CN113779892B - 一种风速和风向的预测方法 - Google Patents

一种风速和风向的预测方法 Download PDF

Info

Publication number
CN113779892B
CN113779892B CN202111133887.8A CN202111133887A CN113779892B CN 113779892 B CN113779892 B CN 113779892B CN 202111133887 A CN202111133887 A CN 202111133887A CN 113779892 B CN113779892 B CN 113779892B
Authority
CN
China
Prior art keywords
data
data set
network
target
module
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
CN202111133887.8A
Other languages
English (en)
Other versions
CN113779892A (zh
Inventor
臧增亮
牛丹
陈善龙
陈夕松
李毅
尤伟
潘晓滨
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111133887.8A priority Critical patent/CN113779892B/zh
Publication of CN113779892A publication Critical patent/CN113779892A/zh
Application granted granted Critical
Publication of CN113779892B publication Critical patent/CN113779892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种风速和风向的预测方法，通过获取目标站点的观测数据与模式数据，并根据观测数据与模式数据建立初始数据集；对初始数据集进行预处理获得目标数据集；从目标数据集中提取时间特征信息，并使用线性预测模块从目标数据集中提取并添加两组特征数据；在融合自适应权重机制与改进长短记忆单元序列网络中，对长短记忆网络中cell隐藏状态信息和输入信息进行交互处理；对隐藏状态信息进行概率采样处理；利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型；利用网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测，实现了精确对风向和风速进行预测。

Description

一种风速和风向的预测方法
技术领域
本申请涉及可再生能源领域，特别是涉及一种风速和风向的预测方法。
背景技术
风速与风向是气象领域中重要的数据，一般具有不可调节与不可控制的性质，时刻影响人民的正常生活。准确的预测风速与风向是进一步提高风能利用率的重要举措，而风能作为环保可再生能源，具有巨大的潜力，对于改善人民生活，促进资源节约利用起到重要作用。
目前，在风速与风向检测中，主要依靠雷达设备与测风塔进行风能相关数据的测量；在预报风速与风向领域中，数值天气预报与时间序列预测都是当前主流的方法。数值天气预报在短时预测与长时预测的精准度较低，单一模型的时间序列预测在短时预测与长时预测的精准度同样较低、因此，如何精确地对风速和风向进行预测成为了一个亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种风速和风向的预测方法，旨在解决现有技术无法精确预测风速和风向技术问题。
为实现上述目的，本发明提供了一种风速和风向的预测的方法，所述方法包括：
获取目标站点的观测数据与模式数据，并根据所述观测数据与模式数据建立初始数据集；
对所述初始数据集进行预处理获得目标数据集；
从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据；
在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理；
对所述隐藏状态信息进行概率采样处理；
利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型；
利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测。
可选地，所述对所述初始数据集进行预处理获得目标数据集的步骤，包括：
剔除所述初始数据集中不符合预设条件的数据单元；
在检测到所述数据单元缺失或者有误时，使用对应阈值范围内的数据的均值进行补充；
根据处理结果获得目标数据集。
可选地，所述从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据的步骤，包括：
将所述目标数据集中的模式数据与真实数据进行规格匹配，模式数据M1,…,Mm与观测数据O1,…,On，其中Mi表示t时刻模式预测的第i个特征数据，1≤i≤m，m表示t时刻模式数据的特征总数，Oj表示t时刻实际观测的第j个特征数据，1≤j≤n，n表示t时刻实际观测数据的特征总数；
利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中。
可选的，所述利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中的步骤之后，还包括：
将新生成的数据模块与原有的数据集重新组合，聚合成一个新的数据集元组，分成训练集和测试集。
可选地，所述在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理的步骤，包括：
在融合自适应权重机制与改进长短记忆单元序列网络中，改进的cell单元对上一单元的输出hprev与当前cell单元输入x进行交替交互处理，并定义为Inter(x,hprev,cprev)，交互过程为(°表示hadmard乘积)：
Figure BDA0003281347320000031
for奇数i∈[1…r]
Figure BDA0003281347320000032
for偶数i∈[1…r]
Q,R为额外设定矩阵，参数i控制x和h进行交互计算；
提取运算后数值作为输入到序列单元网络中，训练拼接成四个状态(°表示hadmard乘积)：
It＝σ(Wixx+Wihhprev+bi)
Ft＝σ(Wfxx+Wfhhprev+bf)
Ot＝σ(Woxx+Wohhprev+bo)
Figure BDA0003281347320000034
Figure BDA0003281347320000035
其中It，Ft，Ot，Ct，H分别代表输入门，遗忘门，输出门，记忆细胞状态，下一轮候选隐藏状态；
得出当前记忆细胞状态(c)与下一轮候选隐藏状态(h)传输到下一网络单元中。
可选地，所述对所述隐藏状态信息进行概率采样处理的步骤，包括：
针对训练中每一个cell单元的隐藏状态(h)，设置概率p作为选择真实标记，以1-p的概率选择模型自身的输出；
随着训练的进行，p的数值会减小，即尽量选择模型自己的输出，致使模型训练和预测保持一致，针对每完成一次epoch训练重新定义一次概率p：
Figure BDA0003281347320000033
将所述概率选择学习方法融入训练网络。
可选地，所述利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型的步骤，包括：
利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和，具体方法为：针对输入的信息X＝[x1,x2,…,xt]进行注意力分步计算，定义Atteni为注意力分步：
Atteni＝softmax(score(Xi,q))
Figure BDA0003281347320000041
其中score(Xi,q)为双线性模型的评分机制；
针对处理后的信息进行加权平均的具体方式为：
Figure BDA0003281347320000042
其中q为上下文信息；
根据上述计算步骤生成网络预测模型。
本发明通过获取目标站点的观测数据与模式数据，并根据所述观测数据与模式数据建立初始数据集；对所述初始数据集进行预处理获得目标数据集；从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据；在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理；对所述隐藏状态信息进行概率采样处理；利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型；利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测，实现了精确对风向和风速进行预测。
附图说明
图1为本发明一种风速和风向的预测方法第一实施例的流程示意图；
图2为本发明一种风速和风向的预测方法第一实施例中基于融合自适应权重机制与改进记忆单元序列网络结构图；
图3为本发明一种风速和风向的预测方法第一实施例中改进cell单元网络结构图；
图4为本发明一种风速和风向的预测方法第一实施例中自适应权重机制模块结构图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了一种风速和风向的预测方法，参照图1，图1为本发明一种风速和风向的预测方法第一实施例的流程示意图。
本实施例中，所述一种风速和风向的预测方法包括以下步骤：
步骤S10：获取目标站点的观测数据与模式数据，并根据所述观测数据与模式数据建立初始数据集。
需要说明的是，风速与风向相关的观测数据来源于中国气象高空站观测资料，模式数据来源于南京信息工程大学，数据为5分钟的网格数据，时间范围为2020年1月至2020年12月。
本实施例搭建了如图2所示的基于融合自适应权重机制与改进记忆单元序列网络结构图。
步骤S20：对所述初始数据集进行预处理获得目标数据集。
可以理解的是，对所述初始数据集进行预处理是指数据组合并进行剔除存在的异常数据的数据单元(例如：0、999999等)、删除多次融合重复数据单元；同时针对个别“脏”数据或者缺失数据，使用该阈值范围内数据的均值进行补充；
步骤S30：从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据。
进一步地，所述从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据的步骤，包括：将所述目标数据集中的模式数据与真实数据进行规格匹配，模式数据M1,…,Mm与观测数据O1,…,On，其中Mi表示t时刻模式预测的第i个特征数据，1≤i≤m，m表示t时刻模式数据的特征总数，Oj表示t时刻实际观测的第j个特征数据，1≤j≤n，n表示t时刻实际观测数据的特征总数；利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中。
进一步地，所述利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中的步骤之后，还包括：将新生成的数据模块与原有的数据集重新组合，聚合成一个新的数据集元组，分成训练集和测试集。
在具体实施中，将模式数据与真实数据进行规格匹配，模式数据M1,…,Mm与观测数据O1,…,On，Mi表示t时刻模式预测的第i个特征数据，1≤i≤m，m表示t时刻模式数据的特征总数，Oj表示t时刻实际观测的第j个特征数据，1≤j≤n，n表示t时刻实际观测数据的特征总数，取得n值2，m值为24。
在具体实施中，获得统一规格的数据集后，补充每一条数据的时间戳，提取数据的详细时间特征信息(Date，Hour)，补充到每一条数据列表，增强数据集的时间性，形成新的样品数据集；利用线性预测模块与观测数据的数据元组，使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到数据集中；将新生成的数据模块与原有的数据集重新组合，聚合成一个新的数据集元组，分成训练集和测试集。
步骤S40：在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理。
需要说明的是，如图3所示的本实施例提出改进cell单元网络结构图。
进一步地，所述在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理的步骤，包括：在融合自适应权重机制与改进长短记忆单元序列网络中，改进的cell单元对上一单元的输出hprev与当前cell单元输入x进行交替交互处理，并定义为Inter(x,hprev,cprev)，交互过程为(°表示hadmard乘积)：
Figure BDA0003281347320000061
for奇数i∈[1…r]
Figure BDA0003281347320000062
for偶数i∈[1…r]
Q,R为额外设定矩阵，参数i控制x和h进行交互计算；提取运算后数值作为输入到序列单元网络中，训练拼接成四个状态(°表示hadmard乘积)：
It＝σ(Wixx+Wihhprev+bi)
Ft＝σ(Wfxx+Wfhhprev+bf)
Ot＝σ(Woxx+Wohhprev+bo)
Figure BDA0003281347320000073
Figure BDA0003281347320000074
其中It，Ft，Ot，Ct，H分别代表输入门，遗忘门，输出门，记忆细胞状态，下一轮候选隐藏状态；得出当前记忆细胞状态(c)与下一轮候选隐藏状态(h)传输到下一网络单元中。
步骤S50：对所述隐藏状态信息进行概率采样处理。
步骤S60：利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型。
需要说明的是，本实施例使用的自适应权重机制模块结构图如图4所示。
进一步地，所述利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型的步骤，包括：利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和，具体方法为：针对输入的信息X＝[x1,x2,…,xt]进行注意力分步计算，定义Atteni为注意力分步：
Atteni＝softmax(score(Xi,q))
Figure BDA0003281347320000071
其中score(Xi,q)为双线性模型的评分机制；针对处理后的信息进行加权平均的具体方式为：
Figure BDA0003281347320000072
其中q为上下文信息；根据上述计算步骤生成网络预测模型。
步骤S70：利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测。
在具体实施中，将改进后的数据集放入网络中，定义超参数信息(表2)，进行训练；针对训练过程中出现的问题，进行改正并进行调优，最终得到预测模型；S最终经过真实数据测试，均方根误差(RMSE)结果为0.376，优于李秉晨等预测模型结果0.385与刘永前等预测模型结果0.71。
表1为本发明中运行风速与风向预测模型的计算机平台相关配置信息。
Figure BDA0003281347320000081
表1表2为本发明中模型相关参数配置信息。
名称 参数信息
学习率 0.0001
epoch 800
权重衰减 0.0005
输入维度 28
输出维度 2
表2
本实施例通过获取目标站点的观测数据与模式数据，并根据所述观测数据与模式数据建立初始数据集；对所述初始数据集进行预处理获得目标数据集；从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据；在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理；对所述隐藏状态信息进行概率采样处理；利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型；利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测，实现了精确对风向和风速进行预测。
需要说明的是，在本文中，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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种风速和风向的预测方法，其特征在于，所述方法包括：
获取目标站点的观测数据与模式数据，并根据所述观测数据与模式数据建立初始数据集；
对所述初始数据集进行预处理获得目标数据集；
从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据；
在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理；
对所述隐藏状态信息进行概率采样处理；
利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型；
利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述最终预测模型进行风速和风向的预测。
2.如权利要求1所述的方法，其特征在于，所述对所述初始数据集进行预处理获得目标数据集的步骤，包括：
剔除所述初始数据集中不符合预设条件的数据单元；
在检测到所述数据单元缺失或者有误时，使用对应阈值范围内的数据的均值进行补充；
根据处理结果获得目标数据集。
3.如权利要求1所述的方法，其特征在于，所述从所述目标数据集中提取时间特征信息，并使用线性预测模块从所述目标数据集中提取并添加两组特征数据的步骤，包括：
将所述目标数据集中的模式数据与真实数据进行规格匹配，模式数据M1，…，Mm与观测数据O1，…，On，其中Mi表示t时刻模式预测的第i个特征数据，1≤i≤m，m表示t时刻模式数据的特征总数，Oj表示t时刻实际观测的第j个特征数据，1≤j≤n，n表示t时刻实际观测数据的特征总数；
利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中。
4.如权利要求2所述的方法，其特征在于，所述利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列，为观测数据的顺序排列元组，作为两组特征数据加入到所述目标数据集中的步骤之后，还包括：
将新生成的数据模块与原有的数据集重新组合，聚合成一个新的数据集元组，分成训练集和测试集。
5.如权利要求1所述的方法，其特征在于，所述在融合自适应权重机制与改进长短记忆单元序列网络中，对所述长短记忆网络中cell隐藏状态信息和输入信息进行交互处理的步骤，包括：
在融合自适应权重机制与改进长短记忆单元序列网络中，改进的cell单元对上一单元的输出hprev与当前cell单元输入x进行交替交互处理，并定义为Inter(x，hprev，cprev)，交互过程为(
Figure FDA0003281347310000023
表示hadmard乘积)：
Figure FDA0003281347310000021
奇数i∈[1...r]
Figure FDA0003281347310000022
偶数i∈[1...r]
Q，R为额外设定矩阵，参数i控制x和h进行交互计算；
提取运算后数值作为输入到序列单元网络中，训练拼接成四个状态(
Figure FDA0003281347310000024
表示hadmard乘积)：
It＝σ(Wixx+Wihhprev+bi)
Ft＝σ(Wfxx+Wfhhprev+bf)
Ot＝σ(Woxx+Wohhprev+bo)
Figure FDA0003281347310000025
Figure FDA0003281347310000026
其中It，Ft，Ot，Ct，H分别代表输入门，遗忘门，输出门，记忆细胞状态，下一轮候选隐藏状态；
得出当前记忆细胞状态(c)与下一轮候选隐藏状态(h)传输到下一网络单元中。
6.如权利要求1所述的方法，其特征在于，所述对所述隐藏状态信息进行概率采样处理的步骤，包括：
针对训练中每一个cell单元的隐藏状态(h)，设置概率p作为选择真实标记，以1-p的概率选择模型自身的输出；
随着训练的进行，p的数值会减小，即尽量选择模型自己的输出，致使模型训练和预测保持一致，针对每完成一次epoch训练重新定义一次概率p：
Figure FDA0003281347310000031
将所述概率选择学习方法融入训练网络。
7.如权利要求1所述的方法，其特征在于，所述利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网络预测模型的步骤，包括：
利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和，具体方法为：针对输入的信息X＝[x1，x2，...，xt]进行注意力分步计算，定义Atteni为注意力分步：
Atteni＝softmax(score(Xi，q))
Figure FDA0003281347310000032
其中score(Xi，q)为双线性模型的评分机制；
针对处理后的信息进行加权平均的具体方式为：
Figure FDA0003281347310000033
其中q为上下文信息；
根据上述计算步骤生成网络预测模型。
CN202111133887.8A 2021-09-27 2021-09-27 一种风速和风向的预测方法 Active CN113779892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111133887.8A CN113779892B (zh) 2021-09-27 2021-09-27 一种风速和风向的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111133887.8A CN113779892B (zh) 2021-09-27 2021-09-27 一种风速和风向的预测方法

Publications (2)

Publication Number Publication Date
CN113779892A CN113779892A (zh) 2021-12-10
CN113779892B true CN113779892B (zh) 2022-09-02

Family

ID=78853749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111133887.8A Active CN113779892B (zh) 2021-09-27 2021-09-27 一种风速和风向的预测方法

Country Status (1)

Country Link
CN (1) CN113779892B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117022032B (zh) * 2023-10-10 2023-12-29 深圳市瑞凯诺科技有限公司 基于显示屏的新能源汽车取电方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257850B (zh) * 2020-10-26 2022-10-28 河南大学 一种基于生成对抗网络的车辆轨迹预测方法
CN112949945B (zh) * 2021-04-15 2022-09-02 河海大学 一种改进双向长短期记忆网络的风电功率超短期预测方法

Also Published As

Publication number Publication date
CN113779892A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN114493050B (zh) 多维度融合的新能源功率并联预测方法和装置
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和***
Jiang et al. Day‐ahead renewable scenario forecasts based on generative adversarial networks
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN117335411B (zh) 一种光伏电站群的中长期发电量预测方法
CN117909888B (zh) 智慧人工智能气候预测方法
CN113779892B (zh) 一种风速和风向的预测方法
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
CN114862023A (zh) 基于四维逐点气象预报的分布式光伏功率预测方法及***
CN116976227A (zh) 一种基于lstm机器学习的风暴增水预报方法及***
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及***
CN113919533A (zh) 一种基于人工智能的空气质量溯源预报方法
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
Wang et al. Short-Term Photovoltaic Power Prediction Based on ICHOA-GRU
CN117437230B (zh) 基于图像修复的光伏电站功率预测方法及***
CN114298444B (zh) 一种风速概率预测方法、装置、设备及存储介质
CN114612147A (zh) 一种子图学习的电价预测方法
CN117743814A (zh) 一种电离层tec预报方法、***及电子设备
Liu et al. Predicting Power Outage at Low-Lying Area Substations During Storm Surge Disasters Using Multi-Grained Cascaded Forest
Yu et al. A Data-driven Framework of Resilience Evaluation for Power Systems under Typhoon Disasters
Sun et al. A Bayesian Structural Time Series Approach for Forecasting Photovoltaic Power Generation

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