(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 (43)申请公布日 (21)申请 号 202111479260.8 (22)申请日 2021.12.0 6 (71)申请人 昆明电力交易中心有限责任公司 地址 650000 云南省昆明市官渡区拓东路 73号 (72)发明人 王帮灿　谢蒙飞　蔡华祥　严明辉　 张茂林　马高权　丁文娇　杨喆麟　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 代理人 龚春来 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于概率性长短期记忆模型的风速区 间预测方法 (57)摘要 本发明提供了一种基于概率性长短期记忆 模型的风速区间预测方法， 首先构建LSTM时序预 测模型和高斯过程回归概率性预测模 型； 然后根 据所述LSTM时序预测模型和高斯过程回归概率 性预测模型， 构建概率性的LSTM时序预测模型； 通过提取的预报因子和预报对象， 训练得到所述 概率性的LS TM时序预测模型参数， 得到最优概率 性的LSTM时序预测模型； 针对任意一组风速预报 因子， 提取预报风速的均值和方差， 根据所述均 值和方差构建风速的正态分布， 以便预测得到高 精度的风速结果。 本发明的有益效果是： 能快速 提供风速区间预测结果， 且该预测结果具有深度 学习的高精度拟合特性。 权利要求书2页 说明书4页 附图2页 CN 114219137 A 2022.03.22 CN 114219137 A 1.一种基于概 率性长短期记 忆模型的风速区间预测方法， 其特 征在于： 包括以下步骤： S1： 构建LSTM时序预测模型， 包括输入层， LSTM隐藏层和回归输出层； S2： 构建高斯过程回归概 率性预测模型， 包括输入层和高斯过程回归输出层； S3： 将所述高斯过程回归输出层替换LSTM时序预测模型中的回归输出层， 得到概率性 的LSTM时序预测模型； S4： 提取预报因子； S5： 提取预报对象； S6： 利用所述预报因子和预报对象训练得到所述概率性的LSTM时序预测模型参数， 得 到最优概率性的LSTM时序预测模型， 该最优概率性的LSTM时序预测模型的输入是预报因 子， 输出是预报时刻风速正态概 率分布的均值和方差； S7： 选取预报时刻前期任意一组预报因子， 输入至所述最优概率性的LSTM时序预测模 型， 得到风速概 率分布的均值和方差； S8： 根据所述风速概率分布的均值和方差， 构建风速的正态分布函数， 得到概率性风速 预报结果， 即获得任意分位数 下的风速值及置信区间。 2.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S1中， 所述 LSTM时序预测模型为： ft＝σ(Wf·[ht‑1,xt]+bf)                                                (1) it＝σ(Wi·[ht‑1,xt]+bi)                                                 (2) C′t＝tanh(WC·[ht‑1,xt]+bC)                                             (3) ot＝σ(Wo·[ht‑1,xt]+bo)                                                (4) Ct＝ft⊙Ct‑1+it⊙C′t                                                  (5) ht＝ot⊙tanh(Ct)                                                     (6) 其中， ft， it分别表示t时刻的两个控制门， ft表示t时刻删除的旧消息， it表示t时刻添加 的新消息， Ct‑1表示t‑1时刻的网络状态， Ct表示t时刻的网络状态， Ct'表示t时刻网络的更新 信息， ht表示t时刻LSTM隐藏层状态， ht‑1表示t‑1时刻LSTM隐藏层状态， xt表示t时刻的预报 因子， yt表示t时刻的预报对象， σ 表示sigmoi d函数， Wf表示遗忘门权重矩阵， bf表示遗忘门 偏斜向量， Wi表示输入门权重矩阵， bi表示输入门偏斜向量， WC表示状态更新的权重矩阵， bC 表示状态更新的偏斜向量， h()表示隐藏层状态， Wo表示输出门权重矩阵， bo表示输出门偏 斜向量， ot表示模型输 出， 表示隐藏层到输 出层权重矩阵， ψ()表示固定 element‑wise函 数。 3.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S2中， 所述高斯过程回归概 率性预测模型为： p(yt|xt,X,y)＝N(K(xt,X)(K(X,X)+σ2In)‑1y,K(xt,xt)‑K(xt,X)(K(X,X)+σ2In)‑1K(X, xt)) 其中， X是预报因子历史序列， y是预报 对象历史序列， xt是t时刻的预报因子， N表示正态 分布， σ表示恒定方差， In表示n维单位向量， K(X,X)表示预报因子历史序列X和X的核函数 值， K(xt,xt)表示t时刻的预报因子和预报因子的核函数值， K(X,xt)表示预报因子历史序列权　利　要　求　书 1/2 页 2 CN 114219137 A 2X和t时刻的预报因子的核函数值， K(xt,X)表示t时刻的预报因子和预报因子历史序列X的 核函数值， yt是t时刻以正态分布概 率函数表示的输出 预报值。 4.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S 3中， 采用所述高斯过程回归模 型作为LSTM时序预测模 型的回归层， 得到概率性 的LSTM时序预测模型。 5.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S3中， 所述概率性的LSTM时序预测模型的输出是预报对象正态分布的均值和方 差， 该概率性的LSTM时序预测模型为： p(yt|xt,X,y)＝N(K(h(xt),h(X))(K+σ2In)‑1y,K(h(xt),h(xt))‑K(h(xt),h(X))(K+σ2In)‑1K (h(X),h(xt))) 其中， h(xt)表示t时刻预报因子x经过LSTM时序预测模型的输入层和隐藏层后的输出， y 是预报对象历史序列， xt是t时刻的预报因子， h(X)表示隐藏层状态。 6.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S4中， 所述预报因子包括预报时刻前期的风速、 露点温度、 相 对湿度、 比湿度、 台 站气压、 海平面气压和累积降水量。 7.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S5中， 提取 预报时刻风速作为所述预报对象。 8.如权利要求1所述的一种基于概率性长短期记忆模型的风速区间预测方法， 其特征 在于： 步骤S6中， 使用遗传算法， 对所述概率性LSTM模型的参数进行训练， 以得到最优概率 性LSTM模型。权　利　要　求　书 2/2 页 3 CN 114219137 A 3