CN114970855A - 风场预测模型的构建方法、装置、设备、介质及预测方法 - Google Patents

风场预测模型的构建方法、装置、设备、介质及预测方法 Download PDF

Info

Publication number
CN114970855A
CN114970855A CN202210598158.8A CN202210598158A CN114970855A CN 114970855 A CN114970855 A CN 114970855A CN 202210598158 A CN202210598158 A CN 202210598158A CN 114970855 A CN114970855 A CN 114970855A
Authority
CN
China
Prior art keywords
wind speed
speed distribution
prediction
time
sample images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210598158.8A
Other languages
English (en)
Inventor
李霞
叶允明
徐光宁
刘兴润
刘栋
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN202210598158.8A priority Critical patent/CN114970855A/zh
Publication of CN114970855A publication Critical patent/CN114970855A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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"
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (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)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及计算机技术领域，特别涉及一种风场预测模型的构建方法、装置、设备、介质及预测方法。其中，构建方法包括：获取多个训练样本，训练样本包括若干个风速分布样本图像，若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；利用训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；预测神经网络包括：编码器和解码器；解码器包括多个特征预测单元。本发明可以构建得到风场预测模型，提高风场预测的预测准确度。

Description

风场预测模型的构建方法、装置、设备、介质及预测方法
技术领域
本发明实施例涉及计算机技术领域，特别涉及一种风场预测模型的构建方法、装置、设备、介质及预测方法。
背景技术
风能在新能源发展中扮演着重要的角色，但是由于风速的间歇、随机和突变等特性，严重影响了风能发电的稳定性，为大规模风电并网的安全、稳定经济运行带来了严峻的挑战。为了应对上述挑战，首要前提是保证风场中各点风速的高精度预测，高精度的风场预测能够为调度人员制定发电计划提供参考，及时调整调度计划，找到最优机组组合方案，进而实现电能的供需平衡，防止低负荷时段风资源过剩造成浪费，保证风能并网的经济性。因此，准确的风场预测在风能利用领域显得尤为重要。
相关技术中，传统的风场预测方法主要基于物理建模来实现风速预测。物理建模方法主要是根据牛顿定律，流体力学和热力学等建立大气运动的动态方程组，在给定的大气初始条件下求解有关各气象要素(如风速，温度，湿度等)的动力学方程来估计风速。然而，基于物理模型的传统方法不仅在求解方程组时需要耗费大量的计算资源，而且其在预测时间、空间分辨率和预测精度上的准确度并不高。
因此，亟需一种风场预测的新方法。
发明内容
为了解决原有的风场预测方法的预测准确度不高的问题，本发明实施例提供了一种风场预测模型的构建方法、装置、设备、介质及预测方法。
第一方面，本发明实施例提供了一种风场预测模型的构建方法，包括：
获取多个训练样本，所述训练样本包括若干个风速分布样本图像，所述若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
利用所述训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将所述训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；所述预测神经网络包括：编码器和解码器；所述解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
优选的，所述编码器包括多层隐藏状态提取单元；多个特征预测单元之间串联连接；
所述对预测神经网络进行训练，包括：
将作为输入的多个风速分布样本图像输入至所述编码器中，以利用每一层隐藏状态提取单元对所述多个风速分布样本图像进行对应层的隐藏状态提取；
将对作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态和作为输入的且对应最晚时间的目标风速分布样本图像输入至所述解码器中，以利用多个特征预测单元一一对应的输出时间连续的多个风速分布预测样本图像；所述多个风速分布预测样本图像的时间晚于所述目标风速分布样本图像的时间，且时间连续；
根据所述多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整所述预测神经网络的网络参数，直至得到符合预期的风场预测模型。
优选的，所述多层隐藏状态提取单元串联连接；
每一层隐藏状态提取单元均按照如下方式对所述多个风速分布样本图像进行对应层次的隐藏状态提取：
按照时间先后顺序，逐个获取每一个风速分布样本图像的时空特征，并在获取到当前风速分布样本图像的时空特征之后，利用该时空特征对当前层次的隐藏状态进行更新，以及将该时空特征发送给与其串联的更高层次的隐藏状态提取单元。
优选的，每一个特征预测单元包括与多层隐藏状态提取模块一一对应的多层特征预测模块；
每一个特征预测单元均按照如下方式输出风速分布预测样本图像：
针对该特征预测单元中的每一个特征预测模块，均执行：
获取输入图像的时空特征，并将该时空特征发送给与其串联的更低层次的特征预测模块；根据该时空特征和输入的对应层次的隐藏状态，对当前层次的隐藏状态进行更新，并将当前层次更新后的隐藏状态发送给与该特征预测单元的输出端串联的下一个特征预测单元；
该特征预测单元中最低层次的特征预测模块还根据接收到的时空特征输出风速分布预测样本图像，并将输出的风速分布预测样本图像输入给下一个特征预测单元。
优选的，所述根据所述多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整所述预测神经网络的网络参数，包括：
针对每一个特征预测单元，均根据该特征预测单元输出的风速分布预测样本图像和作为输出的对应时间的风速分布样本图像调整该特征预测单元的网络参数。
第二方面，本发明实施例还提供了一种利用本说明书中任一所述风场预测模型的构建方法构建的风场预测模型进行风场预测的预测方法，包括：
获取历史时间序列的若干个风速分布样本图像；
将历史时间序列的若干个风速分布样本图像输入至所述风场预测模型中；
接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
第三方面，本发明实施例还提供了一种风场预测模型的构建装置，包括：
获取模块，用于获取多个训练样本，所述训练样本包括若干个风速分布样本图像，所述若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
构建模块，用于利用所述训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将所述训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；所述预测神经网络包括：编码器和解码器；所述解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
第四方面，本发明实施例还提供了一种风场预测装置，包括：
序列获取模块，用于获取历史时间序列的若干个风速分布样本图像；
输入模块，用于将历史时间序列的若干个风速分布样本图像输入至风场预测模型中；所述风场预测模型是利用利用本发明任一所述风场预测模型的构建方法构建的；
预测模块，用于接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
第五方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种风场预测模型的构建方法、装置、设备、介质及预测方法，利用多个训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；其中预测神经网络包括编码器和由多个特征预测单元组成的解码器，对风速分布样本图像进行时空特征的提取与预测，以训练得到风场预测模型，以此来提高风场预测的预测准确度。
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是本发明一实施例提供的一种风场预测模型的构建方法流程图；
图2是本发明一实施例提供的编码器和解码器的结构示意图；
图3是本发明一实施例提供的一种特征预测单元的结构示意图；
图4是本发明一实施例提供的一种电子设备的硬件架构图；
图5是本发明一实施例提供的一种风场预测模型的构建装置结构图；
图6是本发明一实施例提供的另一种电子设备的硬件架构图；
图7是本发明一实施例提供的一种风场预测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
如前所述，相关技术中，传统的风场预测方法主要基于物理建模来实现风速预测。物理建模方法主要是根据牛顿定律，流体力学和热力学等建立大气运动的动态方程组，在给定的大气初始条件下求解有关各气象要素(如风速，温度，湿度等)的动力学方程来估计风速。然而，基于物理模型的传统方法不仅在求解方程组时需要耗费大量的计算资源，而且其在预测时间、空间分辨率和预测精度上的准确度并不高。
为了解决上述技术问题，发明人可以考虑首先获取多个包括作为输入的时间靠前的且时间连续的多个风速分布样本图像和作为输出的与作为输入的风速分布样本图像相连续的时间靠后的多个风速分布样本图像的训练样本，再利用包括编码器和由多个特征预测单元组成解码器的预测神经网络对多个训练样本的风速分布样本图像进行时空特征的提取与预测，以训练得到风场预测模型，由于风场预测模型是基于风场中多个气象格点的风速分布的时空特征构建的，因此可以显著提高风场预测的预测准确度。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种风场预测模型的构建方法，该方法包括：
步骤100：获取多个训练样本，训练样本包括若干个风速分布样本图像，若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
步骤102：利用训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；预测神经网络包括：编码器和解码器；解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
本发明实施例中，利用多个训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；其中预测神经网络包括编码器和由多个特征预测单元组成的解码器，对风速分布样本图像进行时空特征的提取与预测，以训练得到风场预测模型，以此来提高风场预测的预测准确度。
下面描述图1所示的各个步骤的执行方式。
针对步骤100：
在本发明实施例中，获取的多个训练样本中的每个风速分布样本图像是格点型的空间分布图像数据，即CAMS数据集。该数据集的风速分布数据在地理空间上均匀分布，即为格点型，包含所要研究的每个区域的风速空间分布特征，具有高分辨率高准确性。
具体地，训练样本的构建方法为：
举例来说，选定CAMS数据集中2018年至2021年的连续监测的风速分布数据，以3个小时为一个时间间隔，即以3个小时的数据作为一个风速分布样本图像，且为一个时刻的风速分布样本图像。为了使训练样本的数量足够，使预测神经网络得到充分的训练，提高风场预测模型的预测准确度，故利用窗口重叠的滑动窗口对2018年至2021年的风速分布数据进行数据分割，每3个小时为一个单位长度，每连续的16张风速分布样本图像作为一个序列。例如，第一个训练样本的输入序列数据为2018年1月1日零时刻到2018年1月2日21时刻的16个时刻风速分布样本图像，输出序列数据为2018年1月3日零时刻到2018年1月4日24时刻的16个时刻风速分布样本图像；向后滑动一个图像时刻，即3个小时，那么第二个训练样本的输入序列数据为2018年1月1日3时刻到2018年1月3日0时刻的16个时刻风速分布样本图像，输出序列数据为2018年1月3日3时刻到2018年1月5日0时刻的16个时刻风速分布样本图像。以此类推，将风速分布数据分为训练数据、验证数据和测试数据。训练数据、验证数据和测试数据的分割按照6:2:2的比例。由于现有的数据是按照时间连续的，每个样本图像都有其对应的起始时间。结合现实情况来讲，模型通常使用历史数据训练模型来预测未来数据，因此，数据的分割也应当有时序关系。因此，模型训练时，前60％的历史数据作为训练数据，接着的20％数据作为验证数据，最后20％的数据作为测试数据。然后再对训练数据和验证数据分别打乱。进行打乱可以防止训练过程中的风场预测模型抖动，有利于风场预测模型的健壮性，尤其是在训练的batch size较小的情况下，此外，打乱数据还可以防止过拟合。
需要说明的是，作为输入的每个时间序列中风速分布样本图像的数量、作为输出的每个时间序列中风速分布样本图像的数量和每个风速分布样本图像对应的时间间隔可以根据实际情况而定，故不做具体限定。其中，作为输入的每个时间序列中风速分布样本图像的数量和作为输出的每个时间序列中风速分布样本图像的数量可以相等，也可以不相等。
针对步骤102：
在一些实施方式中，编码器包括多层隐藏状态提取单元；多个特征预测单元之间串联连接。
如图2所示为编码器和解码器的结构示意图，在本发明实施例中，编码器包括三层隐藏状态提取单元，每层隐藏状态提取单元包括卷积层和卷积门控循环单元，本发明实施例中编码层仅有一组三层隐藏状态提取单元，循环执行以对作为输入的每个风速分布样本图像进行隐藏状态提取；而解码层由多个特征预测单元串联连接而成，且特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
需要说明的是，编码层中可以仅有一组三层隐藏状态提取单元，也可以有若干组三层隐藏状态提取单元；同样，每组隐藏状态提取单元中，可以为三层隐藏状态提取单元，也可以为单层隐藏状态提取单元，在此不做具体限定。
在一些实施方式中，对预测神经网络进行训练可以包括如下步骤S1-S3：
S1：将作为输入的多个风速分布样本图像输入至编码器中，以利用每一层隐藏状态提取单元对多个风速分布样本图像进行对应层的隐藏状态提取。
由于风速变化具有间歇、突变、非平稳等特性，大多数预测模型的记忆状态转移方式是单向的，不利于提取全局的空间特征，因此在本发明实施例中，编码层设置了多层串联在一起的隐藏状态提取单元，有利于编码层提取多层次的空间特征，以提高风场预测模型的预测准确度。
在一些实施方式中，每一层隐藏状态提取单元均按照如下方式对多个风速分布样本图像进行对应层次的隐藏状态提取：
按照时间先后顺序，逐个获取每一个风速分布样本图像的时空特征，并在获取到当前风速分布样本图像的时空特征之后，利用该时空特征对当前层次的隐藏状态进行更新，以及将该时空特征发送给与其串联的更高层次的隐藏状态提取单元。
在本发明实施例中，每一层隐藏状态提取单元可以按照如下公式对多个风速分布样本图像进行对应层次的隐藏状态提取：
Figure BDA0003668921170000081
Figure BDA0003668921170000082
Figure BDA0003668921170000083
Figure BDA0003668921170000084
其中，*表示卷积，·表示哈密尔顿积，L代表隐藏状态提取单元的层次号，
Figure BDA0003668921170000085
是i时刻第L层次的更新门的输出，
Figure BDA0003668921170000086
是i时刻第L层次的重置门的输出，
Figure BDA0003668921170000087
表示i时刻第L层次的隐藏状态更新向量，σ为第一激活函数，tanh为第二激活函数，Wxz、Whz、Wxr、Whr、Wxf、Whf、
Figure BDA0003668921170000088
为所述编码层的网络参数，
Figure BDA0003668921170000089
表示输入的第一时间序列的风速分布样本图像在第L层次提取的空间特征图像，
Figure BDA00036689211700000810
表示第L层次对i-1时刻对应的风速分布样本图像进行编码得到的隐藏状态，
Figure BDA00036689211700000811
表示第L层次对i时刻对应的风速分布样本图像进行编码得到的隐藏状态。
举例来说，一个区域的风场可以视为大小为M*N的图像，图像中某个像素点的值表示在该气象格点处风速的大小。如果用Xt∈RM×N×1代表风场在时刻t的观测值，则区域风场预测问题可以表述如下：在给定J张连续观测的风场的风速分布样本图像{Xt,Xt-1,…,Xt-J-1}作为输入的条件下，预测出未来T个时刻的风场图像{Xt+1,Xt+2,…,Xt+T}。
如图2所示，将作为输入的J个风速分布样本图像{Xt,Xt-1,…,Xt-J-1}按时间顺序逐个输入编码层的第1层隐藏状态提取单元，首先将t-J-1时刻的风速分布样本图像输入第一层隐藏状态提取单元，第一层隐藏状态提取单元的卷积层对t-J-1时刻的风速分布样本图像进行第一次空间特征提取得到
Figure BDA0003668921170000091
在卷积门控循环单元中，随机赋值
Figure BDA0003668921170000092
根据上述公式得到t-J-1时刻第一层隐藏状态提取单元的隐藏状态
Figure BDA0003668921170000093
并将
Figure BDA0003668921170000094
发送给与其串联的第二层次隐藏状态提取单元，第二层次隐藏状态提取单元与第一层次隐藏状态提取单元相同的步骤，得到
Figure BDA0003668921170000095
同理，第三层次隐藏状态提取单元输出
Figure BDA0003668921170000096
接着，将下一时刻，即t-J时刻的风速分布样本图像输入第一层隐藏状态提取单元，第一层隐藏状态提取单元的卷积层对t-J时刻的风速分布样本图像进行第一次空间特征提取得到
Figure BDA0003668921170000097
在卷积门控循环单元中，基于t-J-1时刻的
Figure BDA0003668921170000098
根据上述公式得到t-J时刻第一层隐藏状态提取单元的隐藏状态
Figure BDA0003668921170000099
并将
Figure BDA00036689211700000910
发送给与其串联的第二层次隐藏状态提取单元，第二层次隐藏状态提取单元与第一层次隐藏状态提取单元相同的步骤，得到
Figure BDA00036689211700000911
同理，第三层次隐藏状态提取单元输出
Figure BDA00036689211700000912
如此，逐个输入{Xt,Xt-1,…,Xt-J-1}中剩余的风速分布样本图像，最后编码层的每一层隐藏状态提取单元输出最后一个时刻，即t时刻的风速分布样本图像的隐藏状态
Figure BDA00036689211700000913
S2：将对作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态和作为输入的且对应最晚时间的目标风速分布样本图像输入至解码器中，以利用多个特征预测单元一一对应的输出时间连续的多个风速分布预测样本图像；多个风速分布预测样本图像的时间晚于目标风速分布样本图像的时间，且时间连续。
在本发明实施例中，将步骤S1中编码层输出的作为输入的且对应最晚时间的目标风速分布样本图像的每一层的隐藏状态，输入解码器中第一时刻的特征预测单元中，预测相对于作为输入的且对应最晚时间的目标风速分布样本图像的下一时刻的风速分布预测样本图像，以使串联的多个特征预测单元预测对应时刻的风速分布预测样本图像。
在一些实施方式中，每一个特征预测单元包括与多层隐藏状态提取模块一一对应的多层特征预测模块；
每一个特征预测单元均按照如下方式输出风速分布预测样本图像：
针对该特征预测单元中的每一个特征预测模块，均执行：
获取输入图像的时空特征，并将该时空特征发送给与其串联的更低层次的特征预测模块；根据该时空特征和输入的对应层次的隐藏状态，对当前层次的隐藏状态进行更新，并将当前层次更新后的隐藏状态发送给与该特征预测单元的输出端串联的下一个特征预测单元；
该特征预测单元中最低层次的特征预测模块还根据接收到的时空特征输出风速分布预测样本图像，并将输出的风速分布预测样本图像输入给下一个特征预测单元。
为了提高风场预测模型的预测准确度，在每一个特征预测单元设置了与编码层的多层隐藏状态提取模块一一对应的多层特征预测模块。为了竖直捕捉多层次的空间特征，在每一个特征预测模块中设置了空间卷积门控循环单元，以使空间特征沿着竖直方向在多层特征预测模块之间传递；为了更好地提取时间特征，沿着时序更新隐藏状态，在每一个特征预测模块中设置了卷积门控循环单元，以沿着时间轴水平传递更新隐藏状态。
在本发明实施例中，每一层特征预测模块按照如下公式逐层预测时空特征：
Figure BDA0003668921170000101
Figure BDA0003668921170000102
Figure BDA0003668921170000103
Figure BDA0003668921170000104
其中，*表示卷积，·表示哈密尔顿积，L代表特征预测模块的层次名称，
Figure BDA0003668921170000105
是i时刻第L层次的更新门的输出，
Figure BDA0003668921170000106
是i时刻第L层次的重置门的输出，
Figure BDA0003668921170000107
表示i时刻第L层次的空间特征更新向量，σ为第一激活函数，tanh为第二激活函数，Wxz、Whz、Wxr、Whr、Wxf、Whf、
Figure BDA0003668921170000108
为所述解码层中当前时间步对应的特征预测单元的第L层次的特征预测模块的网络参数，
Figure BDA0003668921170000111
表示i时刻的时间步对应的特征预测单元的第L层次的特征预测模块的隐藏状态，
Figure BDA0003668921170000112
表示在L+1层次预测的空间特征图像，
Figure BDA0003668921170000113
表示预测得到的第L层次的空间特征图像。
如图3所示为第一个特征预测单元的结构示意图，将作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态
Figure BDA0003668921170000114
分别输入对应层次的特征预测模块，以及将作为输入的且对应最晚时间的目标风速分布样本图像Xt输入第三层次的特征预测模块，在空间卷积门控循环单元中，根据第三层次的隐藏状态提取单元输出的
Figure BDA0003668921170000115
依据上述公式预测得到t时刻第三层特征预测模块的空间特征
Figure BDA0003668921170000116
并将
Figure BDA0003668921170000117
发送给与其串联的第二层次特征预测模块，第二层次特征预测模块根据
Figure BDA0003668921170000118
和第二层次的隐藏状态提取单元输出的
Figure BDA0003668921170000119
依据上述公式预测得到t时刻第二层特征预测模块的空间特征
Figure BDA00036689211700001110
并将
Figure BDA00036689211700001111
发送给与其串联的第一层次特征预测模块，同理可以预测得到t时刻第一层特征预测模块的空间特征
Figure BDA00036689211700001112
最后，将
Figure BDA00036689211700001113
输入卷积层，就可以得到第一个特征预测单元的输出结果，即预测的t+1时刻的风速分布预测样本图像。并将第一个特征预测单元输出的t+1时刻的风速分布预测样本图像输入给串联的下一个特征预测单元，与上述步骤相同，下一个特征预测单元即可预测得到t+2时刻的风速分布预测样本图像，直至第T个特征预测单元预测得到t+T时刻的风速分布预测样本图像，即预测出未来T个时刻的风场图像{Xt+1,Xt+2,…,Xt+T}。
在本发明实施例中，每一层特征预测模块按照如下公式更新隐藏状态：
Figure BDA00036689211700001114
Figure BDA00036689211700001115
Figure BDA00036689211700001116
Figure BDA00036689211700001117
其中，*表示卷积，·表示哈密尔顿积，L代表特征预测模块的层次名称，
Figure BDA00036689211700001118
是i时刻第L层次的更新门的输出，
Figure BDA00036689211700001119
是i时刻第L层次的重置门的输出，
Figure BDA00036689211700001120
表示i时刻第L层次的隐藏状态更新向量，σ为第一激活函数，tanh为第二激活函数，Wxz、Whz、Wxr、Whr、Wxf、Whf、
Figure BDA00036689211700001121
为所述解码层中当前时间步对应的特征预测单元的第L层次的特征预测模块的网络参数，
Figure BDA0003668921170000121
表示在L+1层次预测的空间特征图像，
Figure BDA0003668921170000122
表示i时刻的时间步对应的特征预测单元的第L层次的特征预测模块的隐藏状态，
Figure BDA0003668921170000123
表示计算得到的t+1时刻的时间步对应的特征预测单元的第L层次的特征预测模块的隐藏状态。
继续参考图3，将作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态
Figure BDA0003668921170000124
Figure BDA0003668921170000125
分别输入对应层次的特征预测模块，以及将作为输入的且对应最晚时间的目标风速分布样本图像Xt输入第三层次的特征预测模块，在卷积门控循环单元中，根据第三层次的隐藏状态提取单元输出的
Figure BDA0003668921170000126
依据上述公式预测得到t+1时刻第三层特征预测模块的隐藏特征
Figure BDA0003668921170000127
并将
Figure BDA0003668921170000128
发送给与其串联的下一时刻的特征预测单元的第三层次特征预测模块，第二层次特征预测模块根据
Figure BDA0003668921170000129
和第二层次的隐藏状态提取单元输出的
Figure BDA00036689211700001210
依据上述公式预测得到t+1时刻第二层特征预测模块的隐藏特征
Figure BDA00036689211700001211
并将
Figure BDA00036689211700001212
发送给与其串联的下一时刻的特征预测单元的第二层次特征预测模块，同理可以预测得到t+1时刻第一层特征预测模块的隐藏特征
Figure BDA00036689211700001213
并将
Figure BDA00036689211700001214
发送给与其串联的下一时刻的特征预测单元的第一层次特征预测模块，已完成下一时刻的特征预测单元的各层次隐藏状态的更新。
S3：根据多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整预测神经网络的网络参数，直至得到符合预期的风场预测模型。
在本发明实施例中，根据多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整预测神经网络的网络参数，包括：
针对每一个特征预测单元，均根据该特征预测单元输出的风速分布预测样本图像和作为输出的对应时间的风速分布样本图像调整该特征预测单元的网络参数。
传统的基于时变结构的区域风场多步预测模型采用了时变解码器结构，依旧以传统的梯度更新方式更新它的网络参数，某一时间步空间卷积门控循环单元的参数更新不仅会受到当前时间步损失函数的影响，还会受到当前时间步之后的时间步的损失函数影响。这是由于时间反向传播(Back-Propagation Through Time,BPTT)导致的，即较早时间步解码器的网络参数会受到后面时间步的参数的影响。这将不利于时变解码器中不同时间步的网络模块对风场动态的学习。
在本发明实施例中，为了避免这种情况的发生，发明人为基于时不变结构的区域风场多步预测模型设计了一种更有效的训练方法。该训练方法的核心思想是分别独立更新不同时间步的网络参数，即分别独立更新不同时间步的特征预测单元的网络参数。这样，当前时间步的损失只会影响其对应的网络参数，不同时间步的损失变得相互独立。这将有助于时不变解码器中的每个特征预测单元更加专注于每个对应时间步的动态过程建模，从而增强模型的预测能力。
本实施例还提供的一种基于说书中任一所述风场预测模型的构建方法构建的风场预测模型进行风场预测的预测方法，包括：
获取历史时间序列的若干个风速分布样本图像；
将历史时间序列的若干个风速分布样本图像输入至所述风场预测模型中；
接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
如图4、图5所示，本发明实施例提供了一种风场预测模型的构建装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图4所示，为本发明实施例提供的一种风场预测模型的构建装置所在电子设备的一种硬件架构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图5所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图5所示，本实施例提供的一种风场预测模型的构建装置，包括：
获取模块501，用于获取多个训练样本，训练样本包括若干个风速分布样本图像，若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
构建模块502，用于利用训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；预测神经网络包括：编码器和解码器；解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
在本发明的一个实施例中，在构建模块502中，编码器包括多层隐藏状态提取单元；多个特征预测单元之间串联连接；
在执行对预测神经网络进行训练时，用于执行如下操作：
将作为输入的多个风速分布样本图像输入至编码器中，以利用每一层隐藏状态提取单元对多个风速分布样本图像进行对应层的隐藏状态提取；
将对作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态和作为输入的且对应最晚时间的目标风速分布样本图像输入至解码器中，以利用多个特征预测单元一一对应的输出时间连续的多个风速分布预测样本图像；多个风速分布预测样本图像的时间晚于目标风速分布样本图像的时间，且时间连续；
根据多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整预测神经网络的网络参数，直至得到符合预期的风场预测模型。
在本发明的一个实施例中，构建模块502中，多层隐藏状态提取单元串联连接；
每一层隐藏状态提取单元均按照如下方式对多个风速分布样本图像进行对应层次的隐藏状态提取：
按照时间先后顺序，逐个获取每一个风速分布样本图像的时空特征，并在获取到当前风速分布样本图像的时空特征之后，利用该时空特征对当前层次的隐藏状态进行更新，以及将该时空特征发送给与其串联的更高层次的隐藏状态提取单元。
在本发明的一个实施例中，构建模块502中，每一个特征预测单元包括与多层隐藏状态提取模块一一对应的多层特征预测模块；
每一个特征预测单元均按照如下方式输出风速分布预测样本图像：
针对该特征预测单元中的每一个特征预测模块，均执行：
获取输入图像的时空特征，并将该时空特征发送给与其串联的更低层次的特征预测模块；根据该时空特征和输入的对应层次的隐藏状态，对当前层次的隐藏状态进行更新，并将当前层次更新后的隐藏状态发送给与该特征预测单元的输出端串联的下一个特征预测单元；
该特征预测单元中最低层次的特征预测模块还根据接收到的时空特征输出风速分布预测样本图像，并将输出的风速分布预测样本图像输入给下一个特征预测单元。
在本发明的一个实施例中，构建模块502，在执行根据多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整预测神经网络的网络参数时，用于执行如下操作：
针对每一个特征预测单元，均根据该特征预测单元输出的风速分布预测样本图像和作为输出的对应时间的风速分布样本图像调整该特征预测单元的网络参数。
如图6、图7所示，本发明实施例提供了一种风场预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图6所示，为本发明实施例提供的一种风场预测装置所在电子设备的一种硬件架构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图7所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图7所示，本发明实施例提供的一种风场预测装置，包括：
序列获取模块701，用于获取历史时间序列的若干个风速分布样本图像；
输入模块702，用于将历史时间序列的若干个风速分布样本图像输入至风场预测模型中；所述风场预测模型是利用本说明书中任一所述风场预测模型的构建方法构建的；
预测模块703，用于接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
可以理解的是，本发明实施例示意的结构并不构成对一种风场预测模型的构建装置/风场预测装置的具体限定。在本发明的另一些实施例中，一种风场预测模型的构建装置/风场预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种风场预测模型的构建方法/风场预测方法。
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上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种风场预测模型的构建方法/风场预测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种风场预测模型的构建方法，其特征在于，包括：
获取多个训练样本，所述训练样本包括若干个风速分布样本图像，所述若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
利用所述训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将所述训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；所述预测神经网络包括：编码器和解码器；所述解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
2.根据权利要求1所述的方法，其特征在于，所述编码器包括多层隐藏状态提取单元；多个特征预测单元之间串联连接；
所述对预测神经网络进行训练，包括：
将作为输入的多个风速分布样本图像输入至所述编码器中，以利用每一层隐藏状态提取单元对所述多个风速分布样本图像进行对应层的隐藏状态提取；
将对作为输入的且对应最晚时间的目标风速分布样本图像提取隐藏状态时，每一层隐藏状态提取单元输出的对应层的隐藏状态和作为输入的且对应最晚时间的目标风速分布样本图像输入至所述解码器中，以利用多个特征预测单元一一对应的输出时间连续的多个风速分布预测样本图像；所述多个风速分布预测样本图像的时间晚于所述目标风速分布样本图像的时间，且时间连续；
根据所述多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整所述预测神经网络的网络参数，直至得到符合预期的风场预测模型。
3.根据权利要求2所述的方法，其特征在于，所述多层隐藏状态提取单元串联连接；
每一层隐藏状态提取单元均按照如下方式对所述多个风速分布样本图像进行对应层次的隐藏状态提取：
按照时间先后顺序，逐个获取每一个风速分布样本图像的时空特征，并在获取到当前风速分布样本图像的时空特征之后，利用该时空特征对当前层次的隐藏状态进行更新，以及将该时空特征发送给与其串联的更高层次的隐藏状态提取单元。
4.根据权利要求2所述的方法，其特征在于，每一个特征预测单元包括与多层隐藏状态提取模块一一对应的多层特征预测模块；
每一个特征预测单元均按照如下方式输出风速分布预测样本图像：
针对该特征预测单元中的每一个特征预测模块，均执行：
获取输入图像的时空特征，并将该时空特征发送给与其串联的更低层次的特征预测模块；根据该时空特征和输入的对应层次的隐藏状态，对当前层次的隐藏状态进行更新，并将当前层次更新后的隐藏状态发送给与该特征预测单元的输出端串联的下一个特征预测单元；
该特征预测单元中最低层次的特征预测模块还根据接收到的时空特征输出风速分布预测样本图像，并将输出的风速分布预测样本图像输入给下一个特征预测单元。
5.根据权利要求2所述的方法，其特征在于，所述根据所述多个风速分布预测样本图像和作为输出的多个风速分布样本图像，调整所述预测神经网络的网络参数，包括：
针对每一个特征预测单元，均根据该特征预测单元输出的风速分布预测样本图像和作为输出的对应时间的风速分布样本图像调整该特征预测单元的网络参数。
6.一种利用权利要求1-5中任一所述方法构建的风场预测模型进行风场预测的预测方法，其特征在于，包括：
获取历史时间序列的若干个风速分布样本图像；
将历史时间序列的若干个风速分布样本图像输入至所述风场预测模型中；
接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
7.一种风场预测模型的构建装置，其特征在于，包括：
获取模块，用于获取多个训练样本，所述训练样本包括若干个风速分布样本图像，所述若干个风速分布样本图像中每个风速分布样本图像的时间间隔均相等；
构建模块，用于利用所述训练样本中时间靠前的且时间连续的多个风速分布样本图像作为输入，将所述训练样本中时间靠后的且与作为输入的风速分布样本图像相连续的多个风速分布样本图像作为输出，对预测神经网络进行训练，以构建得到风场预测模型；所述预测神经网络包括：编码器和解码器；所述解码器包括多个特征预测单元；特征预测单元的数量与作为输出的风速分布样本图像的数量相等。
8.一种风场预测装置，其特征在于，包括：
序列获取模块，用于获取历史时间序列的若干个风速分布样本图像；
输入模块，用于将历史时间序列的若干个风速分布样本图像输入至风场预测模型中；所述风场预测模型是利用权利要求1-5中任一所述方法构建的；
预测模块，用于接收所述风场预测模型输出的所述历史时间序列的下一个时间序列的若干个风速分布预测样本图像。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。
CN202210598158.8A 2022-05-30 2022-05-30 风场预测模型的构建方法、装置、设备、介质及预测方法 Pending CN114970855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210598158.8A CN114970855A (zh) 2022-05-30 2022-05-30 风场预测模型的构建方法、装置、设备、介质及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210598158.8A CN114970855A (zh) 2022-05-30 2022-05-30 风场预测模型的构建方法、装置、设备、介质及预测方法

Publications (1)

Publication Number Publication Date
CN114970855A true CN114970855A (zh) 2022-08-30

Family

ID=82957190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210598158.8A Pending CN114970855A (zh) 2022-05-30 2022-05-30 风场预测模型的构建方法、装置、设备、介质及预测方法

Country Status (1)

Country Link
CN (1) CN114970855A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150933A (zh) * 2023-10-30 2023-12-01 珠海光焱科技有限公司 基于气象监测的三维风场模型建立方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150933A (zh) * 2023-10-30 2023-12-01 珠海光焱科技有限公司 基于气象监测的三维风场模型建立方法
CN117150933B (zh) * 2023-10-30 2024-02-09 珠海光焱科技有限公司 基于气象监测的三维风场模型建立方法

Similar Documents

Publication Publication Date Title
Feng et al. Deeptp: An end-to-end neural network for mobile cellular traffic prediction
Luo et al. Short-term wind speed forecasting via stacked extreme learning machine with generalized correntropy
Li et al. Autost: Efficient neural architecture search for spatio-temporal prediction
Fan et al. Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques
CN111861013B (zh) 一种电力负荷预测方法及装置
CN111815035A (zh) 一种融合形态聚类及TCN-Attention的短期负荷预测方法
Miao et al. MBA-STNet: Bayes-enhanced discriminative multi-task learning for flow prediction
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114970855A (zh) 风场预测模型的构建方法、装置、设备、介质及预测方法
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN110991729A (zh) 一种基于迁移学习和多头注意力机制的负荷预测方法
CN113505465B (zh) 完全无监督的非侵入式电器状态模型自适应构建方法
CN114721898A (zh) 基于boosting算法的边缘云服务器利用率预测方法、预测装置及存储介质
CN108073442B (zh) 基于深度模糊栈式自编码的仿真请求执行时间预测方法
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
Yang et al. Host load prediction based on PSR and EA-GMDH for cloud computing system
CN115018212B (zh) 发电用水量预测分析方法、系统及云平台
CN115395502A (zh) 一种光伏电站功率预测方法及系统
CN114566048A (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN112200366B (zh) 负荷预测方法、装置、电子设备及可读存储介质
CN114997490A (zh) 温度廓线预测模型的构建方法、预测方法、装置及设备
Ogawa et al. PV output forecasting by deep Boltzmann machines with SS‐PPBSO
CN114386332A (zh) 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
Cao et al. Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM
CN116526582B (zh) 基于人工智能联合驱动的电力机组组合调度方法与系统

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