(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111287676.X (22)申请日 2021.11.02 (65)同一申请的已公布的文献号 申请公布号 CN 113971372 A (43)申请公布日 2022.01.25 (73)专利权人 浙江凌镜智能有限公司 地址 315599 浙江省宁波市奉化区岳林街 道岳林东路389号13 02室(自主申报) (72)发明人 张王晟　 (74)专利代理 机构 杭州信与义专利代理有限公 司 33450 专利代理师 丁浩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/08(2020.01) 审查员 金兆辰 (54)发明名称 基于神经网络的风速预测方法及装置 (57)摘要 本发明公开了一种基于神经网络的风速预 测方法及装置， 其中方法包括： 获取预设时长内 每个时刻的风速数据； 对风速数据进行数据清洗 后作归一化运算； 以与每个高度位点处于同等高 度的周边n个不同风向位点的风速数据为高度位 点的风速 预测关联数据， 形成关联高度位点的风 速预测数据； 按时间顺序对关联高度位点的风速 预测数据进行排列， 形成关联高度位点的风速预 测数据序列； resnet 50神经网络以风速 预测数据 序列中的t 个风速预测数据为第t+1时刻的输入， 提取高度位点在每个时刻的风速数据特征； TSM 时间移位模块对resnet50神经网络提取的不同 时刻的风速数据特征进行融合； 对 特征向量进行 逻辑回归， 得到对高度位点在t+1时刻的风速预 测值。 本发明提升 了风速预测精度。 权利要求书3页 说明书9页 附图6页 CN 113971372 B 2022.07.12 CN 113971372 B 1.一种基于神经网络的风速预测方法， 其特 征在于， 包括： 步骤1)获取 预设时长内每 个时刻的风速数据； 步骤2)对所述风速数据进行突变数据清洗后作归一化运算， 得到按时间顺序排列的归 一化后的风速数据 序列； 步骤3)以与每个高度位点Oi处于同等高度的周边n个不同风 向位点的所述风速数据为 所述高度位点Oi的风速预测关联数据， 形成关联每个所述高度位点Oi的风速预测数据， 以向 量形式表示 为： i表示第i个高度位点， w0表示 所述高度位点Oi的风速数据权重， wn表示与所述高度位点Oi处于同等高度的第n个所述风向 位点的风速数据权重， as Oi表示所述高度位点Oi的风速数据值， 表示与所述高度位 点 Oi处于同等高度的第n个所述 风向位点的风速数据值， k表示 一常数； 步骤4)按 时间顺序对关联所述高度位点Oi的所述风速预测数据进行排列， 形成关联每 个所述高度位 点Oi的风速预测数据 序列； 步骤5)resnet50神经网络以所述风速预测数据序列中的t个所述风速预测数据 为第t+ 1时刻的输入， 提取 所述高度位 点Oi在每个时刻的风速预测数据特 征； 步骤6)TSM时间移位模块对所述resnet50神经网络提取的不同时刻的所述风速预测数 据特征进行融合； 步骤7)对融合后的所述风速预测数据 特征的特征向量进行逻辑 回归， 得到对所述高度 位点Oi在所述t+1时刻的风速预测值； 步骤8)计算预测损失， 并根据预测损失更新所述resnet50神经网络和所述TSM时间移 位模块的参数， 预测损失通过以下公式(1)计算而得： 公式(1)中， j表示第j个输入到所述resnet5 0神经网络中的所述 风速预测数据 序列； yj表示对第j个所述 风速预测数据 序列的风速预测值； 表示第j个所述 风速预测数据 序列对应的风速真实值。 2.根据权利要求1所述的基于神经网络的风速预测方法， 其特征在于， 所述步骤4)中的 所述风速预测数据序列的长度为20 s， 所述风速预测数据序列中的每个时刻为20s中的每一 秒。 3.根据权利要求2所述的基于神经网络的风速预测方法， 其特征在于， 所述步骤1)中的 所述获取 预设时长内每 个时刻的所述 风速数据包括： 获取所述预设时长 内的每个时刻的历史风速数据， 以及获取与 所述历史风速数据的产 生时刻相对应的实测风速数据。 4.根据权利要求1或3所述的基于神经网络的风速预测方法， 其特征在于， 所述风速数 据包括所述高度位 点Oi的风速值、 高度信息和所在区域 位置信息 。 5.根据权利要求1所述的基于神经网络的风速预测方法， 其特征在于， 所述步骤2)中，权　利　要　求　书 1/3 页 2 CN 113971372 B 2对所述风速数据进行突变数据清洗的方法为： 当t时刻的风速值与t+1时刻或t ‑1时刻的风速值的差值绝对值大于预设的风速阈值， 则判定t时刻的风速值 为突变数据； 剔除所述 突变数据， 然后在剔除位置处进行插值。 6.根据权利要求1所述的基于神经网络的风速预测方法， 其特征在于， 所述步骤3)中， n ＝8， w0＝0.8； w1‑wn中的任意 一个风速 权重为0.025 。 7.根据权利要求1所述的基于神经网络的风速预测方法， 其特 征在于， k ＝0.2。 8.一种基于神经网络的风速预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取 预设时长内每 个时刻的风速数据； 数据清洗模块， 连接所述数据获取模块， 用于对所述 风速数据进行突变数据清洗； 数据归一化模块， 连接所述数据清洗模块， 用于对经清洗后的所述风速数据作归一化 运算， 得到按时间顺序排列的归一 化后的风速数据 序列； 风速预测数据形 成模块， 连接 所述数据归 一化模块， 用于以与每个高度位点 Oi处于同等 高度的周边n个不同风向位点的所述风速数据为所述高度位点Oi的风速预测关联数据， 形 成关联每 个高度位 点Oi的风速预测数据， 以向量形式表示 为： i表示第i个高度位点， w0表示 所述高度位点Oi的风速数据权重， wn表示与所述高度位点Oi处于同等高度的第n个所述风向 位点的风速数据权重， asOi表示所述高度位点Oi的风速数据值， 表示与所述高度位 点Oi处于同等高度的第n个所述 风向位点的风速数据值， k表示 一常数； 排序模块， 连接 所述风速 预测数据形成模 块， 用于按时间顺序对关联所述高度位点 Oi的 所述风速预测数据进行排列， 形成关联 所述高度位 点Oi的风速预测数据 序列； 数据特征提取模块， 连接所述排序模块， 用于以所述风速预测数据序列中的t个所述风 速预测数据为resnet50神经网络第t+1时刻的输入， 提取所述高度位点Oi在每个时刻的风 速预测数据特 征； TSM时间移位模块， 连接所述数据特征提取模块， 用于对所述resnet50神经网络提取的 不同时刻的所述 风速预测数据特 征进行融合； 逻辑回归模块， 连接所述TSM时间移位模块， 用于使用sigmod激活函数对融合的所述风 速预测数据特征的特征向量进行逻辑回归， 得到对所述高度位点Oi在所述t+1时刻的风速 预测值； 预测损失计算模块， 连接所述逻辑回归 模块， 用于计算 风速预测损失； 参数更新模块， 连接所述预测损失计算模块， 用于根据预测损失更新所述resnet50神 经网络和所述TSM时间移位模块的参数； 所述风速 数据包括所述高度位点 Oi的风速值、 高度信息和所在区域位置信息， 所述风速 预测数据 序列的长度为20s， 所述 风速预测数据 序列中的每 个时刻为20s中的每一秒； 获取所述预设时长内每 个时刻的所述 风速数据包括： 获取所述预设时长 内的每一秒的历史风速数据， 以及获取与 所述历史风速数据的产生 时刻相对应的实测风速数据； 所述resnet50神经网络以所述风速预测数据序列 中的20s所述风速预测数据为第21s权　利　要　求　书 2/3 页 3 CN 113971372 B 3