CN112561180B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112561180B
CN112561180B CN202011519653.2A CN202011519653A CN112561180B CN 112561180 B CN112561180 B CN 112561180B CN 202011519653 A CN202011519653 A CN 202011519653A CN 112561180 B CN112561180 B CN 112561180B
Authority
CN
China
Prior art keywords
wind speed
preset
predictor
neural network
basis
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
Application number
CN202011519653.2A
Other languages
English (en)
Other versions
CN112561180A (zh
Inventor
马正伟
郭森森
王怀智
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202011519653.2A priority Critical patent/CN112561180B/zh
Publication of CN112561180A publication Critical patent/CN112561180A/zh
Application granted granted Critical
Publication of CN112561180B publication Critical patent/CN112561180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明属于智能电网技术领域，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。本发明通过获取用于预测目标时刻所对应目标预测风速的原始数据，原始数据包括风速数据集合及环境特征数据，基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对风速数据集合进行深度学习，以得到m个初始预测风速输出值，基于预设系数神经网络模型，将环境特征数据进行深度学习，以得到m个系数输出值，以系数输出值作为加权系数，将初始预测风速输出值进行加权求和，并将求和所得的值作为目标时刻所对应的目标预测风速，可以纠正基预测器的偏差，能够提高对风速预测的准确性、可靠性和鲁棒性。

Description

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
技术领域
本发明涉及智能电网技术领域，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
目前，基于深度学习的风速预测算法在一定程度上可以解决基于物理模型的风速预测方法与基于统计模型的风速预测方法所存在的问题。但是，由于不同的基于深度学习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，本发明的发明人发现，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，本发明提供了一种基于元学习的短期风速预测方法，包括：获取用于预测目标时刻所对应目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速。
第二方面，本发明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目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；第一处理单元，用于基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；第二处理单元，用于基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；求和单元，用于以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速。
第三方面，本发明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。本发明实现基于元学习的短期风速预测时，通过集成多个预设神经网络模型集合各自所包含的不同预设神经网络模型各自所对应的预测结果，再利用深度学习算法得到的基预测器系数进行加权求和，可以纠正基预测器的偏差，提高风速预测的准确性和鲁棒性，在对风能进行利用时，能够提高风能的利用效果，尤其能够提高风电技术领域中对于电力系统的调度运行能力，从而提高电网运行的经济型、安全性和可靠性。
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基于BP神经网络的预设系数神经网络模型的具体实施例结构示意图；
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的一个具体实施例的整体流程架构示意图；
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第一个子流程示意图；
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第二个子流程示意图；
图6为图3中BP神经网络fn的具体示例结构示意图；
图7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第三个子流程示意图；
图8为图3中整体流程架构示意图的风速预测结果可视化示例示意图；
图9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第四个子流程示意图；
图10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11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12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。
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S11-S14：
S11、获取用于预测目标时刻所对应目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数。
具体地，为了对某一区域的某一时刻相对应的目标时刻的风速进行预测，以得到该区域的目标时刻所对应的目标预测风速，通过利用该区域的目标时刻之前的各个时刻所对应的已知风速数据，并结合紧邻目标时刻的上一个时刻的环境特征相对应的环境特征数据，实现对目标时刻的风速进行预测。因此，对某一区域的某一时刻相对应的目标时刻的风速进行预测，以得到该区域的目标时刻所对应的目标预测风速，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n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，n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一时刻的环境特征相对应的m个环境特征数据，其中，m为正整数，所述环境特征数据包括辐射(英文为Radiation)、温度(英文为Temperature)、湿度(英文为Humidity)、压强(英文为Pressure)、风向(英文为Wind Direction，Degrees)等环境特征所对应的数据，例如，所述m个环境特征数据可以为温度、压强和湿度三个环境特征数据。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n个时刻各自所对应的已知风速组成，可以为某区域预设时间间隔为t的风速序列数据。比如，各个时刻间隔t为5分钟等。
S12、基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值。
其中，每个预设神经网络模型为多输入1输出的神经网络模型，例如为3输入1输出的神经网络模型。
具体地，采用积累的已知历史风速数据及各个已知风速数据各自所对应的环境特征数据作为样本训练数据，分别训练预设神经网络模型集合中所包含的不同预设神经网络模型，以使预设神经网络模型根据样本训练数据进行自动深度学习，从而使预设神经网络模型集合中所包含的预设神经网络模型尽可能学习到样本训练数据所存在的风速数据特征，并根据所述风速数据特征调整预设神经网络模型自身的参数值，所述风速数据特征可以为时间序列的前后风速之间的纵向关联关系，所述纵向关联关系包括当前时刻的风速与紧邻所述当前时刻之前的n个时刻各自所对应的已知风速之间的关系，例如所述当前时刻之前的n个时刻各自所对应的已知风速对当前时刻的风速的影响及影响程度。
由于所述风速数据集合为时间序列的数据集合，针对时间序列的所述风速数据集合，为了实现根据紧邻所述目标时刻之前的n个时刻各自所对应的已知风速对目标时刻所对应的风速进行预测，基于预设神经网络模型集合各自所包含的不同预设神经网络模型，对所述风速数据集合中所包含的n个时刻各自所对应的已知风速自动进行深度学习，以学习紧邻所述目标时刻之前的n个时刻各自所对应的已知风速之间及已知风速与目标时刻所对应的目标预测风速之间存在的数据特征，从而根据所述数据特征作为预测所述目标时刻所对应的目标预测风速的依据。因此，在本发明实施例中，基于预设神经网络模型集合各自所包含的不同预设神经网络模型，实现将所述风速数据集合进行自动深度学习，以得到m个初始预测风速输出值。
S13、基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值。
其中，预设系数神经网络模型为多输入多输出的网络神经模型，例如为基于BP神经网络的多输入多输出网络模型，若所述环境特征为温度、湿度及压强，所述预设系数神经网络模型可以为一个3输入3输出的多层BP神经网络fmeta。
具体地，采用积累的历史已知风速数据及各个已知风速数据各自所对应的环境特征数据作为样本训练数据，训练预设系数神经网络模型，以使预设系数神经网络模型根据样本训练数据进行自动学习，使预设系数神经网络模型尽可能学习到样本训练数据中所包含的紧邻当前时刻的上一时刻的环境特征与当前时刻的风速之间各自存在的关联关系，例如，上一时刻的不同环境特征对下一时刻的风速各自的影响所对应的权重。
在本发明实施例中，不但对所述风速数据集合中所包含的n个时刻各自所对应的已知风速进行深度学习，而且基于预训练的预设系数神经网络模型，对所述目标时刻的上一时刻的环境特征相对应的m个环境特征数据自动进行深度学习，以描述所述目标时刻的上一时刻的不同环境特征对所述目标时刻的风速各自的影响，从而得到m个系数输出值，以后续实现对目标时刻所对应风速的准确预测。
进一步地，在一示例中，所述预设系数神经网络模型为预设系数BP神经网络模型。其中，BP神经网络，英文为Back Propagation，也称为误差反向传播算法，是一种按误差逆传播算法训练的多层前馈网络。
具体地，预先构建预设系数BP神经网络模型。请参阅图2和图3，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基于BP神经网络的预设系数神经网络模型的具体实施例结构示意图，即所述预设系数神经网络模型为预设系数BP神经网络模型的一个具体实施例的结构示意图，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的一个具体实施例的整体流程架构示意图，图3中的BP神经网络fmeta为图2中所示的神经网络模型结构，该BP神经网络fmeta为多输入多输出的神经网络模型。
基于经预训练的预设系数神经网络模型，将所述环境特征数据输入至预设系数BP神经网络模型，由于此处BP神经网络是多输入多输出的网络，将m个所述环境特征数据输入至预设系数BP神经网络模型，可以得到m个系数输出值，后续将所述m个系数输出值作为风速预测中的系数。请继续参阅图2，图2描述了基于第一预设BP神经网络，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值，即后续进行加权求和的加权系数的生成过程示意图，将m个环境特征数据Xe(1)、Xe(2)…Xe(m)，经基于BP神经网络模型的预设系数BP神经网络模型的输入层输入至BP神经网络的多个隐藏层后，经BP神经网络模型的输出层输出系数c1(Xe)、c2(Xe)…及系数cm(Xe)。
S14、以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速。
具体地，在得到初始预测风速输出值和系数输出值后，由于初始预测风速输出值的数量与系数输出值的数量是一致的，以所述系数输出值作为初始预测风速输出值的加权系数，对所述初始预测风速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，所述以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速的步骤包括：
以一个所述系数输出值匹配一个所述初始预测风速输出值的方式，将m个所述系数输出值以不重复使用方式分别作为m个所述初始预测风速输出值的系数；将所述初始预测风速输出值及所述初始预测风速输出值相对应的系数进行乘积，再将所有乘积得到的值进行求和，并将求和得到的值作为所述目标预测风速。
具体地，由于获取初始预测风速输出值的数量取决于所采取的风速的环境特征数据的数量，因此，得到的初始预测风速输出值f1(X1)、f2(X2)…fm(Xm)的数量与得到的c1(Xe)、c2(Xe)…cm(Xe)共m个环境特征向量的输出值在数量上是一致的，将c1(Xe)、c2(Xe)…cm(Xe)每一个输出值各自分别作为f1(X1)、f2(X2)…fm(Xm)中的一个输出值的系数，且c1(Xe)、c2(Xe)…cm(Xe)中只能有一个数值与f1(X1)、f2(X2)…fm(Xm)中的一个数值进行匹配，c1(Xe)、c2(Xe)…cm(Xe)中的同一个数值不能作为f1(X1)、f2(X2)…fm(Xm)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，并将得到的值作为所述目标时刻所对应的目标预测风速，可以为如下形式进行求和：c1(Xe)*f1(X1)+c2(Xe)*f2(X2)+…cm(Xe)*fm(Xm)取得的和Σ作为风速值的预测F(X)。请继续参阅图3，图3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，目标预测风速为F(x)，目标时刻所对应的目标预测风速可以为：F(x)＝c1(Xe)*f1(X1)+c2(Xe)*f2(X2)+c3(Xe)*f3(X3)。
本发明实施例实现基于元学习的短期风速预测时，通过多个预设神经网络模型集合各自所包含的不同预设神经网络模型从不同角度对所述风速数据集合的风速数据特征进行自动深度学习，然后集成预设神经网络模型集合各自所包含的不同预设神经网络模型各自所对应的预测结果，再结合得到的各个所述预测结果各自相对应系数进行加权求和，不但结合了所述目标时刻之前的各个时刻的已知风速对所述目标时刻的风速的影响，及结合了所述目标时刻的上一时刻所对应的环境特征对所述目标时刻的风速的影响，且所述影响是基于已知的历史风速数据而得到的，相对于传统技术中，通过人为主观设定基预测器的系数而导致的对风速预测的不确定性，本发明实施例对风速的预测具备对多方面因素进行完善考量的客观性，更加符合自然规律，能够提高对风速预测的准确性和可靠性，能够实现更为精确和可靠的风速预测，减小风速预测的误差和风险，从而可以纠正基预测器的偏差，提高风速预测的准确性和鲁棒性，从而对风速进行预测的预测结果更加具有说服力，在对风能进行利用时，能够提高风能的利用效果，尤其能够提高风电技术领域中对于电力系统的调度运行能力，从而提高电网运行的经济型、安全性和可靠性。
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第一个子流程示意图。如图4所示，在该实施例中，所述基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值的步骤包括：
S41、将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，其中，m个所述预设基预测器集合分别包含基于不同类型的神经网络模型而构建的预设基预测器，每个所述预设基预测器集合包括Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络模型而构建的，Z为正整数；
S42、将每个所述预设基预测器集合各自相对应的输出值分别输入至第一预设神经网络模型集合中各自相对应的第一预设神经网络模型中，以分别对每个所述预设基预测器集合各自相对应的输出值进行深度学习，从而得到m个初始预测风速输出值，其中，所述第一预设神经网络模型包括BP神经网络模型。
具体地，为了实现基于元学习的短期风速预测，预先构建基于预设神经网络模型的基预测器，基预测器为用于进行风速预测而构建的基础神经网络模型，可以为基于预设神经网络而构建的预测模型，每个基预测器均为多输入1输出的神经网络模型，用于根据输入的多个时间序列的风速数据得到一个风速预测值。请继续参阅图3，如图3所示，在该实施例中，构建了基于BP神经网络模型的BP f11、BP f12及BP f13三个预设基预测器，由于BPf11、BP f12及BP f13为同类型的3输入1输出的神经网络模型，且用途相同，可以看作为第一个预设基预测器集合中所包含的基预测器，各自分别用于对所述风速数据集合进行深度学习，BP f11、BP f12及BP f13各自所对应的输出再输入BP神经网络f1进行深度学习，同样的，基于LSTM循环神经网络构建的LSTM f21、LSTM f22及LSTM f23三个预设基预测器，可以为第二个预设基预测器集合，也用于对所述风速数据集合进行深度学习，LSTM f21、LSTMf22及LSTM f23各自所对应的输出再输入BP神经网络f2进行深度学习，基于GRU循环神经网络而构建的GRU f31、GRU f32及GRU f33三个预设基预测器，可以为第三个预设基预测器集合，GRU f31、GRU f32及GRU f33各自所对应的输出再输入BP神经网络f3进行深度学习，在图3所示的示例中，一共包含九个预设基预测器，九个预设基预测器分别为基于不同类型而构建的不同神经网络，可以从不同角度学习所述风速数据集中所包含的风速数据相对应的风速数据特征，以从多方面描述风速数据集合中的风速数据特征，能够提高对风速预测的准确性。
为了充分挖掘出时间序列的风速数据的数据特征，充分描述时间序列的前后风速之间的关联关系，在本发明实施例中，对所述风速数据集合进行深度学习时，采用多个基于不同类型的神经网络构建的预设基预测器集合对所述风速数据集合分别进行深度学习。每个预设基预测器集合中可以包含Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络而构建的不同的基预测器，Z为正整数。其中，不同的基预测器可以为神经网络所包含的神经元的不同，或者神经网络所包含的输入层或者隐藏层等神经网络内部结构或者参数的不同，从而基于同类型神经网络而构建不同的基预测器对所述风速数据集合进行深度学习，能够提高基于预设神经网络对所述风速数据集合进行深度学习的准确性。请继续参阅图3，如图3所示，所采用的环境特征数据为3个，所述环境特征数据可以为温度、压强及湿度三个环境特征数据，即m为3，将所述风速数据集合Xw分别输入至BP f11、BP f12及BPf13、LSTM f21、LSTM f22及LSTM f23、GRU f31、GRU f32及GRU f33各自相对应的3个不同的预设基预测器集合各自所包括的每个预设基预测器中，以将所述风速数据集合分别进行深度学习。
预先构建第一预设神经网络模型集合中所包含的第一预设神经网络模型，每个所述第一预设神经网络模型的输入对应预设基预测器的输出，所述第一预设神经网络模型也为多输入1输出的多层神经网络模型，用于对基预测器的输出再进行深度学习，最终得到初始预测风速输出值，如图3所示，所述第一预设神经网络模型集合中每个第一预设神经网络模型可以为一个基于BP神经网络的3输入1输出的多层神经网络模型，请参阅图6，图6为图3中BP神经网络fn的具体示例结构示意图，基于BP神经网络的第一预设神经网络模型可以采用图6所示的结构，即BP神经网络f1、f2及f3可以采用图6所示的结构。
将原始的所述风速数据集合经过不同的预设基预测器集合分别进行深度学习，再对预设基预测器集合的输出进行深度学习，以不同预设基预测器且经过依次进行的多次深度学习的方式，描述所述风速数据集合中的风速数据各自与目标时刻所对应的目标预测风速之间的关联关系，从而实现对目标时刻所对应目标预测风速的尽可能准确预测。将每个所述预设基预测器集合各自相对应的输出值分别输入至第一预设神经网络模型集合中各自相对应的第一预设神经网络模型中，以分别对每个所述预设基预测器集合各自相对应的输出值进行深度学习，从而得到m个初始预测风速输出值，其中，所述第一预设神经网络模型包括BP神经网络模型，从而将BP神经网络与循环神经网络结合起来，经过对原始的所述风速数据集合通过基预测器进行深度学习后，再对基预测器的输出进行深度学习，以充分而尽可能准确的描述时间序列的所述风速数据集合中前后风速之间的关联关系，尽可能提高对所述目标时刻所对应的目标预测风速预测的准确性和可靠性。请继续参阅图3，如图3所示，在该实施例中，将风速数据集合(Xw)分别输入至第一个预设基预测器集合中所包含的BP f11、BP f12及BP f13，以对所述风速数据集合进行深度学习，从而得到所述第一深度学习值集合，再将所述第一深度学习值集合输入至BP神经网络f1，继续对所述第一深度学习值集合进行深度学习，从而得到初始预测风速输出值f1(X1)，类似地，得到初始预测风速输出值f2(X2)及初始预测风速输出值f3(X3)，其中，在图3所示示例中，由于第二个预设基预测器集合中所包含的LSTM神经网络与所述第三个预设基预测器集合中所包含的GRU神经网络均为循环神经网络，所述第二个预设基预测器集合各自所对应的学习值与所述第三个预设基预测器集合各自所对应的学习值可以称为第二深度学习值集合。
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第二个子流程示意图。如图5所示，在该实施例中，所述将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤包括：
S51、将所述风速数据集合输入至第一预设基预测器集合所包含的每个第一预设基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一深度学习值集合，其中，所述第一预设基预测器包括基于BP神经网络模型而构建的基预测器；
S52、将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合，其中，所述第一深度学习值集合的数量与所述第二深度学习值集合的数量之和为m，所述第二预设基预测器为基于循环神经网络模型而构建的基预测器。
具体地，通过第一预设基预测器集合所包含的每个第一预设基预测器，以分别对所述风速数据集合进行深度学习，从而得到第一深度学习值集合，所述第一预设基预测器包括基于BP神经网络模型而构建的基预测器。请继续参阅图3，将所述风速数据集合(即Xw)输入至第一预设基预测器集合所包含的BP f11、BP f12及BP f13，以分别对所述风速数据集合进行深度学习，从而得到BP f11、BP f12及BP f13各自相对应的输出值，即为得到第一深度学习值集合中所包含的值。
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RecurrentNeural 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，因此在本发明实施例中，以循环神经网络构建基预测器，对所述风速数据集合进行深度学习，以描述紧邻所述目标时刻之前的n个时刻各自所对应的已知风速之间及已知风速与目标时刻所对应的目标预测风速之间存在的关联关系，将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合，所述第二预设基预测器为基于循环神经网络模型而构建的基预测器，从而得到时间序列的风速数据之间存在的关系，也就得到每个所述预设基预测器集合各自相对应的输出值。其中，为了后续进行加权求和，所述第一深度学习值集合的数量与所述第二深度学习值集合的数量之和为m，即保持与所采用的环境特征数据所对应数量是一致的，后续才能将所述第一深度学习值集合的数量与所述第二深度学习值集合各自所包含的值与环境特征数据所对应的值进行匹配，从而将循环神经网络运用到风速数据预测中，基于时间序列的风速数据集合，能够实现对风速更好的预测效果。
请参阅图7，图7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第三个子流程示意图。如图7所示，在该实施例中，所述将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合的步骤包括：
S71、将所述风速数据集合输入至预设LSTM集合所包含的每个预设LSTM基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一子学习值集合，其中，所述预设LSTM基预测器为基于LSTM神经网络模型而构建的基预测器；
S72、将所述风速数据集合输入至预设GRU集合所包含的每个预设GRU基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第二子学习值集合，并将所述第一子学习值集合及所述第二子学习值各自分别作为所述第二深度学习值集合的子集，其中，所述预设GRU基预测器为基于GRU神经网络模型而构建的基预测器。
具体地，对所述风速数据集合进行深度学习，可以采用LSTM循环神经网络及GRU循环神经网络作为基预测器，从而分别构建基于LSTM神经网络模型的预设LSTM集合，与构建基于GRU神经网络模型的预设GRU集合，预设LSTM集合中包含若干个基于LSTM循环神经网络的预设LSTM基预测器，预设GRU集合中包含若干个基于GRU循环神经网络的预设GRU基预测器。对所述风速数据集合进行深度学习时，将所述风速数据集合输入至预设LSTM集合中所包含的每个预设LSTM基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一子学习值集合，将所述风速数据集合输入至预设GRU集合中所包含的每个预设GRU基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第二子学习值集合，并将所述第一子学习值集合及所述第二子学习值各自分别作为所述第二深度学习值集合的子集。请参阅图8，图8为图3中整体流程架构示意图的风速预测结果对比可视化示例示意图，图8描述的为采用本发明实施例所描述的基于元学习的短期风速预测方法对风速进行预测时，一示例中预测值和真实值对比可视化示意图，如图8所示，图8中纵轴用于描述风速，单位为米/秒，同时，为了显示方便，图8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。由图8可知，采用本发明实施例所描述的基于元学习的短期风速预测方法对风速进行预测的预测值和真实值极为相似，预测值和真实值误差较小，能够提高对风速预测的准确性和可靠性，能够实现更为精确和可靠的风速预测，减小风速预测的误差和风险。
在其它实施例中，LSTM f21、LSTM f22及LSTM f23组成的第二个预设基预测器集合，及GRU f31、GRU f32及GRU f33组成的第三个预设基预测器集合，可以作为对风速数据集合进行深度学习的部分预设基预测器集合，即对风速数据集合进行深度学习的预设基预测器集合除了包含预设LSTM集合及预设GRU集合外，也可以包含基于其它循环神经网络模型的预设基预测器集合，即所述第一子学习值集合及所述第二子学习值各自分别为所述第二深度学习值集合的子集，每个预设LSTM集合或者每个预设GRU集合中的预设基预测器不一定为图2中的3个，也可以包含5、7、8或者10个等，需要根据具体需要进行灵活设置。
请参阅图9，图9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第四个子流程示意图。如图9所示，在该实施例中，所述将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤包括：
S91、根据由前n个时刻各自相对应的风速来预测n+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n+1维的矩阵，其中，所述矩阵的前n列为特征值，第n+1列为目标值；
S92、将所述矩阵分别输入至m个不同的预设基预测器集合各自所包含的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值。
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，具体为按照使用前n个时刻的历史数据来预测下一个n+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n+1维的矩阵形式，即可以通过前n个时刻的风速数据来预测n+1刻的风速数据，由前n+1个时刻的数据预测第n+2个时刻的风速数据等。即根据由前n个时刻各自相对应的风速来预测n+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n+1维的矩阵，其中，前n列为特征值，第n+1列为目标值，n为正整数，将所述矩阵分别输入至m个经预训练的不同预设基预测器集合各自所包含的每个预设基预测器中，以分别对所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，所有所述预设基预测器集合各自相对应的输出值的数量为m个。请参阅图10，图10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多个不同的预设基预测器集合中，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。
在一实施例中，所述基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值的步骤之前，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。归一化的方法包括对数对一或者指数归一等，在本发明实施例中都可以采用。
具体地，请继续参阅图3，可以通过搭建一个多输入多输出的BP神经网络fmeta，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神经网络fmeta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，使得输出的数据全部为0至1之间的小数，且相加为1，可作为BP神经网络fn的系数。可以采用如下公式(1)对环境特征数据进行归一化处理：
Figure GDA0003526674640000151
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，可以通过将多个环境特征数据输入多输入多输出的BP神经网络fmeta中来产生多个系数，针对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，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，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。
在一实施例中，所述获取用于预测目标时刻所对应目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据的步骤之前，还包括：
使用第一训练样本集训练用于预测目标时刻所对应目标预测风速的预设风速预测组合模型，以得到训练后的预设风速预测组合模型，所述第一训练样本集包括时间序列的训练风速数据集合，及所述训练风速数据集合中所包含的训练风速所对应的训练环境特征数据，所述预设风速预测组合模型包括多个所述预设神经网络模型集合各自所包含的不同预设神经网络模型及所述预设系数神经网络模型。
其中，所述预设风速预测组合模型即为实现基于元学习的短期风速预测的方法中所涉及的所有构建的神经网络模型，包括多个所述预设神经网络模型集合各自所包含的不同预设神经网络模型及所述预设系数神经网络模型，其中，所述多个所述预设神经网络模型集合各自所包含的不同预设神经网络模型包括m个不同的预设基预测器集合各自所包括的每个预设基预测器，及第一预设神经网络模型集合中所包含的第一预设神经网络模型。
具体地，使用第一训练样本集训练所述预设风速预测组合模型时，获取原始训练样本，并将原始训练样本划分为第一训练样本集及第一测试样本集，所述第一训练样本集可以为原始训练样本数据量的90％，所述第一测试样本集可以为原始训练样本数据量的10％。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n个时刻各自所对应的风速来预测n+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n+1维的第一测试矩阵，其中，所述第一测试矩阵的前n列为特征值，第n+1列为目标值，训练所述预设风速预测组合模型时，包括以下过程：
1)首先将所述第一测试矩阵分别输入至多个所述预设神经网络模型集合各自所包含的不同预设神经网络模型的m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以对每个所述基预测器进行训练，并得到训练后的基预测器；
2)再将训练后的预设基预测器与第一预设神经网络模型集合中所包含的第一预设神经网络模型组合起来，并将所述第一测试矩阵分别输入至训练后的预设基预测器，以得到训练后的预设基预测器所输出的测试值，并利用所述测试值训练第一预设神经网络模型集合中所包含的第一预设神经网络模型，以得到训练后的第一预设神经网络模型集合中所包含的第一预设神经网络模型，并将训练后的预设基预测器与训练后的第一预设神经网络模型集合中所包含的第一预设神经网络模型组合。
3)将训练后的预设基预测器与训练后的第一预设神经网络模型集合中所包含的第一预设神经网络模型，及所述预设系数神经网络模型进行组合，以组合成所述预设风速预测组合模型，并利用所述训练风速数据集合中所包含的训练风速所对应的训练环境特征数据训练所述预设系数神经网络模型，以得到训练后的预设系数神经网络模型。训练后的预设基预测器与训练后的第一预设神经网络模型集合中所包含的第一预设神经网络模，及训练后的预设系数神经网络模型，即组成了训练后的预设风速预测组合模型，即上述基于元学习的短期风速预测方法中使用的各个神经网络模型的组合。
对包含所述基预测器的所述预设风速预测组合模型训练完成后，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n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n+1时刻所对应风速的第一风速预测值，使用预设评价方式评价所述真实值与所述真实值相对应的所述第一预测值之间的误差，可以判断n+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。
进一步地，请继续参阅图3，如图3所示，使用第一训练样本集训练所述预设风速预测组合模型时包括以下过程：
1)训练9个基预测器。对所述预设风速预测组合模型进行训练时，将第一测试矩阵分别输入至BP f11、BP f12、BP f13、LSTM f21、LSTM f22、LSTM f23、GRU f31、GRU f32、GRUf33，从而对上述9个基预测器进行训练，以得到训练后的上述9个基预测器。2)训练9个基预测器与BP神经网络f1、f2及f3的组合，主要是利用训练后的9个基预测器的输出训练BP神经网络f1、f2及f3，即将训练后的BP f11、BP f12、BP f13、LSTM f21、LSTM f22、LSTM f23、GRUf31、GRU f32、GRU f33输出的值各自对应出入至BP神经网络f1、BP神经网络f2及BP神经网络f3，以各自相对应得到f1(X1)、f2(X2)及f3(X3)，从而对BP神经网络f1、f2及f3进行训练，以得到训练后的BP神经网络f1、f2及f3。3)将训练后的9个基预测器与训练后的BP神经网络f1、f2及f3，及BP神经网络fmeta组合为相对应的预设组合模型，即为预设风速预测组合模型，并利用述训练风速数据集合中所包含的训练风速所对应的训练环境特征数据训练所述BP神经网络fmeta，以得到训练后的BP神经网络fmeta，从而得到训练后的预设风速预测组合模型。其中，是将环境特征数据经归一化处理后，输入至预设BP神经网络fmeta中，以训练预设BP神经网络fmeta。4)最后使用第一测试样本集测试训练后的预设风速预测组合模型，并最终得到预测值F(X)，然后将预测值F(X)及其相对应的真实值做对比，以对预设风速预测组合模型进行预测效果的评价。
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。最后，可以采用风速和环境特征数据中的测试集按照搭建的预设风速预测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，可视化效果可以通过图形来描述，主要是画图，画出相同时刻的真实值和预测值对比效果图，请继续参阅图8，如图8所示为一示例的可视化对比图。本发明实施例中，通过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。在一示例中，对预设风速预测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
14.28％ 0.67 0.80 0.89 0.85
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。可见，在本发明实施例中，由于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，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。
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11，图11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11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计算机设备中。具体地，请参阅图11，该基于元学习的短期风速预测装置1100包括获取单元1101、第一处理单元1102、第二处理单元1103及求和单元1104。其中，获取单元1101，用于获取用于预测目标时刻所对应目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；第一处理单元1102，用于基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；第二处理单元1103，用于基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；求和单元1104，用于以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速。
在一实施例中，所述第一处理单元1102包括：第一输入子单元，用于将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，其中，m个所述预设基预测器集合分别包含基于不同类型的神经网络模型而构建的预设基预测器，每个所述预设基预测器集合包括Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络模型而构建的，Z为正整数；第二输入子单元，用于将每个所述预设基预测器集合各自相对应的输出值分别输入至第一预设神经网络模型集合中各自相对应的第一预设神经网络模型中，以分别对每个所述预设基预测器集合各自相对应的输出值进行深度学习，从而得到m个初始预测风速输出值，其中，所述第一预设神经网络模型包括BP神经网络模型。
在一实施例中，所述第一输入子单元包括：第一加权处理子单元，用于将所述风速数据集合输入至第一预设基预测器集合所包含的每个第一预设基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一深度学习值集合，其中，所述第一预设基预测器包括基于BP神经网络模型而构建的基预测器；第一学习子单元，用于将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合，其中，所述第一深度学习值集合的数量与所述第二深度学习值集合的数量之和为m，所述第二预设基预测器为基于循环神经网络模型而构建的基预测器。
在一实施例中，所述第一学习子单元包括：第二学习子单元，用于将所述风速数据集合输入至预设LSTM集合所包含的每个预设LSTM基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一子学习值集合，其中，所述预设LSTM基预测器为基于LSTM神经网络模型而构建的基预测器；第三学习子单元，用于将所述风速数据集合输入至预设GRU集合所包含的每个预设GRU基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第二子学习值集合，并将所述第一子学习值集合及所述第二子学习值各自分别作为所述第二深度学习值集合的子集，其中，所述预设GRU基预测器为基于GRU神经网络模型而构建的基预测器。
在一实施例中，所述第一处理单元1102包括：转换子单元，用于根据由前n个时刻各自相对应的风速来预测n+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n+1维的矩阵，其中，所述矩阵的前n列为特征值，第n+1列为目标值；第三输入子单元，用于将所述矩阵分别输入至m个不同的预设基预测器集合各自所包含的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值。
在一实施例中，所述求和单元1104包括：匹配子单元，用于以一个所述系数输出值匹配一个所述初始预测风速输出值的方式，将m个所述系数输出值以不重复使用方式分别作为m个所述初始预测风速输出值的系数；求和子单元，用于将所述初始预测风速输出值及所述初始预测风速输出值相对应的系数进行乘积，再将所有乘积得到的值进行求和，并将求和得到的值作为所述目标预测风速。
在一实施例中，所述基于元学习的短期风速预测装置1100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。
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12所示的计算机设备上运行。请参阅图12，图12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12，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，其中，存储介质703也可以为易失性存储介质。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12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12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目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速。
在一实施例中，所述处理器702在实现所述基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值的步骤时，具体实现以下步骤：将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合分别进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，其中，m个所述预设基预测器集合分别包含基于不同类型的神经网络模型而构建的预设基预测器，每个所述预设基预测器集合包括Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络模型而构建的，Z为正整数；将每个所述预设基预测器集合各自相对应的输出值分别输入至第一预设神经网络模型集合中各自相对应的第一预设神经网络模型中，以分别对每个所述预设基预测器集合各自相对应的输出值进行深度学习，从而得到m个初始预测风速输出值，其中，所述第一预设神经网络模型包括BP神经网络模型。
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m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合分别进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤时，具体实现以下步骤：将所述风速数据集合输入至第一预设基预测器集合所包含的每个第一预设基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一深度学习值集合，其中，所述第一预设基预测器包括基于BP神经网络模型而构建的基预测器；将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合，其中，所述第一深度学习值集合的数量与所述第二深度学习值集合的数量之和为m，所述第二预设基预测器为基于循环神经网络模型而构建的基预测器。
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输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合的步骤时，具体实现以下步骤：将所述风速数据集合输入至预设LSTM集合所包含的每个预设LSTM基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一子学习值集合，其中，所述预设LSTM基预测器为基于LSTM神经网络模型而构建的基预测器；将所述风速数据集合输入至预设GRU集合所包含的每个预设GRU基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第二子学习值集合，并将所述第一子学习值集合及所述第二子学习值各自分别作为所述第二深度学习值集合的子集，其中，所述预设GRU基预测器为基于GRU神经网络模型而构建的基预测器。
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m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合分别进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤时，具体实现以下步骤：根据由前n个时刻各自相对应的风速来预测n+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n+1维的矩阵，其中，所述矩阵的前n列为特征值，第n+1列为目标值；将所述矩阵分别输入至m个不同的预设基预测器集合各自所包含的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值。
在一实施例中，所述处理器702在实现所述以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速的步骤时，具体实现以下步骤：以一个所述系数输出值匹配一个所述初始预测风速输出值的方式，将m个所述系数输出值以不重复使用方式分别作为m个所述初始预测风速输出值的系数；将所述初始预测风速输出值及所述初始预测风速输出值相对应的系数进行乘积，再将所有乘积得到的值进行求和，并将求和得到的值作为所述目标预测风速。
在一实施例中，所述处理器702在实现所述基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值的步骤之前，还实现以下步骤：将所述环境特征数据进行归一化处理。
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(CentralProcessing Unit，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，本发明实施例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也可以为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。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。
以上所述，仅为本发明的具体实施方式，但本发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，包括：
获取用于预测目标时刻所对应目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；
基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；
基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；
以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速；
其中，所述基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值的步骤包括：
将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，其中，m个所述预设基预测器集合分别包含基于不同类型的神经网络模型而构建的预设基预测器，每个所述预设基预测器集合包括Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络模型而构建的，Z为正整数。
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m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值之后，还包括：
将每个所述预设基预测器集合各自相对应的输出值分别输入至第一预设神经网络模型集合中各自相对应的第一预设神经网络模型中，以分别对每个所述预设基预测器集合各自相对应的输出值进行深度学习，从而得到m个初始预测风速输出值，其中，所述第一预设神经网络模型包括BP神经网络模型。
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，所述将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤包括：
将所述风速数据集合输入至第一预设基预测器集合所包含的每个第一预设基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一深度学习值集合，其中，所述第一预设基预测器包括基于BP神经网络模型而构建的基预测器；
将所述风速数据集合输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合，其中，所述第一深度学习值集合的数量与所述第二深度学习值集合的数量之和为m，所述第二预设基预测器为基于循环神经网络模型而构建的基预测器。
4.根据权利要求3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输入至第二预设基预测器集合所包含的每个第二预设基预测器中，以分别对所述风速数据集合进行深度学习，以得到第二深度学习值集合的步骤包括：
将所述风速数据集合输入至预设LSTM集合所包含的每个预设LSTM基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第一子学习值集合，其中，所述预设LSTM基预测器为基于LSTM神经网络模型而构建的基预测器；
将所述风速数据集合输入至预设GRU集合所包含的每个预设GRU基预测器中，以分别对所述风速数据集合进行深度学习，从而得到第二子学习值集合，并将所述第一子学习值集合及所述第二子学习值各自分别作为所述第二深度学习值集合的子集，其中，所述预设GRU基预测器为基于GRU神经网络模型而构建的基预测器。
5.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，所述将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值的步骤包括：
根据由前n个时刻各自相对应的风速来预测n+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n+1维的矩阵，其中，所述矩阵的前n列为特征值，第n+1列为目标值；
将所述矩阵分别输入至m个不同的预设基预测器集合各自所包含的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值。
6.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，所述以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速的步骤包括：
以一个所述系数输出值匹配一个所述初始预测风速输出值的方式，将m个所述系数输出值以不重复使用方式分别作为m个所述初始预测风速输出值的系数；
将所述初始预测风速输出值及所述初始预测风速输出值相对应的系数进行乘积，再将所有乘积得到的值进行求和，并将求和得到的值作为所述目标预测风速。
7.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，所述基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值的步骤之前，还包括：
将所述环境特征数据进行归一化处理。
8.一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目标预测风速的原始数据，所述原始数据包括由紧邻所述目标时刻之前的n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对应的m个环境特征数据，其中，n和m均为正整数；
第一处理单元，用于基于经预训练的多个预设神经网络模型集合各自所包含的不同预设神经网络模型，分别对所述风速数据集合进行深度学习，以得到m个初始预测风速输出值；
第二处理单元，用于基于经预训练的预设系数神经网络模型，将所述环境特征数据进行深度学习，以得到相对应的m个系数输出值；
求和单元，用于以所述系数输出值作为加权系数，按照预设加权方式将所述初始预测风速输出值进行加权求和，并将求和所得的值作为所述目标预测风速；
其中，所述第一处理单元包括：
第一输入子单元，用于将所述风速数据集合分别输入至m个不同的预设基预测器集合各自所包括的每个预设基预测器中，以分别将所述风速数据集合进行深度学习，从而得到每个所述预设基预测器集合各自相对应的输出值，其中，m个所述预设基预测器集合分别包含基于不同类型的神经网络模型而构建的预设基预测器，每个所述预设基预测器集合包括Z个预设基预测器，Z个所述预设基预测器为基于同类型的神经网络模型而构建的，Z为正整数。
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1-7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1-7中任一项所述基于元学习的短期风速预测方法的步骤。
CN202011519653.2A 2020-12-21 2020-12-21 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 Active CN112561180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011519653.2A CN112561180B (zh) 2020-12-21 2020-12-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011519653.2A CN112561180B (zh) 2020-12-21 2020-12-21 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

Publications (2)

Publication Number Publication Date
CN112561180A CN112561180A (zh) 2021-03-26
CN112561180B true CN112561180B (zh) 2022-05-17

Family

ID=75031641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011519653.2A Active CN112561180B (zh) 2020-12-21 2020-12-21 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

Country Status (1)

Country Link
CN (1) CN112561180B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415478A (zh) * 2021-12-31 2023-07-11 深圳先进技术研究院 基于神经网络的转矩估测方法、装置、设备及存储介质
CN117909696B (zh) * 2024-03-20 2024-05-31 北京科技大学 一种基于风速传感器的风速风向预警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN111461445A (zh) * 2020-04-09 2020-07-28 深圳大学 短期风速预测方法、装置、计算机设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419209A (zh) * 2008-12-04 2009-04-29 哈尔滨工程大学 卷烟感官评吸和烟气指标的免疫神经网络预测方法
JP7213241B2 (ja) * 2017-11-14 2023-01-26 マジック リープ， インコーポレイテッド ニューラルネットワークに関するマルチタスク学習のためのメタ学習
CN109272139A (zh) * 2018-07-24 2019-01-25 东华大学 一种基于非线性集成深度学习的短期风速预测方法
CN109919387A (zh) * 2019-03-15 2019-06-21 福建工程学院 一种采用重采样递归神经网络的地铁乘客拥挤度预测方法
CN109978268A (zh) * 2019-03-29 2019-07-05 广东电网有限责任公司 一种短期负荷预测方法、系统及相关装置
US11620568B2 (en) * 2019-04-18 2023-04-04 Oracle International Corporation Using hyperparameter predictors to improve accuracy of automatic machine learning model selection
CN111353640B (zh) * 2020-02-26 2022-04-08 西南交通大学 一种组合法风速预测模型构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN111461445A (zh) * 2020-04-09 2020-07-28 深圳大学 短期风速预测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Meta Learning-Based Hybrid Ensemble Approach";ZHENGWEI MA等;《IEEE Access》;20200922;第8卷;第172859-172868页 *

Also Published As

Publication number Publication date
CN112561180A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Afrasiabi et al. Advanced deep learning approach for probabilistic wind speed forecasting
Ma et al. A hybrid attention-based deep learning approach for wind power prediction
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110909926A (zh) 基于tcn-lstm的太阳能光伏发电预测方法
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN112733444A (zh) 基于CycleGAN神经网络的多步长时间序列预测方法
US20220147877A1 (en) System and method for automatic building of learning machines using learning machines
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
CN112508243B (zh) 电力信息系统多故障预测网络模型的训练方法及装置
CN111785014A (zh) 一种基于dtw-rgcn的路网交通数据修复的方法
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN114490065A (zh) 一种负载预测方法、装置及设备
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN112988840A (zh) 一种时间序列预测方法、装置、设备和存储介质
CN115564155A (zh) 一种分散式风电机组功率预测方法及相关设备
CN116822374A (zh) 一种风速多步预测方法、装置、计算机设备和存储介质
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
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
CN115511162A (zh) 一种基于CVMD-GRU-DenseNet混合模型的短期电力负荷预测方法
Abdulsalam et al. Electrical energy demand forecasting model using artificial neural network: A case study of Lagos State Nigeria
CN116706907B (zh) 基于模糊推理的光伏发电预测方法和相关设备
CN116739130A (zh) TCN-BiLSTM网络的多时间尺度负荷预测方法
Maleki et al. Improvement of credit scoring by lstm autoencoder model
CN115619563A (zh) 一种基于神经网络的股票价格分析方法

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
GR01 Patent grant
GR01 Patent grant