CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114897260B(45)授权公告日2025.07.11

(21)申请号202210621834.9

(22)申请日2022.06.02

(65)同一申请的已公布的文献号申请公布号CN114897260A

(43)申请公布日2022.08.12

(51)Int.CI.

GO6F18/213(2023.01)

GO6N3/0442(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

GO6Q50/06(2024.01)

(73)专利权人浙江江南工程管理股份有限公司

地址310007浙江省杭州市求是路8号公元

大厦北楼11楼

(72)发明人胡伟成程宝龙周婷钱铮李明杨婧吴俊刘震卿袁紫婷郭坤鹏周桐

(56)对比文件

CN111222677A,2020.06.02CN111695724A,2020.09.22

CN109558968A,2019.04.02审查员殷伟

(74)专利代理机构重庆航图知识产权代理事务

所(普通合伙)50247专利代理师胡小龙

权利要求书2页说明书5页附图5页

(54)发明名称

基于LSTM神经网络的短期风速预测模型建模方法及预测方法

(57)摘要

CN114897260B本发明公开了一种基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：步骤一：采集数据，得到原始风速序列数据；步骤二：预处理：得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；步骤四：创建LSTM神经网络模型，初始化超参数；步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，得到短期风速预测模型。本发明还提出了一种基于LSTM神经网络的短期风速预测方法，通过挖掘风速序列的波动

CN114897260B

CN114897260B权利要求书1/2页

2

1.一种基于LSTM神经网络的短期风速预测模型建模方法，其特征在于：包括如下步骤：

步骤一：采集数据，得到原始风速序列数据；

采集得到的原始风速序列数据包括共D天的风速序列数据，每小时样本数为N个，则每一天的样本长度为H为24N,总样本长度为DH;

步骤二：预处理：对原始风速序列数据进行数据变换与标准化预处理，得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；

对原始风速序列数据进行预处理的方法包括如下步骤：

21)变换：假定原始风速序列数据复合韦伯分布，利用经验法计算韦伯分布的参数k,从而获得指数变化参数m,以对原始风速序列数据进行变换：

k=(Mean(U)/Std(U?))-1.086

m=k/3.6

,t=1,2,…,dH

其中，U表示原始风速序列数据；U表示变换得到的风速序列数据；m表示指数变化参数；k表示韦伯分布的参数；

22)统计时均风速：将变换得到的风速序列数据U中每天对应相同时刻的数据进行归

类；并计算每个小时内的ND个样本数的均值和标准差，记为μ和σ,其中，t取值为h、2h…24h,对应24个时刻的节点信息；

23)光滑样条插值：将得到的24个时刻的节点信息前后排列，得到排布为h、2h…24h、h、2h…24h的均值μ和标准差σ的48个节点信息，然后对其进行光滑样条插值，并取中间段的24个节点信息作为一天内的数据，得到插值处理后的均值μ?和标准差σ?;

24)标准化：基于得到的均值μ?和标准差σ1,对变换得到的风速序列数据U|进行标准化处理，以剔除原始风速序列数据中具有显著规律的波动特征，得到最终的预处理风速序列数据：

其中，U2表示经预处理得到的预处理风速序列数据；

步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；

步骤四：创建LSTM神经网络模型，初始化超参数；

步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型

的超参数进行优化选择，方法如下：

51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数关系，得到