,在地理和气象因素例如地形、气压和温度等的影响下,一定区域内不同地点的风场的风速具有明显的空间相关性。因此,通过在时间和空间尺度上共同捕捉风速的相关性来研究多个风场的时空风速预测问题具有重要意义。
某一风场风速的时间相关性可以从该风场的历史风速时间序列中获取,而由于地理因素的影响,风速的空间相关性需要结合周围风场的风速信息进行研究。因此,风速的时间及空间特征需要被有针对性和差异化的方式提取,以实现准确的风速预测。而另一方面,来自多个风场大量的时空数据增加了预测模型的输入变量以及需要被训练的参数数量,从而增加了模型数据处理的复杂度。虽然目前已有与风速预测相关的研究将风速的空间相关性纳入考虑范畴,但大多数时空风速预测模型通常不加区分地输入不同位置风场采集的全部风速信息,不能充分提取隐含在原始风速数据中的空间相关性,使得风速预测结果的准确度不高。
发明内容
本发明实施例提供一种多风场时空风速预测方法,能够通过有针对性、有区别地处理风速时空相关性,进而充分捕获风场风速的时空特征以获取更准确的风速预测结果。
第一方面,本发明实施例提供一种多风场时空风速预测方法,用于多风场的时空风速预测,包括:
获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;
通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。
可选的,所述空间特征提取网络包括卷积层与线性层,所述通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征的步骤具体包括:
通过所述卷积层,提取所述风速空间矩阵中不同时间维度的局部风速空间特征;
通过所述线性层,将所述局部风速空间特征进行线性展开,并将线性展开后的局部风速空间特征进行非线性变换,得到风速空间特征。
可选的,所述时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,所述子胶囊层包括与所述预设时间段的数量相同的子胶囊,所述动态路由层包括与所述子胶囊的数量对应的动态路由,所述母胶囊层包括与所述子胶囊的数量对应的母胶囊,其中,每个所述子胶囊通过一条动态路由与一个母胶囊连接。
可选的,所述通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征的步骤具体包括:
通过所述子胶囊,对所述预设时间段内各个所述风速空间特征进行矢量编码,添加所述风速空间特征之间的时间依赖关系,得到时间特征矢量;
通过所述时间特征矢量对所述风速时空特征进行预测,得到预测时空特征;
通过所述动态路由,将所述预测时空特征路由到所述母胶囊中,通过所述母胶囊中所述预测时空特征的聚类情况,确定所述风速时空特征。
可选的,所述通过所述动态路由,将所述预测时空特征路由到所述母胶囊中的步骤具体包括:
获取所述动态路由的临时变量;
根据所述临时变量,计算得到所述动态路由的耦合系数;
通过所述耦合系数将所述预测时空特征路由到所述母胶囊中。
可选的,所述方法还包括以下步骤:
获取风速空间矩阵的训练集;
通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练。
可选的,所述通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练的步骤具体包括:
对所述时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;
对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代,以更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
可选的,所述对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代的步骤具体包括:
通过自适应矩估计优化和试错法的误差反向传播,迭代更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
第二方面,本发明实施例还提供一种风速预测装置,用于风场的风速预测,所述装置包括:
第一获取模块,用于获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
第一处理模块,用于通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
第二处理模块,用于通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;
输出模块,用于通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的多风场时空风速预测方法中的步骤。
本发明实施例中,获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。通过有针对性、有区别地处理风速时空相关性,能够充分捕获风场风速的时空特征以获取更准确的风速预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例提供的一种多风场时空风速预测方法的流程图;
图2是本发明实施例提供的一种目标区域内多个风场的位置关系图。
图3是本发明实施例提供的一种胶囊网络计算的流程图;
图4是本发明实施例提供的一种胶囊网络路由方法的示意图;
图5是本发明实施例提供的一种多风场时空风速预测模型的架构图;
图6是本发明实施例提供的一种胶囊网络内部训练的示意图;
图7是本发明实施例提供的一种基于胶囊网络(CapsNet)的多风场时空风速预测方法的流程图;
图7a是本发明实施例提供的方案二中站点(2,3)的风速预测结果的曲线图。
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,所描述的实施例仅仅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作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。
请参见图1,图1是本发明实施例提供的一种多风场时空风速预测方法的流程图,该方法用于风场的风速预测,如图1所示,该方法包括以下步骤:
S1、获取目标区域内多个风场的风速空间矩阵。
在本发明实施例中,上述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度。上述风速空间矩阵可以被表达为M×N×T,具体可被表达为一个3维张量Xt∈RM ×N×T,上述M×N为空间维度的预设维数,是一个2维张量,上述T为时间维度的预设维数。
具体的,如图2所示,可以将目标区域内多个相邻风场的位置关系用一个M×N的网格表示,在M×N的网格中,每个单元格表示一个风场的位置,M×N的网格最多可以表示M×N个风场的位置。
上述风速空间矩阵中,每个矩阵单元均为该位置对应风场的历史风速序列,某个位置t时刻的风速被表示为x(m,n)t。具体的,在t时刻,M×N的网格中所有风场对应的风速序列可以用一个空间矩阵表示,即风速空间矩阵,在t时刻的风速空间矩阵具体可以如下述式子(1)所示:
在本发明实施例中,风场的风速预测的原理是基于下述式子(2)进行:
其中,f表示预测模型从输入到输出之间的映射,h为历史时间点的个数,θ为需要被训练的模型参数。由上述式子(2)分析可知,多风场时空风速预测可以通过对风速空间矩阵的预测来实现。进一步的,上述式子(2)具体表示,在未来t+λ时刻处的风速空间矩阵可以利用过去一段时间内的多个风速空间矩阵进行预测。
S2、通过预设的空间特征提取网络,提取风速空间矩阵中不同时间维度的风速空间特征。
在本发明实施例中,上述预设的空间特征提取网络可以理解为预先训练好的空间特征提取网络,用于提取风速空间矩阵中不同时间维度的风速空间特征,也可以理解为用于提取风速空间矩阵中不同时间截面的风速空间特征,比如,提取风速空间矩阵中t时刻的风速空间特征。
提取到的风速空间特征包括预设维数的时间维度,上述风速空间特征的时间维度与风速空间矩阵的时间维度是相同的。
具体的,上述空间特征提取网络可以是卷积神经网络,包括卷积层与线性层。一般用于图像处理的卷积神经网络中会包括卷积层、池化层以及线性层,其中,卷积层用于执行卷积操作,池化层用于对卷积层输出的特征图进行下采样,得到尺寸更小的特征图,线性层用于整合特征图。由于池化层的下采样是以损失图像信息为代价来获取更大的感受野,而本发明实施例中,为更准确地提取风速序列的空间特征,所以对池化层进行删除,只保留了卷积神经网络中的卷积层和线性层,也就保证了数据的完整性。
可选的,上述步骤S2具体包括以下步骤:
S21、通过卷积层,提取风速空间矩阵中不同时间维度的局部风速空间特征。
S22、通过线性层,将局部风速空间特征进行线性展开,并将线性展开后的局部风速空间特征进行非线性变换,得到风速空间特征。
更具体的,将风速空间矩阵作为输入矩阵输入到卷积层中,在卷积层中,可以通过滑动窗口实现风速空间矩阵与卷积核的卷积计算,提取得到的局部风速空间特征。上述卷积计算的输出为局部风速空间特征的特征图,具体来说,可以在卷积计算后,将该局部风速空间特征传递给激活函数进行激活,得到对应的特征图。如下述式子(3)所示:
其中,xt表示与t时刻风速空间矩阵相对应的输入图像,xtp代表第p张特征图,代表卷积计算,βtp和bp分别代表卷积层中的共享权重和偏置参数,g(·)表示激活函数。在本发明实施例中,可以选择Leaky ReLU作为激活函数,Leaky ReLU能有效解决梯度消失、梯度爆炸等问题,并且加速模型收敛。
进一步的,在卷积网络中,上层的神经元仅需与下层的部分神经元相连以感知局部风速空间特征(局部感知野),适用于局部风速空间特征的学习。在得到局部风速空间特征后,可以通过线性层,将局部风速空间特征展平为一维向量,并通过激活函数进行非线性变换,得到局部风速空间特征的一维向量形式,具体可以如下述式子(4)所示:
rt=g(wxtq+b) (4)
其中,rt={rt|1,rt|2,…}表示t时刻提取到的空间特征,w和b分别代表线性层的权重参数和偏置参数。
S3、通过预设的时间依赖捕获网络,捕获预设时间段内各个风速空间特征之间的时间依赖关系,得到风速时空特征。
在本发明实施例中,上述预设的时间依赖捕获网络可以理解为预先训练好的时间依赖捕获网络,用于捕获预设时间段内各个风速空间特征之间的时间依赖关系。进一步的,上述时间依赖捕获网络可以是基于胶囊网络的深度神经网络。在本发明实施例中,时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,子胶囊层包括与预设时间段的数量相同的子胶囊,动态路由层包括与子胶囊的数量对应的动态路由,母胶囊层包括与子胶囊的数量对应的母胶囊,其中,每个子胶囊通过一条动态路由与一个母胶囊连接。可以理解的是,胶囊是一个多维矢量神经元,封装了有关某一对象的特征的重要信息(本发明实施例中风速空间特征之间的时间依赖关系)。具体来说,矢量的长度表示对象的检测概率,而方向则表示特征的状态,例如大小,位置和方向等。上述的矢量也可以称为向量。
可选的,步骤S3具体包括以下步骤:
S31、通过子胶囊,对预设时间段内各个所述风速空间特征进行矢量编码,添加风速空间特征之间的时间依赖关系,得到时间特征矢量。
S32、通过时间特征矢量对风速时空特征进行预测,得到预测时空特征。
S33、通过动态路由,将预测时空特征路由到所述母胶囊中,通过母胶囊中预测时空特征的聚类情况,确定风速时空特征。
在本发明实施例中,考虑到相邻时间点的风速相关性较强,将历史时间段按小时分成几部分,并依次构造子胶囊(时间胶囊):t1-胶囊、t2-胶囊等。每个子胶囊用一个多维矢量μi表示。每个子胶囊编码了一段时间内提取出的风速空间特征之间的时间依赖关系,每一个维度代表一个抽象的时间特征。然后,子胶囊对代表风速时空特征的母胶囊(时空胶囊)vj进行预测,如图3所示。第i个子胶囊与第j个母胶囊之间的关系由权重矩阵Wij进行编码,具体如下述式子(5)所示:
其中,代表子胶囊μi对母胶囊的预测,/>也可以称为预测时空特征,权重矩阵Wij可以通过对模型进行训练得到。
上述动态路由是一种用于信息选择的迭代协议路由机制。它能使子胶囊将提取的风速空间特性的时间信息发送致与其预测结果最一致的母胶囊。协议路由示意图如图4所示。在母胶囊中,会对子胶囊传递来的预测时空特征进行聚类,将相似度高的预测时空特征聚类在一起,可以理解的是,相似度越高,其距离越近。比如,在图4中,黑色和白色的点表示子胶囊对风速时空特征(母胶囊)的预测结果。黑色的点聚集在一起(可以通过欧氏距离进行计算),表示预测结果相似,白色的点分散开,则表示预测结果不同。如果大多数子胶囊的预测结果指向同一母胶囊的黑色簇心,这个母胶囊即是被检测出的时空胶囊(对应表示风速时空特征)。图4中,子胶囊通过调整耦合系数cij将它对时空特征的预测路由到母胶囊。
可选的,步骤S33具体包括以下步骤:
S331、获取动态路由的临时变量。
S332、根据临时变量,计算得到动态路由的耦合系数。
S333、通过耦合系数将预测时空特征路由到母胶囊中。
上述临时变量也可以称为动态变量。上述耦合系数cij具体可以由Softmax函数计算,如下述式子(6)所示:
其中,∑jcij=1,cij≥0,bij是临时变量,该临时变量bij可初始化为0。
通过动态路由中的耦合系数cij,可将子胶囊的预测时空特征进行加权后作为输入向量,输出到母胶囊中。比如,第j个母胶囊的输入向量sj通过对子胶囊的全部预测结果进行加权求和来计算,如下述式子(7)所示:
可以采用Squash函数作为母胶囊的激活函数,使母胶囊的输出向量vj的长度不超过1,以表示检测到风速时空特征的概率,如下述式子(8)所示:
上述的临时变量bij可以通过预测时空特征以及母胶囊的输出向量vj来进行计算和更新。具体可以是基于预测时空特征/>以及母胶囊的输出向量vj的相似度对临时变量bij进行计算和更新,可以如下述式子(9)、(10)所示:
bij=bij+aij (10)
在式子(9)中,aij表示协议因子,表示预测时空特征/>和母胶囊的输出向量vj的点积。可以看出,如果子胶囊的预测时空特征/>和母胶囊的输出向量vj相似,则预测时空特征/>和母胶囊的输出向量vj一致协同,协议因子aij将拥有一个很大的内积。可以通过式子(6)对耦合系数cij进行更新,可以通过式子(10)对临时变量bij进行迭代更新,从而通过式子(6)对耦合系数cij进行迭代更新。需要说明的是,/>表示预测时空特征/>和母胶囊的输出向量vj的相似度越高,则会有越多的风速信息从子胶囊传递到时空胶囊。这样,可以通过迭代更新耦合系数cij,使风速空间特征之间的时间依赖关系被母胶囊捕获。
S4、通过预设的线性回归网络,对风速时空特征进行线性还原与回归,输出得到风速预测结果。
在本发明实施例中,风速预测结果可以是目标区域多个风场的风速预测结果。
上述线性回归网络包括线性层以及回归层,在通过步骤S3得到风速时空特征后,通过线性层将上述风速时空特征还原为一维形式,再通过回归层输出多风场的风速预测结果。
本发明实施例中,获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。通过有针对性、有区别地处理风速时空相关性,能够充分捕获风场风速的时空特征以获取更准确的风速预测结果。
在本发明实施例中,上述空间特征提取网络、时间依赖捕获网络以及线性回归网络可以共同构成多风场时空风速预测模型。其中,上述时间依赖捕获网络为基于胶囊网络的深度神经网络。具体的,请参见图5,图5为本发明实施例提供的一种多风场时空风速预测模型的架构图,如图5所示,上述空间特征提取网络包括输入层、卷积层、线性层;上述时间依赖捕获网络包括时间胶囊层(子胶囊层)、动态路由层、时空胶囊层(母胶囊层);上述线性回归网络包括线性层、回归层。
可以基于上述多风场时空风速预测模型的架构对目标区域内多个风场的风速进行预测。具体的,以风速空间矩阵为4×4×12的三维张量为例进行说明,风速空间矩阵包括4×4风场,12个历史时间点的历史风速序列。
首先建立多风场时空风速预测模型,在预测模型的底部的输入层,将一个历史时间段内的风速空间矩阵以图像形式(4×4×12的风速空间矩阵具体可以看作12帧连续图像,每帧图像的高宽尺寸为4×4)输入,然后由卷积层中的卷积操作提取低层的局部风速空间特征。由于风场的位置越相近,风速的空间相关性就越强,因此,在卷积操作中,卷积核仅需与输入图像的局部区域(局部感知野)连接,并通过滑动窗口执行卷积操作。为了提取隐含在风速信息中内在空间特征,如风向、距离等,通过权重矩阵对卷积核进行不同设置。局部风速空间特征的张量形式为2×2×4×16,可以理解为提取得到16个局部风速空间特征,每个局部风速空间特征的通道数为4,每个局部风速空间特征的高宽为2×2。
执行卷积操作后,局部风速空间特征被抽象化为网络参数,然后再通过线性层将提取出的局部特征进行整合,得到风速空间特征,该风速空间特征的张量形式为16×1×12,其中,上述16为空间维度的维数,12为时间维度的维数。
此时,风速空间矩阵xt可以通过被提取来的空间特征重新表示为rt={rt|1,rt|2,…},从而,风速的预测问题可以进一步表示为下述的式子(11):
其中,上述f′表示用于捕获时间依赖关系的隐函数,也可以理解为时间依赖捕获网络的函数表达,θ′表示网络参数。表示在未来t+λ时刻处的风速空间矩阵,可以利用过去一段时间内的多个风速空间特征进行预测。
然后在时间维度上,用多维时间胶囊(子胶囊)按时间顺序对从不同输入图像上获取的空间特征进行编码,这些多维时间胶囊承载了空间特征之间的非线性时间依赖关系。时间胶囊的张量表达为3×4D,其中4D表示多维矢量为4维矢量,3表示三个时间胶囊中编码了过去一段时间内的风速空间特征。
通过将风速空间特征的时间信息从下层时间胶囊动态路由到高层时空胶囊(母胶囊)的迭代过程,使风速的时空特征被时空胶囊捕获,时空胶囊通过聚类方法,将捕获到的风速时空特征进行输出。时空胶囊每个时空胶囊的张量形式为1×4D,其中4D表示多维矢量为4维矢量。
随后的线性层将时空风速特征还原为一维形式。在模型的顶端,由回归层输出多风场风速预测的结果,该风速预测的结果包括4×4风场的风速预测结果。进一步的,本发明实施例中的风速时空预测模型中包括矢量(时间依赖捕获网络中进行矢量计算)和标量(空间特征提取网络中进行标量计算)计算,上述风速时空预测模型可以采用双层训练方法来进行训练,优化模型参数θ。
具体的,获取风速空间矩阵的训练集;通过训练集对多风场时空风速预测模型中空间特征提取网络、时间依赖捕获网络、线性回归网络进行训练。上述训练集用于对多风场时空风速预测模型进行训练,相对的,还可以获取风速空间矩阵的测试集,用于对多风场时空风速预测模型进行测试。
更具体的,可以对时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;对空间特征提取网络以及时间依赖捕获网络进行外部迭代,以更新空间特征提取网络以及时间依赖捕获网络的参数。上述时间依赖捕获网络为基于胶囊网络的深度神经网络,在内部训练过程,低层的时间胶囊通过迭代调整耦合系数cij来对高层的时空胶囊进行预测。临时变量bij被初始化设置为0,根据(6)式,耦合系数等于1/n。在接下来的迭代中,cij根据式子(6)、(9)、(10)进行更新。上述内部训练具体可以如图6所示。上述的外部迭代指的是对整个风速时空预测模型进行迭代,在进行外部迭代时,可以通过自适应矩估计优化(Adam,adaptive moment estimation)和试错法的误差反向传播(BP,Back Propagation),迭代更新多风场时空风速预测模型中空间特征提取网络、时间依赖捕获网络、线性回归网络的参数。BP训练的目标是最小化模型的损失函数,可以如下述式子(12)所示:
其中,T代表与训练样本相对应的历史时间点的集合,||·||F代表Frobenius范数,xt+λ和分别代表多个风场风速的实际值和预测值。误差微分以自上而下的方式传播,使模型参数θ向其最佳状态方向进行调整。当训练次数达到预先设定值NT时,周期性的训练过程结束。为了加快参数收敛和降低模型误差,可以在反向训练过程中嵌入一种试错方法,具体地,每隔几个训练周期,所有备选的学习率都会被测试一次,以选择出使预测误差最小的学习率,然后将其应用到下一次训练。
可选的,请参见图7,图7为本发明实施例提供的一种基于胶囊网络CapsNet的多风场时空风速预测方法的流程图,具体实现流程如下:
700、设置模型迭代索引t=1。
701、初始化模型参数,输入风速空间矩阵训练集。
702、根据式子(3)-(4),通过卷积操作提取风速空间矩阵中的空间特征。
703、将提取出的空间特征按时间顺序封装入时间胶囊;设置胶囊层迭代系数iter=1。
704、根据式子(5)-(6),计算时间胶囊的预测矢量以及耦合系数cij;
705、根据式子(7)-(8)计算时空胶囊vj以捕获空间特征之间的时间依赖关系;根据式子(9)-(10)更新临时变量bij。
706、判断胶囊层迭代系数iter是否等于3,“是”则执行下一步骤707;“否”则设置iter=iter+1,并返回步骤704。
上述步骤704到步骤706为内部训练的迭代过程。在本发明实施例中,内部训练的迭代次数设定为3能更快地优化模型并降低模型损失。
707、回归层整合提取的时空特征,并根据公式(12)计算误差损失函数。
708、通过使用Adam优化和试错法的误差反向传播规则(BP)训练预测模型,优化模型参数。
709、判断模型迭代索引t是否满足预先设定值NT,“是”则训练结束并执行下一步骤710;“否”则设置t=t+1,并返回步骤702。
上述步骤702到步骤709为外部训练的迭代过程。
710、将风速空间矩阵测试集输入预测模型,并输出多风场风速的预测结果。
为了验证本发明实施例的可行性和优越性,可以选用多种算法用作对比,比如数值预测方法-ARIMA,机器学习预测算法-SVM、MLP、DBN、RNN、CNN,以及混合预测算法CNN+MLP。通过平均绝对误差(MAE),平均绝对百分比误差(MAPE)和均方根误差(RMSE)三个指标来评估预测模型的风速预测性能。对于预测区域内某一位置风场的风速预测,这三个指标的计算式子(13)、(14)、(15)如下:
其中,上述式子(13)、(14)、(15)中,εm(m,n)为平均绝对误差(MAE),上述εp(m,n)为平均绝对百分比误差(MAPE),上述εr(m,n)为均方根误差(RMSE)。上述的y(m,n)t+τ和分别代表该位置风场风速的真实值与预测值,T代表与测试集对应的时间点集。对于本发明实施例中多风场的时空风速预测,以上指标可以对应调整为下述式子(16)、(17)、(18):
本发明实施例中,采用位于美国俄亥俄州的16个风场真实的风速数据集进行了测试,该数据集涵盖了该区域2012年全年的风速信息,时间分辨率为15min。预测模型训练集中训练样本和测试集中测试样本的比例设置为4:1。并通过三种方案的对比分析,验证了本发明的有效性。方案一为本发明实施例提供的多风场时空风速预测方法(基于CapsNet的多风场时空风速预测模型)与单独预测方法对多个风场进行提前15min风速预测。单独预测方法包括ARIMA,MLP和CNN三种算法,逐一对多个风场风速进行预测;方案二为本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)与其它时空风速预测方法对多个风场进行提前15min风速预测,其他时空预测方法包括CNN、DBN、RNN和CNN+MLP;方案三在方案二的基础上,将预测时间尺度延长至3h,对不同方法的预测结果进行对比。得到实验结果对比分别为下述的表1、表2、表3。
其中表1为方案一的实验结果对比表,表1如下:
表1
可以看出,本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)对多风场风速进行提前15min的预测结果明显优于单独预测方法。预测结果说明,同时考虑风速时间相关性和空间相关性的本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)比仅考虑风速时间相关性的单独预测方法具有更高的准确率。
表2为方案二的实验结果对比表,表2如下:
表2
可以看出,对比所有误差评价指标,本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)预测结果均优于其他四种风速时空预测模型。为了直观地进行对比,选取任一站点(2,3)的风速预测结果用图7a表示。可以看出,本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)的预测曲线与实际风速曲线最相近。总体而言,本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)的预测结果优于混合预测模型CNN+MLP的预测结果,CNN+MLP的预测结果优于其他三种单一预测模型的预测结果。这是由于,3维风速时空数据在输入DBN和RNN模型时被展平为1维向量,在输入CNN时被转换为2维形式,这些输入方式在一定程度上损失了原本隐含在3维风速时空风速数据里的空间信息。对于混合模型CNN+MLP,原始的时空数据输入该模型后,风速的空间特征通过CNN被提取,时间依赖关系通过MLP捕获。但由于MLP缺乏时间序列的建模机制,因此风速序列的时间特征不能被充分提取。本发明实施例提供的风速预测方法(基于CapsNet的多风场时空风速预测模型)能够利用其内部的卷积结构提取风速的空间特征,并利用动态路由机制进一步捕获空间特征之间的时间依赖关系。这种有针对性、有区别地处理风速时空相关性的方法,能够充分捕获风速序列的时空特征以获取更准确的风速预测结果。
表3至表5为方案三的实验结果对比表,表3如下:
表3
表4如下:
表4
表5如下:
表5
其中,表3为不同时间尺度时空预测模型预测结果MAE对比,表4为不同时间尺度时空预测模型预测结果MAPE对比,表5为不同时间尺度时空预测模型预测结果RMSE对比。可以看出,在不同时间尺度下,基于本发明实施例提供的多风场时空风速预测方法(基于CapsNet的多风场时空风速预测模型)的各项评价指标都优于其他时空风速预测模型。并且,随着预测时间尺度的延伸,本发明实施例提供的多风场时空风速预测方法(基于CapsNet的多风场时空风速预测模型)的优势更加明显。这是因为,随着时间尺度的增加,风速序列的时间相关性减弱,利用风速的空间特征进行预测显得尤为重要。方案三再次验证了本发明提出的基于本发明实施例提供的多风场时空风速预测方法(基于CapsNet的多风场时空风速预测模型)能有效处理多风场时空风速预测问题。
本发明实施例还提供的一种多风场时空风速预测装置,所述装置用于风场的风速预测,所述装置包括:
第一获取模块,用于获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
第一处理模块,用于通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
第二处理模块,用于通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;
输出模块,用于通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。
可选的,所述空间特征提取网络包括卷积层与线性层,所述第一处理模块包括:
特征提取子模块,用于通过所述卷积层,提取所述风速空间矩阵中不同时间维度的局部风速空间特征;
变换子模块,用于通过所述线性层,将所述局部风速空间特征进行线性展开,并将线性展开后的局部风速空间特征进行非线性变换,得到风速空间特征。
可选的,所述时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,所述子胶囊层包括与所述预设时间段的数量相同的子胶囊,所述动态路由层包括与所述子胶囊的数量对应的动态路由,所述母胶囊层包括与所述子胶囊的数量对应的母胶囊,其中,每个所述子胶囊通过一条动态路由与一个母胶囊连接。
可选的,所述第二处理模块包括:
编码子模块,用于通过所述子胶囊,对所述预设时间段内各个所述风速空间特征进行矢量编码,添加所述风速空间特征之间的时间依赖关系,得到时间特征矢量;
预测子模块,用于通过所述时间特征矢量对所述风速时空特征进行预测,得到预测时空特征;
路由子模块,用于通过所述动态路由,将所述预测时空特征路由到所述母胶囊中,通过所述母胶囊中所述预测时空特征的聚类情况,确定所述风速时空特征。
可选的,所述路由子模块包括:
获取单元,用于获取所述动态路由的临时变量;
计算单元,用于根据所述临时变量,计算得到所述动态路由的耦合系数;
路由单元,用于通过所述耦合系数将所述预测时空特征路由到所述母胶囊中。
可选的,所述装置还包括:
第二获取模块,用于获取风速空间矩阵的训练集;
训练模块,用于通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练。
可选的,所述训练模块包括:
内部迭代子模块,用于对所述时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;
外部迭代子模块,用于对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代,以更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
可选的,所述外部迭代子模块还用于通过自适应矩估计优化和试错法的误差反向传播,迭代更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
需要说明的是,本发明实施例提供的风速预测装置可以应用于可以进行多风场时空风速预测的手机、监控器、计算机、服务器等设备。本发明实施例提供的风速预测装置能够实现上述方法实施例中多风场时空风速预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还提供的一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中:
处理器用于调用存储器存储的计算机程序,用于多风场的时空风速预测,处理器执行如下步骤:
获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征;
通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果。
可选的,所述空间特征提取网络包括卷积层与线性层,所述处理器1001执行的通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征的步骤具体包括:
通过所述卷积层,提取所述风速空间矩阵中不同时间维度的局部风速空间特征;
通过所述线性层,将所述局部风速空间特征进行线性展开,并将线性展开后的局部风速空间特征进行非线性变换,得到风速空间特征。
可选的,所述时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,所述子胶囊层包括与所述预设时间段的数量相同的子胶囊,所述动态路由层包括与所述子胶囊的数量对应的动态路由,所述母胶囊层包括与所述子胶囊的数量对应的母胶囊,其中,每个所述子胶囊通过一条动态路由与一个母胶囊连接。
可选的,所述处理器执行的通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征的步骤具体包括:
通过所述子胶囊,对所述预设时间段内各个所述风速空间特征进行矢量编码,添加所述风速空间特征之间的时间依赖关系,得到时间特征矢量;
通过所述时间特征矢量对所述风速时空特征进行预测,得到预测时空特征;
通过所述动态路由,将所述预测时空特征路由到所述母胶囊中,通过所述母胶囊中所述预测时空特征的聚类情况,确定所述风速时空特征。
可选的,所述处理器执行的通过所述动态路由,将所述预测时空特征路由到所述母胶囊中的步骤具体包括:
获取所述动态路由的临时变量;
根据所述临时变量,计算得到所述动态路由的耦合系数;
通过所述耦合系数将所述预测时空特征路由到所述母胶囊中。
可选的,所述处理器还执行以下步骤:
获取风速空间矩阵的训练集;
通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练。
可选的,所述处理器执行的通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练的步骤具体包括:
对所述时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;
对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代,以更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
可选的,所述处理器执行的对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代的步骤具体包括:
通过自适应矩估计优化和试错法的误差反向传播,迭代更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
需要说明的是,上述电子设备可以是可以应用于可以进行多风场时空风速预测的手机、监控器、计算机、服务器等设备。本发明实施例提供的电子设备能够实现上述方法实施例中多风场时空风速预测方法实现的各个过程,且可以达到相同的有益效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种多风场时空风速预测方法,用于多风场的时空风速预测,其特征在于,包括以下步骤:
获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征,其中,所述时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,所述子胶囊层包括与所述预设时间段的数量相同的子胶囊,所述动态路由层包括与所述子胶囊的数量对应的动态路由,所述母胶囊层包括与所述子胶囊的数量对应的母胶囊,其中,每个所述子胶囊通过一条动态路由与一个母胶囊连接;
通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果;
所述通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征的步骤具体包括:通过所述子胶囊,对所述预设时间段内各个所述风速空间特征进行矢量编码,添加所述风速空间特征之间的时间依赖关系,得到时间特征矢量;通过所述时间特征矢量对所述风速时空特征进行预测,得到预测时空特征;通过所述动态路由,将所述预测时空特征路由到所述母胶囊中,通过所述母胶囊中所述预测时空特征的聚类情况,确定所述风速时空特征;
所述通过所述动态路由,将所述预测时空特征路由到所述母胶囊中的步骤具体包括:获取所述动态路由的临时变量;根据所述临时变量,计算得到所述动态路由的耦合系数;通过所述耦合系数将所述预测时空特征路由到所述母胶囊中;
所述方法还包括以下步骤:获取风速空间矩阵的训练集;通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练;
所述通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练的步骤具体包括:对所述时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代,以更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
2.如权利要求1所述的多风场时空风速预测方法,其特征在于,所述空间特征提取网络包括卷积层与线性层,所述通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征的步骤具体包括:
通过所述卷积层,提取所述风速空间矩阵中不同时间维度的局部风速空间特征;
通过所述线性层,将所述局部风速空间特征进行线性展开,并将线性展开后的局部风速空间特征进行非线性变换,得到风速空间特征。
3.如权利要求1所述的多风场时空风速预测方法,其特征在于,所述对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代的步骤具体包括:
通过自适应矩估计优化和试错法的误差反向传播,迭代更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
4.一种多风场时空风速预测装置,用于多风场的时空风速预测,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域内多个风场的风速空间矩阵,所述风速空间矩阵包括预设维数的时间维度以及预设维数的空间维度;
第一处理模块,用于通过预设的空间特征提取网络,提取所述风速空间矩阵中不同时间维度的风速空间特征,所述风速空间特征包括所述预设维数的时间维度;
第二处理模块,用于通过预设的时间依赖捕获网络,捕获预设时间段内各个所述风速空间特征之间的时间依赖关系,得到风速时空特征,其中,所述时间依赖捕获网络包括子胶囊层、动态路由层以及母胶囊层,所述子胶囊层包括与所述预设时间段的数量相同的子胶囊,所述动态路由层包括与所述子胶囊的数量对应的动态路由,所述母胶囊层包括与所述子胶囊的数量对应的母胶囊,其中,每个所述子胶囊通过一条动态路由与一个母胶囊连接;
输出模块,用于通过预设的线性回归网络,对所述风速时空特征进行线性还原与回归,输出得到风速预测结果;
所述第二处理模块包括:编码子模块,用于通过所述子胶囊,对所述预设时间段内各个所述风速空间特征进行矢量编码,添加所述风速空间特征之间的时间依赖关系,得到时间特征矢量;预测子模块,用于通过所述时间特征矢量对所述风速时空特征进行预测,得到预测时空特征;路由子模块,用于通过所述动态路由,将所述预测时空特征路由到所述母胶囊中,通过所述母胶囊中所述预测时空特征的聚类情况,确定所述风速时空特征;
所述路由子模块包括:获取单元,用于获取所述动态路由的临时变量;计算单元,用于根据所述临时变量,计算得到所述动态路由的耦合系数;路由单元,用于通过所述耦合系数将所述预测时空特征路由到所述母胶囊中;
所述装置还包括:第二获取模块,用于获取风速空间矩阵的训练集;训练模块,用于通过所述训练集对所述空间特征提取网络以及所述时间依赖捕获网络进行训练;
所述训练模块包括:内部迭代子模块,用于对所述时间依赖捕获网络进行内部迭代,以更新所述临时变量和耦合系数;外部迭代子模块,用于对所述空间特征提取网络以及所述时间依赖捕获网络进行外部迭代,以更新所述空间特征提取网络以及所述时间依赖捕获网络的参数。
5.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的多风场时空风速预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211309.7A CN112308322B (zh) | 2020-11-03 | 2020-11-03 | 一种多风场时空风速预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211309.7A CN112308322B (zh) | 2020-11-03 | 2020-11-03 | 一种多风场时空风速预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308322A CN112308322A (zh) | 2021-02-02 |
CN112308322B true CN112308322B (zh) | 2023-11-24 |
Family
ID=74332695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211309.7A Active CN112308322B (zh) | 2020-11-03 | 2020-11-03 | 一种多风场时空风速预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308322B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949201B (zh) * | 2021-03-17 | 2023-03-21 | 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 |
CN112801564B (zh) * | 2021-04-14 | 2021-07-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建高铁沿线风速预报模型的方法及装置 |
CN113609630B (zh) * | 2021-08-10 | 2022-04-29 | 北京大学 | 一种全矿井自适应的一三维耦合通风网络解算方法 |
CN113962462A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学院空天信息创新研究院 | 基于卷积神经网络的风场稳定度预测方法及系统 |
CN114429078B (zh) * | 2021-12-22 | 2022-10-18 | 广东工业大学 | 一种短期风电功率预测方法及系统 |
CN114580307B (zh) | 2022-05-05 | 2022-07-29 | 湖南大学 | 考虑暴雨时空分布的分布式供电系统涉电安全感知方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学(保定) | 一种基于时空相关的风电场预测模型构建方法和系统 |
CN109102101A (zh) * | 2017-06-21 | 2018-12-28 | 北京金风科创风电设备有限公司 | 风电场风速的预测方法和系统 |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
JP2019179013A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | 風況予測方法 |
CN110648014A (zh) * | 2019-08-28 | 2020-01-03 | 山东大学 | 一种基于时空分位数回归的区域风电预测方法及系统 |
CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185331B2 (en) * | 2011-09-02 | 2012-05-22 | Onsemble LLC | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
US9460478B2 (en) * | 2012-12-17 | 2016-10-04 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for wind generation forecasting |
-
2020
- 2020-11-03 CN CN202011211309.7A patent/CN112308322B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学(保定) | 一种基于时空相关的风电场预测模型构建方法和系统 |
CN109102101A (zh) * | 2017-06-21 | 2018-12-28 | 北京金风科创风电设备有限公司 | 风电场风速的预测方法和系统 |
JP2019179013A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | 風況予測方法 |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN110648014A (zh) * | 2019-08-28 | 2020-01-03 | 山东大学 | 一种基于时空分位数回归的区域风电预测方法及系统 |
CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
Non-Patent Citations (4)
Title |
---|
基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型;李文良;卫志农;孙国强;完整;缪伟;;电力自动化设备(第06期);全文 * |
基于融合长短时记忆网络的风电场超短期风速预测研究;王红刚;李彬;;可再生能源(第01期);全文 * |
李文良 ; 卫志农 ; 孙国强 ; 完整 ; 缪伟 ; .基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型.电力自动化设备.2009,(第06期),全文. * |
王红刚 ; 李彬 ; .基于融合长短时记忆网络的风电场超短期风速预测研究.可再生能源.2020,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112308322A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308322B (zh) | 一种多风场时空风速预测方法、装置及电子设备 | |
CN110119703B (zh) | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Torky et al. | Deep learning techniques for predicting nonlinear multi-component seismic responses of structural buildings | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN111832228B (zh) | 基于cnn-lstm的振动传递系统 | |
CN110737968A (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
Zheng et al. | Spatio-temporal wind speed prediction of multiple wind farms using capsule network | |
CN109117894B (zh) | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 | |
CN114019467B (zh) | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 | |
CN113255995A (zh) | 一种空气污染预测方法 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
CN112560966A (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN116402766A (zh) | 一种结合卷积神经网络和Transformer的遥感影像变化检测方法 | |
CN117853596A (zh) | 无人机遥感测绘方法及系统 | |
KR20220091714A (ko) | 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템 | |
CN117036901A (zh) | 一种基于视觉自注意力模型的小样本微调方法 | |
CN116822716A (zh) | 一种基于时空注意力的台风预测方法、系统、设备及介质 | |
CN115953902A (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
CN116108735A (zh) | 边界和初始条件未知的流体数据时空高分辨率重建方法 | |
CN113935473A (zh) | 深度学习神经网络的优化方法及应用方法 | |
Zhao et al. | Spatio-temporal model combining vmd and am for wind speed prediction | |
CN112861601A (zh) | 生成对抗样本的方法及相关设备 | |
CN116861175B (zh) | 一种基于神经网络的运行轨迹校正方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210210 Address after: 413002 No. 1 Xuefu Road West, Longling Industrial Park, Heshan District, Yiyang City, Hunan Province Applicant after: Huaxiang XiangNeng Technology Co.,Ltd. Address before: 413002 No. 1 Xuefu Road West, Longling Industrial Park, Heshan District, Yiyang City, Hunan Province Applicant before: Huaxiang XiangNeng Technology Co.,Ltd. Applicant before: HUNAN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |