一种基于深度卷积神经网络的多时次风速预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110991690A(43)申请公布日2020.04.10(21)申请号201910987871.X(22)申请日2019.10.17(71)申请人宁波大学地址315211浙江省宁波市江北区风华路818号(72)发明人陈巧特何彩芬符冉迪周阳涨金炜(74)专利代理机构宁波奥圣专利代理事务所(普通合伙)33226代理人程天鹏(51)Int.Cl.G06Q10/04(2012.01)G06Q50/26(2012.01)G06N3/04(2006.01)权利要求书4页说明书8页(54)发明名称一种基于深度卷积神经网络的多时次风速预测方法(57)摘要本发明公开了一种基于深度卷积神经网络的多时次风速预测方法，特点是首先构建模型输入特征图，再基于深度卷积神经网络建立预测模型，最后根据建立的预测模型进行风速的多时次提前预测；优点是使用滑动窗口的方式从历史实测数据和数值天气预报模型的预测数据中构造了二维的特征图，这种形式的输入数据保留了原始数据的时序信息并可以参与卷积运算，构建的预测模型不仅利用了一维卷积神经网络提取相邻时域内各个气象变量之间的浅层局部特征，而且还利用了二维卷积神经网络由浅入深地挖掘浅层局部特征中潜在的深层抽象特征信息，为回归预测层提供了有效的深度特征数据，提高了模型的整体预测性能。CN110991690ACN110991690A权利要求书1/4页1.一种基于深度卷积神经网络的多时次风速预测方法，其特征在于包括以下步骤：①构建模型输入的特征图，具体过程如下：①-1从气象自动观测站中采集特定时间段内每个时刻的实测气象历史数据，将特定时间段的总时长记为n小时，n为整数且n＞8，并从数值天气预报模式系统中获取该特定时间段内每个时刻的历史预测数据，将n个时刻中第i时刻下实测气象历史数据中的实测输入变123456781量的集合记为Fi，Fi＝{fi,fi,fi,fi,fi,fi,fi,fi}，其中，1≤i≤n且i为整数，fi表示n2个时刻中第i时刻下实测气象历史数据中的风速，fi表示n个时刻中第i时刻下实测气象历34史数据中的风向，fi表示n个时刻中第i时刻下实测气象历史数据中的温度，fi表示n个时5刻中第i时刻下实测气象历史数据中的相对湿度，fi表示n个时刻中第i时刻下实测气象历67史数据中的露点温度，fi表示n个时刻中第i时刻下实测气象历史数据中的风冷却指数，fi8表示n个时刻中第i时刻下实测气象历史数据中的降水量，fi表示n个时刻中第i时刻下实测气象历史数据中的大气压强，将n个时刻中第i时刻下数值天气预报模式系统中的历史预测输入变量的集合记为其中，表示n个时刻中第i时刻下数值天气预报模式系统中的风速，表示n个时刻中第i时刻下数值天气预报模式系统中的风向，表示n个时刻中第i时刻下数值天气预报模式系统中的温度，表示n个时刻中第i时刻下数值天气预报模式系统中的相对湿度，表示n个时刻中第i时刻下数值天气预报模式系统中的露点温度，表示n个时刻中第i时刻下数值天气预报模式系统中的风冷却指数，表示n个时刻中第i时刻下数值天气预报模式系统中的降水量，表示n个时刻中第i时刻下数值天气预报模式系统中的大气压强；①-2对实测输入变量进行数据清洗得到清洗后的实测输入变量，然后对清洗后的实测输入变量和历史预测输入变量进行归一化操作得到归一化后的实测输入变量和归一化后的历史预测输入变量；①-3定义在同一时刻的归一化后的实测输入变量组成一个实测时间序列单元，定义在同一时刻的归一化后的历史预测输入变量组成一个历史预测时间序列单元，将实测时间序列单元组成的序列记为S1，S1＝{G1,…,Gi,…,Gn}，其中，Gi表示第i时刻下的实测时间序列单元，将历史预测时间序列单元组成的序列记为S2，表示第i时刻下的历史预测时间序列单元；①-4：使用滑动窗口的方式分别同时截取S1和S2，将截取S1的窗口定义为第一窗口，第一窗口的长度设置为7，将截取S2的窗口定义为第二窗口，第二窗口的长度设置为1，第一窗口从n个时刻中第1个时刻开始滑动，第二窗口从n个时刻中第8个时刻开始滑动，第一窗口和第二窗口的移动步长均为1，将每个时刻第一窗口和第二窗口同时截取的两种数据拼接成一张与该时刻对应的特征图一共得到n-8张特征图，将n-8张特征图组成特征图集M，M＝{M1,…,Mj,…,Mn-8}，1≤j≤n-8，其中，2CN110991690A权利要求书2/4页每张特征图的样本标签为实测气象历史数据中与该特征图中第二窗口所对应的时刻下的风速，将每张特征图的样本标签的集合记1为ML，f8表示第1张特征图的样本标签，表示第j张特征图的样本标签，表示第n-8张特征图的样本标签；②利用深度卷积神经网络建立风速预测模型，具体步骤如