短期风速预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术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。

【技术实现步骤摘要】
短期风速预测方法、装置、计算机设备及存储介质
本专利技术涉及风速预测
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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，本专利技术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，本专利技术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，本专利技术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。本专利技术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。本专利技术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。本专利技术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，本专利技术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专利技术实施例技术方案，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专利技术的一些实施例，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为本专利技术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为本专利技术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为本专利技术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为本专利技术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为本专利技术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为本专利技术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为本专利技术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专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。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为本专利技术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，在本专利技术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Spe本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王怀智，郭森森，蔡任，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44