(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 202110621411.2 (22)申请日 2021.06.03 (65)同一申请的已公布的文献号 申请公布号 CN 113191091 A (43)申请公布日 2021.07.3 0 (73)专利权人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 文书礼　徐大桢　朱淼　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/06(2020.01) G06F 113/08(2020.01) G06F 119/12(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 108448610 A,2018.08.24 CN 110059867 A,2019.07.26 CN 112561058 A,2021.0 3.26 审查员 贾越 (54)发明名称 基于混合深度学习机制的风速预测方法及 系统、 设备 (57)摘要 本发明提供了一种基于混合深度学习机制 的风速预测方法， 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。 本发明还提供了一种基于混合深度学习机制 的风速预测系统和设备。 本发明通过仅使用历史 风力数据对未来风力的预测以及神经网络的快 速训练， 结合门控循环单元和长短期记忆神经网 络的特点， 有效平衡了预测时间和预测准确度之 间的矛盾， 所得结果能够促进电网更加充分的利 用风资源。 权利要求书3页 说明书7页 附图3页 CN 113191091 B 2022.12.09 CN 113191091 B 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S 1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：权　利　要　求　书 1/3 页 2 CN 113191091 B 2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。 3.一种基于混合深度学习机制的风速预测系统， 其特 征在于， 包括： 模块M1： 收集历史风力数据进行 预处理； 模块M2： 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； 模块M3： 将训练完成的预测模型进行风速预测； 所述混合深度 学习机制包括长短期记忆神经网络结构和门控循环单元神经网络结构， 经过预处理的历史风力数据由所述门控循环单元神经网络结构训练之后， 再由所述长 短期 记忆神经网络结构训练； 所述门控循环单元神经网络结构包括重置门与更新门， 仅当需要过去信息， 更新 隐藏 状态时重置门打开， 其他时间重置门关闭； 当更新 门关闭时， 完成隐藏状态的更新， 当更新 门打开时， 隐藏状态不更新； 所述模块M1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； 所述模块M1： 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，权　利　要　求　书 2/3 页 3 CN 113191091 B 3