一种基于时序卷积记忆网络的短期风速预测方法及系统

1.本发明涉及短期风速预测技术领域，尤其涉及一种基于时序卷积记忆网络 的短期风速预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。
3.作为一种重要的清洁能源，风能获得了迅速的发展。但是风力发电可靠性 较低，十分依赖准确的wsf。准确高效的wsf可以提高风电并网的可靠性和安 全性，同时降低系统运行成本。
4.风电的固有变异性和不确定性会对电网产生重大影响，需要在不同的时间 尺度上对风速与风功率进行准确和可靠的预测。风速与风功率的预测方法与预 测时间尺度相对应，按照预测时间尺度主要划分为三类：1)几个小时以内的短 期预报，主要考虑风电的稳定并网与电网的实时运营；2)中期预测跨度为几个 小时至一周，可为发电与储备决策提供依据；3)长期预测时长至少一周，甚至以 月和年为预测尺度，风电场的维护与建设需要依赖于这项任务。
5.目前的风速预测方法主要分为三类：
6.(1)应用统计方法根据历史数据，实现风速的时间序列外推预测。统计方 法有差分整合移动平均模型(arima)、连续模型(pm)、卡尔曼滤波法(kf) 和主成分分析(pca)等。统计方法一般应用于几小时内的短期预报，对计算 资源要求低，但是随着时长增加误差会显著上升。
7.(2)物理方法根据地理环境和大气运动进行建模，考虑了多影响因子的耦 合作用，可以同时实现包括风速、温度和压强等气象要素的nwp。这种方法可 以实现几小时到一周的预测时长，但是对计算资源要求极高，而且会出现时间 与空间的偏差。
8.(3)人工智能(ai)方法可以通过大量历史数据训练，针对风速时间序列的 复杂非线性和不确定性实现有效拟合。ai经过大数据训练后具有更好的泛化能 力，还可以用于修正nwp中风速的时空偏差。近年来结合大数据的深度神经网 络(dnn)展示出了优异的预测性能，可以深入挖掘风速的时序演变特征，获取更 准确的wsf。
9.但是，上述预测方法普遍存在如下问题：
10.(1)仅依赖历史监测数据进行短期wsf，采集的风速序列失效会严重影响 模型的预测性能，而且序列的随机波动性也不可忽视；
11.(2)nwp存在时空偏差，在短期wsf上误差偏大；
12.(3)目前点预测采用的评价指标为均方根误差(rmse)、平均绝对误差 (mae)及相关的平均百分比误差。但是没有考虑不同风速区间的预测误差与 难度是不同的，缺少更精细与合理的评价指标。


技术实现要素：

13.为了解决上述问题，本发明提出了一种基于时序卷积记忆网络的短期风速 预测方法及系统，时序卷积记忆网络(tcmn)由经过特殊设计的多个1-dcnn 堆叠的时序卷积网络(tcn)和lstm构成，可以进行端到端训练；依靠测风塔的 监测数据和每日数值天气预报(nwp)的预测风速进行风速预测，可以深入挖 掘风速序列的演变特征，对于风速序列的随机波动性展示出更稳定的预测性能。
14.在一些实施方式中，采用如下技术方案：
15.一种基于时序卷积记忆网络的短期风速预测方法，包括：
16.获取设定时间段内的测风塔的监测数据和nwp的预测数据，进行预处理后， 按照时序组成输入变量；
17.将所述输入变量输入至训练好的时序卷积记忆网络模型，获取风电场短期 预测风速；
18.其中，所述时序卷积记忆网络包括时序卷积网络与长短期记忆网络，所述 输入变量经过时序卷积网络，实现初始特征提取；所述初始特征经过长短期记 忆网络得到整体时序风速特征，进而获取风电场短期预测风速。
19.在另一些实施方式中，采用如下技术方案：
20.一种基于时序卷积记忆网络的短期风速预测系统，包括：
21.数据获取模块，用于获取设定时间段内的测风塔的监测数据和nwp的预测 数据，进行预处理后，按照时序组成输入变量；
22.风速预测模块，用于将所述输入变量输入至训练好的时序卷积记忆网络模 型，获取风电场短期预测风速；
23.其中，所述时序卷积记忆网络包括时序卷积网络与长短期记忆网络，所述 输入变量经过时序卷积网络，实现初始特征提取；所述初始特征经过长短期记 忆网络得到整体时序风速特征，进而获取风电场短期预测风速。
24.在另一些实施方式中，采用如下技术方案：
25.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器 用于存储多条指令，所述指令适于由处理器加载并执行上述的基于时序卷积记 忆网络的短期风速预测方法。
26.在另一些实施方式中，采用如下技术方案：
27.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设 备的处理器加载并执行上述的基于时序卷积记忆网络的短期风速预测方法。
28.与现有技术相比，本发明的有益效果是：
29.(1)本发明将监测的历史风速与nwp的预测风速结合起来，提供了更为准 确的短期wsf。历史风速可以有效降低本发明tcmn在6小时内的误差，nwp预 报风速的引入可以实现更长预测水平线的性能稳定。本发明tcmn可以有效结合 这两种数据进行预报，可以实现多时间尺度的高频率滚动风速预测。
30.(2)本发明时序卷积记忆网络tcmn实现了端对端训练，由tcn提取初始的 时序特征，随后由lstm捕获风速特征的时序相关性；tcmn也可视为对nwp 预报风速的修正，为风场运行提供更精确的wsf。相比于基准方法，tcmn在 一个实际运行的风电场体现出了更好的
预测性能。
31.(3)本发明时序卷积记忆网络tcmn可以应用到更多的研究领域，比如风场 风功率预测或者风机故障预警。也可以考虑根据风场的实际情况，将温度、气 压、湿度等要素引入模型来进一步提升tcmn的风速预报性能。
32.本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从 下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
33.图1为本发明实施例中的k＝2,d＝1,2,4,8的四层1-d卷积tcn架构示意图；
34.图2为本发明实施例中的tcn网络的残差连接示意图；
35.图3为本发明实施例中的一个残差块的内部结构示意图；
36.图4为本发明实施例中的一个lstm单元内部结构示意图；
37.图5为本发明实施例中的时序卷积记忆网络tcmn结构示意图；
38.图6为本发明实施例中的记录风速分布示意图；
39.图7(a)-(c)分别为一个样本日的风速曲线；其中，图7(a)为nwp 0-6h 预报，图7(b)为tcmn 15min ahead预报，图7(c)为tcmn 6h ahead预报；
40.图8为本发明实施例中的nwp和tcmn15min提前预测的连续绝对误差示 意图；
41.图9为本发明实施例中的nwp和tcmn6h提前预测的连续绝对误差示意 图；
42.图10(a)-(c)分别为tcmn不同预测水平线与风速区间的hr；
43.图11为本发明实施例中的误差概率分布密度示意图。
具体实施方式
44.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。 除非另有指明，本发明使用的所有技术和科学术语具有与本技术所属技术领域 的普通技术人员通常理解的相同含义。
45.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
46.实施例一
47.在一个或多个实施方式中，公开了一种基于时序卷积记忆网络的短期风速 预测方法，参照图5，具体包括：
48.获取设定时间段内的测风塔的监测数据和nwp的预测数据，进行预处理后， 按照时序组成输入变量；
49.将所述输入变量输入至训练好的时序卷积记忆网络模型，获取风电场短期 预测风速；
50.其中，时序卷积记忆网络包括时序卷积网络与长短期记忆网络，输入变量 经过时序卷积网络，实现初始特征提取；初始特征经过长短期记忆网络得到整 体时序风速特征，然后经过全连接层，获取风电场短期预测风速并输出。
51.风速预报(wsf)是实现风电场功率预测的基础，但是风速的高度随机性 为其造成了极大的困难。本实施例结合了风电场测风塔的监测数据与数值天气 预报(nwp)的预测风速，提出时序卷积记忆网络(tcmn)的深度架构，用 于风电场短期wsf。
52.本实施例中，wsf的基本原理通过一个数学模型来描述：
[0053][0054]
其中，x1与x2分别为采集的历史风速序列和nwp预测风速序列，n和m 为序列长度，t为序列的时间间隔，t为当前时间。y为预测的风速序列， f(x1,x2:δ)为输入与输出的映射关系，δ为tcmn的参数集合，包括架构与权 重。
[0055]
nwp可以做到未来七日甚至更长的气象预报。公式(1)提出的预测模型 可以实现t时间间隔的滚动预测，预测形式仍然是与nwp相同时间分辨率的点 预测。tcmn结合历史风速与nwp预报风速，弥补了nwp预测更新频率慢的 缺点，预测尺度也更加灵活。
[0056]
风速预报模型的性能通过评价指标来衡量。平均绝对误差mae和均方根误 差rmse被广泛应用于点预测的误差评价，可以体现模型的长期预测可靠性， 公式如下：
[0057][0058][0059]
其中，与y(i)
t τ
为预测风速和真实风速，t为当前时刻，τ为预测基准， k为测试集的样本数。
[0060]
皮尔逊相关系数(cor)，也被视作一个指标[32]，用于评估模型预测风速趋 势变化的性能，定义为：
[0061][0062]
其中，cov(a,b)代表a和b的协方差，σa和σb代表a和b的标准差，代 表预测的风速序列，y
t τ
代表测试集的真实风速序列。cor越大，说明预测的风 速序列变化趋势越接近真实风速序列。
[0063]
高风速的预测难度大于低风速，尤其是波动较大的高风速区间误差明显较 大。本实施例采用hr作为不同风速区间的评价指标，定义如下：
[0064][0065]
其中，w代表hr设置的阈值，hi指示预测的绝对值误差是否满足小于w 的条件；q代
表该风速区间的样本数；代表风速预测值与真实 值的绝对误差，代表预测风速值，y(i)t τ代表实际的风速值，i代表数据 中第i个值，t代表当前时间，τ代表预测基准。
[0066]
本实施例中，时序卷积记忆网络(tcmn)由经过特殊设计的多个1-dcnn 堆叠的时序卷积网络(tcn)和长短期记忆网络(lstm)构成；tcn用于初始的 特征提取，lstm捕捉时序序列的长期依赖。结合两个模型的优点，将其混合成 一个统一架构以提高预测精度。
[0067]
时序卷积网络(tcn)由多层1-dcnn堆叠而成，对时间序列进行特征提 取[37]。tcn有两个显著的特点：
[0068]
1)进行卷积操作时，未来的信息获取只依赖过去的信息：
[0069]
2)输入可以是任意长度的序列，并且可以映射到相同长度的输出序列。tcn 的架构要素包括因果卷积，膨胀卷积和残差块。
[0070]
1)因果卷积
[0071]
图1为一个tcn架构案例，上层特征与下层特征的卷积操作具有时间因果 性。因果卷积可以确保在进行序列特征提取时，在时刻t的输出只与时刻t及之 前的输入信息相关，严格遵循特征信息沿时间序列正向流动。为了保证输入与 输出的序列长度一致，采用1-d fullcnn结构，在输入序列前进行长度为k-1的 零值填充，k为卷积核的大小。一个单层的1-d因果卷积层定义如下：
[0072][0073]
其中，x∈r
x
为输入，f为一个滤波器：{0,
…
,k-1}
→
r，f(x)代表一 次卷积操作。
[0074]
2)扩张卷积
[0075]
在一层单纯的因果卷积中，信息的传递只会向下流动一个时刻。对于一个 长度为l的序列，初始信息流动到最后一层，需要堆叠的层数l为：
[0076]
l＝l-(k-1)
ꢀꢀꢀꢀꢀꢀ
(7)
[0077]
这就代表序列过长会显著增加网络层数，对于训练时间与计算成本是一个 严重的挑战。针对这一问题，tcn解决方法是采用扩张卷积，使每层的感受野 呈指数增加，扩张方式如图1。此刻，结合扩张卷积后公式(6)可以改写为：
[0078][0079]
在扩张卷积操作中引入了扩张因子d,每层的感受野为(k-1)d。当d＝1时相当 于一个常规卷积，更大的扩张因子与卷积核可以获取更多的输入，从而有效扩 张感受野。为了保证深度网络中过滤器在获取非常大的有效历史时，同时不产 生输入遗漏，一般d在第r隐藏层的选择为2
r-1
。
[0080]
3)残差块
[0081]
随着扩张因果卷积层数的加深，会表现出深度网络退化，梯度消失或者爆 炸等优化困难问题。
[0082]
结合图2，残差块被提出来跳层连接深度神经网络。这种方法允许层学习对 恒等
映射的修改，而不是整个变换，可以加速训练过程，有利于训练深度网络。 假定最后一层的输出为f(x)，输入为x，那么一个残差块的最后输出为：
[0083]
h(x)＝relu(f(x) x)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0084]
tcn的残差结构设计如图3所示。一个残差块包括两层扩张的因果卷积， 卷积操作后进行了批处理归一化，使用了校正线性单元(relu)。此外，用于 正则化的残差块内的每个扩张卷积之后添加了缺失，进行该处理后可以使模型 内数据张量在计算时更加规范，避免出现较为离群的计算值。
[0085]
长短期记忆网络(lstm)是rnn的一个特殊变体，克服了rnn网络带来 的梯度消失和梯度爆炸等问题，实现了更长时序记忆功能。
[0086]
结合图4，在一个lstm单元里包括输入门、输出门和遗忘门三部分。lstm 单元从输入到输出的计算过程由以下方程组定义：
[0087]it
＝g(wi[x
t
,s
t-1
] bi)
ꢀꢀꢀ
(10)
[0088]ft
＝g(wf[x
t
,s
t-1
] bi)
ꢀꢀꢀ
(11)
[0089]ot
＝g(wo[x
t
,s
t-1
] bi) (12)
[0090]
c_in
t
＝tanh(wc[x
t
,s
t-1
] b
c_in
)
ꢀꢀꢀꢀꢀ
(13)
[0091]ct
＝f
tct-1
i
t
c_in
t (14)
[0092]st
＝o
t
tanh(c
t
) (15)
[0093]
其中x
t
是在时刻t的输入序列；s
t
是隐藏层的输出；c_in
t
是传输至单元层的 初步信息；i
t
为输入门，控制输入到当前单元状态的信息量；f
t
为遗忘门，负责 上次单元状态信息的选择性遗忘；o
t
代表输出门，可以选择当前时间单元状态的 多少信息被采用作为输出；其中g和tanh是激活函数；w和b分别是每个细胞 内神经元之间的权重和偏差值。
[0094]
tcmn模型的搭建使用python的tensorflow与keras模块，可以实现端对端 训练，使用相同的损失函数与优化算法。首先，用正态分布初始化模型参数。 损失函数选用keras自带的mae，参数更新选用自适应矩估计(adam)优化算法。 adam在训练过程中可以自适应地更新学习速率，使损失函数快速收敛。
[0095]
训练策略与流程如下：
[0096]
(1)每次将所有训练数据分批次进入模型，训练一轮后，使用测试集对模 型进行预测效果评判，统计均方根误差，绝对值平均误差，相关系数，不同风 速区间命中率，连同该次模型训练的参数权重一并保存。
[0097]
(2)将第一步训练进行100轮，训练完毕后比较每次测试集的预测效果， 选择在测试集表现最佳的参数权重，并将其部署在实际运行的服务器风速预测 系统中。
[0098]
本实施例中，为了评估tcmn的预测性能，一个实际风场的数据集被作为 研究案例，同时我们提供了多种方法的性能比较。案例风场位于中国山东西部 的丘陵地带，预测目标为测风塔风机轮毂高度处的风速。
[0099]
a.数据集介绍
[0100]
采集的数据时间范围是2019年1月1日到2020年12月31日，共70176 个时刻点。数据集包括来自测风塔80米(风机轮毂高度)时间分辨率为15min 的记录风速，以及相同时间分辨率的nwp预测风速。由于风场记录的风速存在 一定的遗漏或错误数据，规定连续16个点(即四小时)为零或不变的数据为异 常数据。表ⅰ给出记录风速的基本情况统计，图6给出
了去掉异常数据后记录 风速分布的直方图和估计概率密度曲线。风场获取的未来7日nwp由天气研究 和预报(wrf)数值预报模型提供，物理参数设置在附录中给出。wrf的驱动数 据来自美国国家环境预报中心的全球预报系统(gfs)，每日发布四次。
[0101]
表ⅰ记录风速特征统计
[0102]
平均风速5.17m/s最大风速22.1m/s最小风速0m/s异常数据比例3.32％
[0103]
b.基准方法
[0104]
为了体现结合历史风速和nwp预测风速的tcmn的优越性，svr，rnn， lstm,cnn-lstm四个模型被用作基准，输入均包括了历史风速与nwp的预 测风速。
[0105]
svr，作为svm对回归问题的一种应用，可以实现预测任务。rnn与lstm 的设计使其具有时序特征捕获能力，对时序数据的演变趋势学习性能更优。 cnn-lstm混合模型的卷积提取，可以有效应对风速序列的波动性。基准算法 的参数选择参考文献，结合试错法确定。
[0106]
c.tcmn模型训练
[0107]
tcmn模型的搭建使用python的tensorflow与keras模块，可以实现端对端 训练，使用相同的损失函数与优化算法。首先，用正态分布初始化模型参数。 损失函数选用keras自带的mae，参数更新选用自适应矩估计(adam)优化算法。 adam在训练过程中可以自适应地更新学习速率，使损失函数快速收敛。tcmn 与基准算法的结构参数在表ⅱ中给出，均由python实现。
[0108]
表ⅱ预测模型的参数设置
[0109][0110]
d.与基准对比
[0111]
数据集按照4：1划分训练集与测试集。首先需要确定公式(1)中n的值， 这代表了读取历史风速序列长度。经过测试，当n≧13时，模型的各种评价指 标不再有提升，考虑到风速趋势变化情况复杂，最终确定n＝16。公式(1)中m 决定了预测水平线，可以根据实际需求灵活设置。表ⅲ至表
ⅴ
给出了五种方法 的mae，rmse，cor三个指标的测试结果。
[0112]
表ⅲmae
[0113][0114]
表ⅳrmse
[0115][0116]
表
ⅴ
cor
[0117][0118]
在与四个基准对比中，tcmn在所有预测水平线均取得了最佳的预测效果。 其中svr的预测结果最差，这是可以预见的。因为输入的历史风速与nwp预 报风速具有强烈的时间相关性，而剩下的四个模型均具有时序特征学习能力， 更适合本实施例的风速预报任务。lstm展示了优于rnn的预测能力，在其他 文献也多次得到验证。这是因为lstm独特的工作机制具有更优秀的序列特征 学习能力，也解决了rnn梯度训练的优化问题。在lstm网络前添加cnn进 行风速序列的特征提取，也一定程度提升了模型预测能力，在多个预测水平线 中略优于单纯的lstm。综合来看，可以说明tcn对于风速序列的特征提取能 力优于普通cnn。
[0119]
四种方法也体现出了相同的特点，性能指标随着预测水平线延长显著下降。 从结果的对比中，可以认为本实施例所提模型tcmn预测性能优于所有基准方 法。
[0120]
本实施例中，nwp的预报风速也作为了tcmn输入的一部分，也可以将 tcmn视为对nwp的修正。对于nwp提供的wsf，每6h预测一次，tcmn 则可以做到间隔15min滚动预测。为了能更好的体现tcmn对于nwp的提升 程度，我们采取了分段统计平均误差的方法。
[0121]
表ⅵ平均mae
[0122][0123]
表ⅶ平均rmse
[0124][0125]
表
ⅷ
平均cor
[0126][0127]
表ⅵ至表
ⅴ
给出了tcmn与nwp在mae，rmse，cor三个指标的测试 结果。可以看出tcmn在0-6h的性能提升最大，mae提升接近0.5m/s，rmse 提升接近0.7m/s，相关系数的提升约为0.15。在6-24h三个时间段的预测中，tcmn相比于nwp的性能提升较为稳定，mae提升接近0.3m/s，rmse提升 接近0.4m/s，相关系数的提升较小，约为0.02。
[0128]
评判指标体现的特点具有普遍性与平均性。为了进一步解释不同方法的优 缺点，我们选择了一个无不良数据的典型日进行精细化分析，其中nwp的风速 曲线由当日四次预报0-6h的预报点拼接。由图7(a)-(c)的3个曲线图，可 以看出，在样本日的开始，记录风速急速下降，随后伴随较大的震荡上升，达 到10m/s以上。之后的风速缓慢震荡下降，并在最后突然下降。nwp给出的预 测风速在开始的波谷出现重大失误，但在随后的预测表现良好，也成功的预测 了末尾的骤降风速。tcmn15min的预测展现出了良好的性能，不仅在开头和末 尾成功预测到了风速的快速变化，而且基本做到了全天的趋势拟合。通过仔细 的对比，预测曲线相当于真实曲线的微小右移，同时波动变小。tcmn在6h的 预测性能相比于15min出现了明显的下降。相比于nwp，tcmn6h的预测缩小 了开头的大误差，预测曲线变得平滑，但是在末尾风速骤降的预测较为保守。
[0129]
图8为样本日nwp与tcmn15min提前预测的连续绝对误差对比，图9 为nwp与tcmn 6h提前预测的连续绝对误差对比。nwp的预报风速在开始出 现了一个误差高峰，其余误差分布波动比较随机，基本处于3m/以下。tcmn 在15min与6h体现出显著的差异，15min的预测误差均在3m/s范围内，6h的 预测则在一定程度降低了nwp产生的大误差。
[0130]
结合上述分析，可以得出结合历史风速与nwp预报风速的tcmn具有两 个优点：1)6h内的预测误差低，趋势拟合度较高；2)在24h内性能稳定，可 以显著降低nwp预报风速的平均误差，修正其产生的大误差。
[0131]
预报风速的tcmn具有两个优点：1)6h内的预测误差低，趋势拟合度较 高；2)在24h
内性能稳定，可以显著降低nwp预报风速的平均误差，修正其 产生的大误差。
[0132]
f.hr统计与误差分布分析
[0133]
由e部分的分析可知，在涉及高风速区间产生的波动幅度更大，更容易出 现大误差，使得预测也更困难。因此本实施例结合hr，对tcmn 6小时内的预 测误差进行进一步分析。
[0134]
根据风速分布与mae的大小，将其分为0-5m/s，5-10m/s，10m/s以上三个 风速区间来统计hr，w设置为1m/s，2m/s，3m/s。
[0135]
表
ⅸ
nwp 0-6h平均hr(％)
[0136][0137]
图10(a)-(c)为tcmn的hr统计。表
ⅸ
为nwp 0-6h的平均hr统计。 由表
ⅸ
可知，在10m/s以上的风速区间即使设置了一个宽松的w，hr仍然小于 0-5m/s的hr，这也验证了高风速预测的误差与难度更大这一论点。图10与表
ꢀⅸ
展现出了以下特点：
[0138]
1)在5-10m/s区间的hr，tcmn相比于nwp提升最大。tcmn随着预测 水平线的延长，5-10m/s区间的hr表现最为稳定，下降幅度最小。
[0139]
2)随着预测水平线的延长，tcmn在0-5m/s与10m/s以上两个区间hr均 出现了明显的下降。尤其在10m/s以上区间较为明显，在6h与15min的对比中，tcmn降幅达40％。
[0140]
高hr说明大误差的概率更小。图11为误差概率分布密度，tcmn在15min 预测误差几乎被限制在了5m/s以内。除此之外，tcmn在6小时的误差分布也 明显优于nwp(0-6h)。
[0141]
实施例二
[0142]
在一个或多个实施方式中，公开了一种基于时序卷积记忆网络的短期风速 预测系统，包括：
[0143]
数据获取模块，用于获取设定时间段内的测风塔的监测数据和nwp的预测 数据，进行预处理后，按照时序组成输入变量；
[0144]
风速预测模块，用于将所述输入变量输入至训练好的时序卷积记忆网络模 型，获取风电场短期预测风速；
[0145]
其中，所述时序卷积记忆网络包括时序卷积网络与长短期记忆网络，所述 输入变量经过时序卷积网络，实现初始特征提取；所述初始特征经过长短期记 忆网络得到整体时序风速特征，进而获取风电场短期预测风速。
[0146]
上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
[0147]
实施例三
[0148]
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务 器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序， 所述处理器执行所述程序时实现实施例一中的基于时序卷积记忆网络的短期风 速预测方法。为了简洁，在此不再赘述。
[0149]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是 其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵 列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组 件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0150]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数 据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存 储设备类型的信息。
[0151]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电 路或者软件形式的指令完成。
[0152]
实施例四
[0153]
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有 多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基 于时序卷积记忆网络的短期风速预测方法。
[0154]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发 明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基 础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍 在本发明的保护范围以内。