一种基于GRU-BiTCN的站点短期风速预测方法

本发明属于风速预测，具体为一种基于gru-bitcn的站点短期风速预测方法。

背景技术：

1、风速预测是气象预报中不可或缺的一环，为了预测风速，通常通过创建气象站点获取当地风速实际数据，然后研究风速的统计规律。为了能得到准确的风速预测结果，通常需要对风速建模，但对风速建模较为困难，原因在于：风的形成、风速的变化、风向的变化受很多因素的影响，如气象要素、地形因素、地球自转甚至是人类建筑的影响，因此目前使用的风速预测模型效果均不理想。

技术实现思路

1、发明目的：为解决现有风速预测模型效果不理想的问题，本发明提出了一种基于gru-bitcn的站点短期风速预测方法。

2、技术方案：一种基于gru-bitcn的站点短期风速预测方法，包括以下步骤：

3、步骤1：获取设定时间窗口内的待预测目标站点的站点历史气象数据，获取设定时间窗口内的待预测目标站点周围个格点的格点历史气象数据，以及获取设定时间窗口内的各格点的地形历史数据；

4、步骤2：对步骤1获取到的站点历史气象数据、格点历史气象数据和地形历史数据进行归一化处理；

5、步骤3：将归一化后的格点历史气象数据和归一化后的地形历史数据进行拼接，得到第一拼接数据；将第一拼接数据按照时间步长划分成多个批次，按照时间顺序，将多个批次依次输入至训练好的gru-bitcn模型中，同时将归一化后的站点历史气象数据输入至训练好的gru-bitcn模型中，由训练好的gru-bitcn模型输出在设定时间窗口后一个时间步长时，待预测目标站点的风速预测值；

6、所述时间窗口与时间步长满足：一个时间窗口内有连续的 k个时间步长；所述在设定时间窗口后时，待预测目标站点的风速预测值表示第 k+1个时间步长时，待预测目标站点的风速预测值；

7、其中，所述的gru-bitcn模型包括：

8、多层gru模型，用于从第一拼接数据中提取时空相关性特征；

9、卷积再处理模块，用于对多层gru模型的输出进行卷积再处理；

10、数据拼接模块，用于将卷积再处理模块的输出与归一化后的站点历史气象数据进行拼接，得到第二拼接数据；

11、bitcn模块，用于从第二拼接数据中提取正向时间序列对应的时间特征和反向时间序列对应的时间特征；

12、双向特征融合模块，用于对bitcn模块输出的时间特征进行双向特征融合，得到在设定时间窗口后一个时间步长时，待预测目标站点的风速预测值。

13、进一步的，所述站点历史气象数据包括：站点历史气压数据、站点历史风向数据、站点历史温度数据和站点历史风速数据；

14、所述格点历史气象数据为由格点历史温度数据、格点历史u向风速数据、格点历史v向风速数据、格点历史气压数据、格点历史湿度数据和格点历史高植被叶面指数数据按照时间步长叠加得到；

15、所述地形历史数据为由历史海拔数据、历史坡度数据和历史坡向数据按照时间步长叠加得到。

16、进一步的，所述多层gru模型包括3层gru和3层dropout；在每层gru后设置一层dropout；

17、每层gru均由 k个gru模型构成；

18、对于第一层gru，其中的第一个gru模型的输入为第一拼接数据的第一批次数据，第二个gru模型的输入为第一个gru模型输出的隐状态和第一拼接数据的第二批次数据，以此类推；

19、对于第二层gru，其中的第 k个gru模型的输入为第一层gru中第 k个gru模型输出的隐状态；

20、以此类推，对于第三层gru，其中的第 k个gru模型的输入为第二层gru中第 k个gru模型输出的隐状态；第三层gru中第 k个gru模型的输出作为多层gru模型的输出，得到第一拼接数据中的时空相关性特征；

21、在每个所述gru模型中均包括重置门和更新门；

22、所述重置门表示为：

23、（4）

24、式中，表示第 t个时间步长的输入数据，表示的重置门权值参数，表示第 t-1个时间步长的隐状态，所述隐状态表示输入数据的时空相关性特征，表示的重置门权重参数，表示重置门的偏置参数，表示sigmoid激活函数； t≤ k；

25、所述更新门表示为：

26、（5）

27、式中，表示的更新门权值参数，表示的更新门权重参数，表示更新门的偏置参数；

28、在每个gru模型中进行以下计算步骤：

29、通过将第 t-1个时间步长的隐状态与重置门结合，按照下式计算得到第 t个时间步长的候选隐状态：

30、（6）

31、式中，、分别表示的权重参数和的权重参数，表示计算候选隐状态的偏置参数，表示tanh非线性激活函数，表示hadamard积；

32、利用第 t-1个时间步长的隐状态和第 t个时间步长的候选隐状态，计算得到第 t个时间步长的隐状态：

33、（7）

34、式中，表示第 t个时间步长的更新门；

35、将第 t个时间步长的隐状态作为下一个gru模型的输入，以及作为下一层gru中对应的gru模型的输入。

36、进一步的，所述卷积再处理模块按照以下步骤构建得到：

37、采用3×3的卷积核，步长为1，零填充为1，激活函数为relu的卷积层构建卷积再处理模块的第一层；

38、采用2×2的最大池化，步长为2，无零填充的池化层构建卷积再处理模块的第二层；

39、采用3×3的卷积核，步长为1，零填充为1，激活函数为relu的卷积层构建卷积再处理模块的第三层；

40、采用2×2的最大池化，步长为2，无零填充的池化层构建卷积再处理模块的第四层；

41、采用3×3的卷积核，步长为1，零填充为1，激活函数为relu的卷积层构建卷积再处理模块的第五层；

42、采用2×2的最大池化，步长为2，无零填充的池化层构建卷积再处理模块的第六层；

43、采用全连接层构建卷积再处理模块的第七层，用于将卷积再处理模块的第六层的输出展平为一个向量，并连接到50个神经元上；

44、采用全连接层构建卷积再处理模块的第八层，用于将卷积再处理模块的第七层的输出连接到9个神经元上；

45、采用softmax函数构建卷积再处理模块的输出层。

46、进一步的，所述bitcn模块包括第一tcn模块和第二tcn模块；

47、所述第二拼接数据作为第一tcn模块的输入，该第一tcn模块输出正向时间序列对应的时间特征；

48、将第二拼接数据按照时间序列进行反转，得到的数据作为第二tcn模块的输入，该第二tcn模块输出反向时间序列对应的时间特征。

49、进一步的，第一tcn模块和第二tcn模块均由 h个残差块构成；前一个残差块的输出作为后一个残差块的输入；

50、每个所述残差块均包括第一子模块和第二子模块；所述第一子模块的结构和第二子模块的结构相同，均包括依次连接的膨胀因果卷积层、权重归一化层、非线性映射层和正则化层；

51、所述膨胀因果卷积层均按照以下步骤构建得到：

52、采用因果卷积核大小为1×2，膨胀因子为1，步长为1，零填充大小为1的隐藏层构建膨胀因果卷积层的第一层；

53、采用因果卷积核大小为1×2，膨胀因子为2，步长为1，零填充大小为2的隐藏层构建膨胀因果卷积层的第二层；

54、采用因果卷积核大小为1×2，膨胀因子为4，步长为1，零填充大小为4的隐藏层构建膨胀因果卷积层的第三层；

55、采用因果卷积核大小为1×2，膨胀因子为8，步长为1，零填充大小为8的隐藏层构建膨胀因果卷积层的第四层。

56、进一步的，对于每个残差块而言，仅当输入通道数量与膨胀因果卷积层的输出通道数量不一致时，将残差块的输入经1×1卷积后与膨胀因果卷积层的输出拼接，作为该残差块的输出。

57、进一步的，所述双向特征融合模块包括双向叠加层、平均池化层和dense层；

58、所述双向叠加层，用于将bitcn模块输出的时间特征进行双向叠加，得到两个张量；

59、所述平均池化层，用于对双向叠加层输出的两个张量进行压缩；

60、所述dense层，用于在平均池化层输出的基础上，得到在设定时间窗口后一个时间步长时，待预测目标站点的风速预测值。

61、进一步的，所述训练好的gru-bitcn模型，按照以下训练步骤得到：

62、s100：获取多个时间窗口内的目标站点的站点历史气象数据、目标站点周围个格点的格点历史气象数据，以及各格点的地形历史数据；对获取到的站点历史气象数据、格点历史气象数据和地形历史数据进行归一化处理；将归一化后的格点历史气象数据和归一化后的地形历史数据进行拼接，得到第一拼接数据；将第一拼接数据和归一化后的站点历史气象数据作为样本数据；所述目标站点包括待预测目标站点和多个位于所述待预测目标站点周围的辅助站点；

63、s200：对于任意一个时间窗口，获取在该时间窗口后一个时间步长的风速，将该风速作为该时间窗口的样本数据的标签；

64、s300：采用样本数据和对应的标签，构建样本集；将样本集划分成训练集和测试集；

65、s400：采用训练集对gru-bitcn模型进行训练，得到用于预测在时间窗口后一个时间步长的风速的gru-bitcn模型；

66、s500：采用测试集对经过s400训练的gru-bitcn模型进行测试，得到训练好的gru-bitcn模型；

67、其中，多个位于所述待预测目标站点周围的辅助站点按照以下步骤确定得到：

68、选取待预测目标站点周围的可用站点，以及获取待预测目标站点周围的可用站点的历史风速；

69、按照待预测目标站点周围的可用站点的历史风速与待预测目标站点的历史风速之间的距离等级加权皮尔逊相关系数，按照距离等级加权皮尔逊相关系数大小，选取多个符合要求的可用站点作为辅助站点；

70、所述距离等级加权皮尔逊相关系数按照以下公式计算得到：

71、（1）

72、其中，表示距离等级系数，表示待预测目标站点在 a时刻的风速序列，表示待预测目标站点的风速序列均值；表示可用站点在 a时刻的风速序列，表示可用站点的风速序列均值，表示总时刻。

73、进一步的，双向叠加层中，所述将bitcn模块输出的时间特征进行双向叠加，得到两个张量，具体包括：

74、将正向时间序列对应的时间特征记为序列1，将序列1按时间顺序反转得到序列2，将序列1和序列2上下拼接，得到一张量；

75、将反向时间序列对应的时间特征记为序列3，将序列3按时间顺序反转得到序列4，将序列3和序列4上下拼接，得到另一张量。

76、有益效果：本发明与现有技术相比，具有以下优点：

77、（1）本发明方法考虑风速实际受到的多因素影响，将地形数据和格点气象数据结合，并利用多层gru模型提取时间和空间特征，将地形、气象要素的格点数据特征和实际站点的气象数据拼接作为预测模型的输入，就r2指标而言，相比于未采用格点数据的情况提升了大约8%；

78、（2）本发明方法采用卷积再处理模块使格点气象数据和站点气象数据以合理的方式拼接，在处理数据维度的同时，最大程度上保证了原本地形数据、气象要素格点数据的特征；

79、（3）本发明方法在模型搭建上采用混合模型的形式，多层gru模型可以很好地提取时空相关性特征；bitcn模块可以进一步获取时间特征，而且相比于原始tcn模块和bilstm模块，bitcn模块在预测精度上表现更好，就r2指标而言，高于tcn模块和bilstm模块的预测结果约3%-5%；

80、（4）采用本发明方法搭建的模型，该模型的最后利用双向特征融合模块并采用池化-全连接的结构降低误差，提升性能；

81、（5）本发明方法采用更优的方案处理风速以及多种相关因素，结合多层gru模型提取更加深层次、多元的时空相关性特征，采用双向tcn模块处理时间序列以提高站点的预测精度。