[发明专利]基于混合深度学习机制的风速预测方法及系统、设备

权利要求书

1.一种基于混合深度学习机制的风速预测方法，其特征在于，包括如下步骤：

步骤S1：收集历史风力数据进行预处理；

步骤S2：经过预处理的历史风力数据输入至混合深度学习机制进行训练；

步骤S3：将训练完成的预测模型进行风速预测；

所述步骤S1中利用归一化方法对历史风力数据进行预处理，获得待输入的风速及风速变化量；

所述步骤S1：收集历史风力数据，利用归一化方法对历史风力数据进行预处理，获得待输入的风速及风速变化量，归一化公式如下：

V'＝(V-Vmin)/(VMax-Vmin) (1)

其中，V’为归一化处理后的风速值，V为风速真实值，VMax为风速最大值，Vmin为风速最小值；

将风速变化量作为混合深度学习神经网络的输入，风速变化量定义式如下：

ΔV(t)＝V(t)-V(t-1) (2)

其中，ΔV(t)为t时间步长的风速变化量；V(t)和V(t-1)分别为t和t-1时间步长的风速；使用公式(1)将风速变化量进行归一化；

包括，利用前200分钟的风速与风速变化量，预测后10分钟的风速，故混合深度学习神经网络的输入(X(t))包括风速和风速变化量，输出为预测的风速(Y(t))，具体为，

其中，一个时间步长代表10分钟；所述步骤S2中的混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络，所述长短期记忆深度学习神经网络适应长期时间序列的风力数据预测，所述门控循环单元深度学习神经网络适应短期时间序列的风力数据预测；

所述长短期记忆神经网络结构还包括输入门和输出门，基本结构式为：

其中，i(t)表示输入门，f(t)表示遗忘门，o(t)表示输出门，W表示各类门结构接收输入值，U表示各类门结构隐藏状态，V表示各类门结构细胞状态时的权重矩阵，b表示偏置，σ代表各类门结构的激励函数，g(t)代表激活函数，x(t)为第t个时间步长的输入，h(t)为时刻t的隐藏状态，表征短期记忆，c(t)为时刻t的细胞状态，表征长期记忆；

门控循环单元神经网络结构的具体结构式如下：

其中，W，U分别为重置门、更新门、隐藏层的权重矩阵；f代表激活函数；r(t)为重置门；z(t)为更新门；x(t)为输入；h(t)为隐藏状态；

所述基于混合深度学习机制的风速预测方法，是一个两层的深度学习。

2.根据权利要求1所述的基于混合深度学习机制的风速预测方法，其特征在于，所述步骤S2包括如下步骤：

步骤S2.1：将预处理后的历史风力数据输入门控循环单元神经网络；

步骤S2.2：将门控循环单元神经网络的每个时间步长的隐藏状态作为一个时间序列；

步骤S2.3：将每个时间步长的隐藏状态输入长短期记忆神经网络；

步骤S2.4：长短期记忆神经网络将最后一个时间步长的隐藏状态传递至输出层，输出预测结果。