[发明专利]短期风速预测方法、装置、计算机设备及存储介质

权利要求书

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训练由所述训练后的基预测器和预设BP神经网络组成的组合模型，所述第二训练样本集包含所述第一训练样本集和所述第一训练样本集所对应的环境特征数据集。

6.一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。

7.根据权利要求6所述基于元学习的短期风速预测装置，其特征在于，所述第一输入单元包括：

转换子单元，用于根据由前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，将所述风速数据集合由一维转换为z+1维的矩阵，其中，前z列为特征值，第z+1列为目标值，z为正整数；

输入子单元，用于将所述矩阵分别输入至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。

8.根据权利要求6所述基于元学习的短期风速预测装置，其特征在于，所述装置还包括：

归一化单元，用于将所述环境特征数据进行归一化处理。