短期风速预测方法、装置、设备、系统及存储介质与流程

本发明涉及风能领域，特别涉及一种短期风速预测方法、装置、设备、系统及一种可读存储介质。

背景技术

近年来，由于对不可再生资源的过度开采以及过度使用，社会对全球气候形势急剧恶化的担忧日益增加。世界上许多国家和城市已经开始从传统能源转向可再生能源生产。在所有可再生能源中，风能已成为世界上最受关注的并且发展最快的增长点。

由于风电具有随机性、间歇性和波动性等特点，导致大规模风电并网给电力系统的稳定性带来严重影响，如增加电力系统的运行成本和旋转备用等，风能的巨大增长为风能并入传统电网带来了严峻的挑战。准确的风速或风功率预测对提高电力系统稳定运行的经济效益具有重要意义，也能提高风电场参与市场竞争的能力。

风速预测可分为短期、中期和长期预测，其中，短期风速预测是含风电的电力系统经济调度的重要依据。常用的短期风速预测模型包括时间序列模型，人工智能模型和混合模型等常规的神经网络模型。

然而，当前常规的神经网络模型的参数容易陷入局部最优，即容易困在一个有限空间内寻求最优解，而无法寻求大范围的最优参数，训练出的模型不稳定，预测结果精准度较低。

因此，如何避免神经网局部最优的缺陷，实现对短期风速的准确预测，是本领域技术人员需要解决的技术问题。

技术实现要素：

本发明的目的是提供一种短期风速预测方法，该方法采用纵横交叉算法对所述神经网络进行参数优化，可以避免神经网络局部最优的缺陷，能够提高短期风速预测的精度；本发明的另一目的是提供一种短期风速预测装置、设备、系统及一种可读存储介质，具有上述有益效果。

本发明提供一种短期风速预测方法，包括：

对获取的风速历史数据进行预处理，得到风速序列；

将所述风速序列输入至预测模型，得到预测结果；其中，所述预测模型为通过纵横交叉算法进行参数优化后的神经网络；

通过纵横交叉算法对所述神经网络进行参数优化包括：

根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子；

对所述训练风速群体中粒子以及所述子代粒子进行适应度评价，得到各粒子的适应度；

筛选出适应度最高的粒子；

根据适应度最高的粒子参数设置所述神经网络的参数；其中，所述参数包括各层权值以及阈值。

可选地，所述对各粒子分组进行横向交叉以及纵向交叉包括：

对各粒子分组进行横向交叉，得到第一子代粒子；

对所述第一子代粒子分组进行纵向交叉，得到第二子代粒子；

横向交叉与纵向交叉交替进行，当迭代次数达到预设最大迭代次数时，迭代终止，获取生成的所有子代粒子；其中，所述最大迭代次数根据所述训练风速群体的参数计算得到。

可选地，将所述风速数据输入至预测模型前还包括：

基于可变模式分解将所述风速序列根据风速频率进行重构，得到若干模态风速序列；

则将所述风速序列输入至预测模型具体为：

将所述若干模态风速序列依次输入至预测模型，得到各模态风速数据对应的预测值；

叠加各模态风速数据对应的预测值，将生成的预测总和作为预测结果。

可选地，所述对获取的风速历史数据进行预处理包括：

获取风速历史数据；

修正所述风速历史数据中的残缺点并剔除异常点，得到风速序列。

可选地，所述短期风速预测方法还包括：

对所述预测结果进行预测结果评判，得到预测误差值；

其中，所述预测结果评判包括：计算平均绝对误差、计算标准误差以及计算平均绝对百分比误差。

可选地，所述短期风速预测方法还包括：

当所述预测误差值超过对应阈值时，通过纵横交叉算法对当前预测模型进行参数优化。

本发明公开一种短期风速预测装置包括：

预处理单元，用于对获取的风速历史数据进行预处理，得到风速序列；

预测单元，用于将所述风速序列输入至预测模型，得到预测结果；其中，所述预测模型为参数优化单元通过纵横交叉算法进行参数优化后的神经网络；

其中，所述参数优化单元包括：

交叉计算子单元，用于根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子；

适应度评价子单元，用于对所述训练风速群体中粒子以及所述子代粒子进行适应度评价，得到各粒子的适应度；

筛选子单元，用于筛选出适应度最高的粒子；

参数设置子单元，用于根据适应度最高的粒子参数设置所述神经网络的参数；其中，所述参数包括各层权值以及阈值。

本发明公开一种短期风速预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述短期风速预测方法的步骤。

本发明公开一种短期风速预测系统，包括：

风速数据采集设备，用于进行实时视频采集，得到风速历史数据，并将所述风速历史数据发送至短期风速预测设备；

所述短期风速预测设备，用于对获取的风速历史数据进行预处理，得到风速序列；将所述风速序列输入至预测模型，得到预测结果；其中，所述预测模型为通过纵横交叉算法进行参数优化后的神经网络；通过纵横交叉算法对所述神经网络进行参数优化包括：根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子；对所述训练风速群体中粒子以及所述子代粒子进行适应度评价，得到各粒子的适应度；筛选出适应度最高的粒子；根据适应度最高的粒子参数设置所述神经网络的参数；其中，所述参数包括各层权值以及阈值。

本发明公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述短期风速预测方法的步骤。

为解决上述技术问题，本发明提供一种短期风速预测方法，采用纵横交叉算法对神经网络进行参数优化，通过对风速粒子进行迭代纵向以及横向交叉计算，筛选出适应度最高的粒子，适应度体现目标输出与实际输出的差距，适应度越高，神经网络的预测能力越强，筛选出的适应度最高的粒子可以体现训练风速群体整体的最优解，筛选得到适应度最高的粒子不仅可以实现对整体寻求最优解，避免了神经网络局部最优的缺陷，而且通过适应度最高的粒子参数对神经网络的参数进行调整可以提高神经网络的泛化能力，网络参数更优，通过该种方法训练得到的预测模型对获取的风速数据进行预测，可以大大提高预测的精度，进而提高对风能的利用。

本发明另一实施例中公开了将风速数据输入至预测模型前还可以基于可变模式分解将风速序列根据风速频率进行重构，得到若干模态风速序列；则将风速序列输入至预测模型具体为：将若干模态风速序列依次输入至预测模型，得到各模态风速数据对应的预测值；叠加各模态风速数据对应的预测值，将生成的预测总和作为预测结果。由于风速序列具有非平稳性和非线性的复杂特性，通过可变模式分解技术将原始风速分解成一系列模态，再采用预测模型进行预测，能大程度的提高风速预测精度。

本发明还公开了一种短期风速预测装置、设备、系统及一种可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的短期风速预测方法的流程图；

图2为本发明实施例提供的通过纵横交叉算法对神经网络进行参数优化的过程流程图；

图3为本发明实施例提供的预测结果与实际风速比对示意图；

图4为本发明实施例提供的短期风速预测装置的结构框图；

图5为本发明实施例提供的短期风速预测设备的结构框图；

图6为本发明实施例提供的短期风速预测设备的结构示意图；

图7为本发明实施例提供的短期风速预测系统的结构框图。

具体实施方式

本发明的核心是提供一种短期风速预测方法，该方法采用纵横交叉算法对神经网络进行参数优化，可以避免神经网络局部最优的缺陷，能够提高短期风速预测的精度；本发明的另一核心是提供一种短期风速预测装置、系统及一种可读存储介质，具有上述有益效果。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例提供的短期风速预测方法的流程图；该方法可以包括：

步骤s100、对获取的风速历史数据进行预处理，得到风速序列。

对获取的风速历史数据进行预处理的过程具体不做限定，可以包括对风速历史数据进行残缺点修正、异常点剔除、按时间顺序对数据进行切割、排布等，可以根据预测模型的数据处理的需要自行选择预处理的类型对获取的风速历史数据进行相应处理。其中，优选地，为尽量避免预测模型对无效数据的预测导致整体预测精度的降低，对获取的风速历史数据进行预处理具体可以为：获取风速历史数据；修正风速历史数据中的残缺点并剔除异常点，得到风速序列。避免少数残缺点以及异常点对整体性能的影响。

步骤s200、将风速序列输入至预测模型，得到预测结果。

预测模型为通过纵横交叉算法进行参数优化后的神经网络，对预测模型的具体网络拓扑结构形式以及各层神经元的数目不做限定，可以根据给定的训练样本确定。

确定预测模型的网络拓扑结构以及各层神经元数目后，根据获取的训练样本对预测模型进行训练，使其可以分辨风速数据中的隐藏属性，对风速数据进行精准预测。

通过纵横交叉算法对神经网络进行参数优化的过程流程图如图2所示，具体可以包括以下步骤：

步骤s110：根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子。

横向交叉(横向交叉概率通常取1)是在两个粒子中做算数交叉操作，且两粒子是在同一维随机产生，交叉操作获得的子代可以保存在矩阵mshc里面。纵向交叉是所有粒子不同维之间进行的一种算数交叉，且两维是随机组合在一起的，交叉后产生的解可以保存在矩阵msvc中。

具体地，可以根据(公式1)以及(公式2)进行横向交叉操作。

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))(公式1)

mshc(j,d)＝r2×x(j,d)+(1-r2)×x(i,d)+c2×(x(j,d)-x(i,d))(公式2)

其中，i,j∈n(1,m)，d∈n(1,d)。

式中，r1、r2是[0，1]之间的随机数；c1、c2是[-1，1]之间的随机数；m为粒子数的范围；d为变量的维数；x(i,d)、x(j,d)分别表示父代粒子x(i)和x(j)的第d维；mshc(i,d)、mshc(j,d)分别表示x(i,d)和x(j,d)通过横向交叉在第d产生子代。

具体地，可以根据(公式3)进行纵向交叉操作。

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)(公式3)

其中，i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]。

式中msvc(i,d1)是粒子x(i)的第d1维和第d2维通过纵向交叉操作后产生的子代。

纵横交叉算法的纵向交叉概率pv，种群规模m等参数具体可以根据获取的训练样本自行确定，具体数值设置不做限定。

对粒子进行一次横向操作或者纵向操作，产生子代粒子算作一次迭代，在此对迭代次数不做限定，可以进行两次迭代，四次迭代等，其中，优选地，可以根据训练风速群体的参数进行迭代次数的设置，比如，当训练风速群体中粒子数量少时，可以设置4次迭代，生成四个子代粒子；当训练风速群体中粒子数量多时，可以设置6次迭代，以寻求更优的粒子参数。在此仅以训练风速群体粒子数量为例进行介绍，其它参数均可参照上述介绍。

具体地，对各粒子分组进行横向交叉以及纵向交叉具体可以包括以下步骤：

步骤一：对各粒子分组进行横向交叉，得到第一子代粒子；

步骤二：对第一子代粒子进行纵向交叉，得到第二子代粒子；

步骤三：横向交叉与纵向交叉交替进行，当迭代次数达到预设最大迭代次数时，迭代终止，获取生成的所有子代粒子；其中，最大迭代次数根据训练风速群体的参数计算得到。

步骤s120：对训练风速群体中粒子以及子代粒子进行适应度评价，得到各粒子的适应度。

适应度体现目标输出与实际输出的差距，适应度越高，神经网络的预测能力越强通过多次迭代，生成交叉子代粒子，粒子参数各不相同，对不同离子进行适应度，筛选出的适应度最高的粒子可以体现训练风速群体整体的最优解，筛选得到适应度最高的粒子不仅可以实现对整体寻求最优解，避免了神经网络局部最优的缺陷，而且通过适应度最高的粒子参数对神经网络的参数进行调整可以提高神经网络的泛化能力，网络参数更优。

计算粒子适应度的过程可参照现有技术，具体地，比如可以利用(公式4)进行适应度评价。

适应度

其中，pt表示神经网络的实际输出，表示神经网络的目标输出，n表示训练样本数。

步骤s130：筛选出适应度最高的粒子。

步骤s140：根据适应度最高的粒子参数设置神经网络的参数；其中，参数包括各层权值以及阈值。

根据粒子参数进行神经网络参数的设置的过程可参照现有技术，在此不做赘述。

基于上述技术方案，本实施例所提供的短期风速预测方法，采用纵横交叉算法对神经网络进行参数优化，通过对风速粒子进行迭代纵向以及横向交叉计算，筛选出适应度最高的粒子，适应度体现目标输出与实际输出的差距，适应度越高，神经网络的预测能力越强，筛选出的适应度最高的粒子可以体现训练风速群体整体的最优解，筛选得到适应度最高的粒子不仅可以实现对整体寻求最优解，避免了神经网络局部最优的缺陷，而且通过适应度最高的粒子参数对神经网络的参数进行调整可以提高神经网络的泛化能力，网络参数更优，通过该种方法训练得到的预测模型对获取的风速数据进行预测，可以大大提高预测的精度，进而提高对风能的利用，可广泛应用于电力市场和电力系统相关领域的科学研究和工程应用。

由于风速序列具有非平稳性和非线性的复杂特性，获取的风速数据中包含不同频率的风速数据，为提高风速预测的精度，优选地，可以基于可变模式分解将风速序列根据风速频率进行重构，得到若干模态风速序列；则将风速序列输入至预测模型具体为：将若干模态风速序列依次输入至预测模型，得到各模态风速数据对应的预测值；叠加各模态风速数据对应的预测值，将生成的预测总和作为预测结果。

通过可变模式分解技术将原始风速分解成一系列模态，再采用预测模型进行预测，能大程度的提高风速预测精度。

为加深对本发明提供的短期风速预测方法的理解，本实施例以一种基于可变模式分解的短期风速预测过程为例进行介绍，主要可以包括模型的训练过程以及模型的预测过程。具体地，包括以下步骤：

s1、获取风速历史数据并对数据做预处理；

在步骤s1中，历史数据包括700点风速数据。

s2、利用可变模式分解能够自适应将历史风速数据分解成一系列拥有特定稀疏属性的离散模态。

具体地，步骤s2包括以下子步骤：

s21：对于原始输入信号f(t)，利用希尔伯特变换，得到每个模态函数uk(t)的解析信号，并获得单变频谱其中，t表示第t时刻，k表示第k个模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率。

s22：将每个模态的频谱以及各模态解析信号的混合—预估中心频率为基准调制到相应基频带其中wk表示第k个模态的角频率。

s23：将以上解调信号梯度的平方l²范数，估计出个模态的信号的带宽，受约束的可变模式分解问题如下：

其中{uk}＝{u1，…，uk}，{wk}＝{w1,…,wk}；k＝1,2,3…k，表示对t求偏导，f(t)表示输入信号。

其中可变模式分解问题具体步骤如下：

步骤s23.1：引入二次罚函数项a和拉格朗日乘子算子λ(t)，可以将上式约束问题转换为无约束问题，形成了扩展拉格朗日表达式，如式：

步骤s23.2：初始化参数和n。

其中，{uk}＝{u1，…，uk}表示k个模态函数，表示这k模态函数的初值，{wk}＝{w1,…,wk}表示第k个中心频率，表示这k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数。

步骤s23.3：采用交替乘子方向法解决以上可变模式分解问题，通过交替更新以及λⁿ⁺¹寻求扩展拉格朗日表达式的鞍点。

其中，uk和wk分别由公式和进行更新，λ采用进行更新。

步骤s23.4：对于给定的判别精度e＞0，若则停止迭代。获得一个分量u1。

步骤s23.5：重复步骤s23.3和s23.4就可获得其余分量u2、u3、...、un。

s3、选择训练样本，建立纵横交叉算法优化离群鲁棒极限学习机的预测模型；

s4、对所有子序列均采用纵横交叉算法优化离群鲁棒极限学习机的预测模型进行单步预测：

在步骤s4中，选择训练样本为前600个历史风速数据。建立纵横交叉算法优化离群鲁棒极限学习机的预测模型：

s41、根据给定的训练样本，确定神经网络拓扑结构和各层的神经元数目，并确定纵横交叉算法的纵向交叉概率pv，种群规模m，最大迭代次数tmaxgen；

s42、对所要优化的粒子编码，在编码的解空间中，并随机产生初始种群x＝[x1,x2,...,xm]^t；

s43、利用下式对群体中每个粒子进行适应度评价：

其中，pt表示神经网络的实际输出，表示神经网络的目标输出，n表示训练样本数。

s44、按照下式进行横向交叉操作，横向交叉(横向交叉概率通常取1)是在两个粒子中做算数交叉操作，且两粒子是在同一维随机产生，交叉操作获得的子代保存在矩阵mshc里面，再计算该矩阵中所有粒子的适应值，将得到的适应值与父代种群x(即dsvc，第一代除外)进行对比，选出适应度更好的粒子保留在dshc中。

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

mshc(j,d)＝r2×x(j,d)+(1-r2)×x(i,d)+c2×(x(j,d)-x(i,d))

i,j∈n(1,m)，d∈n(1,d)

式中，r1、r2是[0，1]之间的随机数；c1、c2是[-1，1]之间的随机数；m为粒子数的范围；d为变量的维数；x(i,d)、x(j,d)分别表示父代粒子x(i)和x(j)的第d维；mshc(i,d)、mshc(j,d)分别表示x(i,d)和x(j,d)通过横向交叉在第d产生子代。

s45、根据下式进行纵向交叉操作，纵向交叉是所有粒子不同维之间进行的一种算数交叉，且两维是随机组合在一起的，交叉后产生的解保存在矩阵msvc中，然后计算msvc每个粒子的适应值，与其父代种群x(即dshc)进行比较，选择更优秀的粒子保留在dsvc中。

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]

式中msvc(i,d1)是粒子x(i)的第d1维和第d2维通过纵向交叉操作后产生的子代。

s46、判断当前迭代次数k是否大于tmaxgen，如果否，转到步骤s44再一次迭代。如果是则结束寻优，则迭代终止，并将dsvc中适应度最好的一组解设为为神经网络所对应的权值和阈值，得到进行参数优化后的预测模型，可以基于该预测模型进行实际短期风速的预测。

上述过程为本实施例提供的一种模型参数优化过程，下面将利用上述实施例中优化后的预测模型进行实际风速预测。具体可以包括以下步骤：

1、对获取的进行预测的风速历史数据进行预处理，得到风速序列。

2、利用可变模式分解将风速序列分解为一系列有用特定稀疏属性(风速频率)的子序列。

3、将各子序列依次输入至步骤s46输出的进行参数优化后的预测模型，得到该预测模型输出的子序列的预测值。

4、叠加所有子序列的预测值，得到实际预测结果。

另外，优选地，在得到预测结果后还可以进一步对预测结果进行预测结果评判，得到预测误差值。具体地，对预测结果评判的具体方法不做限定，可以包括：计算平均绝对误差、计算标准误差以及计算平均绝对百分比误差。例如，获取预测值与对应的实际风速值，将计算得到的标准误差作为预测误差值，从而根据预测误差值对预测性能进行评判。

如下所示为对基于纵横交叉算法的预测模型(cso-orelm)、基于可变模式分解的纵横交叉预测模型(vmd-cso-orelm)以及现有的离群鲁棒极限学习机模型(orelm)的预测效果进行评判。通过分别对上述三种模型的计算平均绝对误差(mae)、标准误差(rmse)以及mape(绝对百分比误差)进行误差比对分析，误差对比如表1所示。

表1

mae、rmse以及mape越小时，预测效果越好。由上表中结算结果可见，cso-orelm模型相比orelm预测模型，预测精度得到提高，说明本发明提供的基于纵横交叉算法的短期风速预测方法可以大大提升预测精度。

而在三种模型中，预测精度最高的是vmd-cso-orelm模型，说明基于纵横交叉算法优化模型参数的基础上，利用可变模式分解将历史风速数据分解成一系列拥有特定稀疏属性的离散模态进行预测可以优化预测效果。

本实施例仅以进行mae、rmse以及mape计算为例对预测效果进行评判，当然，还可以通过其它方式，比如构建预测结果与实际风速比对示意图，如图3所示等，其它效果评判方式在此不再赘述。

当预测误差值小时，说明预测精度较高；若预测误差较大时，说明预测模型中结构或参数可能还不是十分完善。为保障预测性能，优选地，可以在预测误差值超过对应阈值时，通过纵横交叉算法对当前预测模型进行参数优化。

下面对本发明提供的短期风速预测装置进行介绍，请参考图4，图4为本发明实施例提供的短期风速预测装置的结构框图；该装置可以包括：预处理单元400以及预测单元401。

其中，预处理单元400主要用于对获取的风速历史数据进行预处理，得到风速序列；

预测单元401主要用于将风速序列输入至预测模型，得到预测结果；其中，预测模型为参数优化单元通过纵横交叉算法进行参数优化后的神经网络；

其中，参数优化单元主要包括：

交叉计算子单元，主要用于根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子；

适应度评价子单元，主要用于对训练风速群体中粒子以及子代粒子进行适应度评价，得到各粒子的适应度；

筛选子单元，主要用于筛选出适应度最高的粒子；

参数设置子单元，主要用于根据适应度最高的粒子参数设置神经网络的参数；其中，参数包括各层权值以及阈值。

优选地，交叉计算子单元具体可以包括：

横向交叉子单元，主要用于对各粒子分组进行横向交叉，得到第一子代粒子；

纵向交叉子单元，主要用于对第一子代粒子分组进行纵向交叉，得到第二子代粒子；

粒子获取子单元，主要用于横向交叉与纵向交叉交替进行，当迭代次数达到预设最大迭代次数时，迭代终止，获取生成的所有子代粒子；其中，最大迭代次数根据训练风速群体的参数计算得到。

优选地，本实施例提供的短期风速预测装置可以进一步包括：模式分解单元，主要用于基于可变模式分解将风速序列根据风速频率进行重构，得到若干模态风速序列。

则预测单元具体用于：

将若干模态风速序列依次输入至预测模型，得到各模态风速数据对应的预测值；叠加各模态风速数据对应的预测值，将生成的预测总和作为预测结果。

优选地，预处理单元可以进一步包括：

数据获取子单元，主要用于获取风速历史数据；

修正子单元，用于修正风速历史数据中的残缺点并剔除异常点，得到风速序列。

优选地，本实施例提供的短期风速预测装置可以进一步包括：评判单元，用于对预测结果进行预测结果评判，得到预测误差值；其中，预测结果评判包括：计算平均绝对误差、计算标准误差以及计算平均绝对百分比误差。

优选地，本实施例提供的短期风速预测装置可以进一步包括：当预测误差值超过对应阈值时，通过纵横交叉算法对当前预测模型进行参数优化。

需要说明的是，本发明具体实施方式中的短期风速预测装置中的各个单元，其工作过程请参考短期风速预测方法对应的具体实施方式，在此不再赘述。

下面对本发明提供的短期风速预测设备进行介绍，具体对短期风速预测设备的介绍可参照上述短期风速预测方法的步骤，图5为本发明实施例提供的短期风速预测设备的结构框图；该设备可以包括：

存储器500，用于存储计算机程序；

处理器501，用于执行计算机程序时实现短期风速预测方法的步骤。

请参考图6，本发明实施例提供的短期风速预测设备的结构示意图，该预测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在预测设备301上执行存储介质330中的一系列指令操作。

预测设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上面图1所描述的短期风速预测方法中的步骤可以由短期风速预测设备的结构实现。

下面对本发明实施例提供的短期风速预测系统进行介绍，下文描述的短期风速预测系统与上文描述的短期风速预测设备可相互对应参照。

图7为本发明实施例提供的短期风速预测系统的结构框图；该系统可以包括：风速数据采集设备700以及短期风速预测设备701.

风速数据采集设备700主要用于进行实时视频采集，得到风速历史数据，并将风速历史数据发送至短期风速预测设备；

短期风速预测设备701主要用于对获取的风速历史数据进行预处理，得到风速序列；将风速序列输入至预测模型，得到预测结果；其中，预测模型为通过纵横交叉算法进行参数优化后的神经网络；通过纵横交叉算法对神经网络进行参数优化包括：根据神经网络的输出对训练风速群体中粒子进行横向交叉以及纵向交叉，生成子代粒子；对训练风速群体中粒子以及子代粒子进行适应度评价，得到各粒子的适应度；筛选出适应度最高的粒子；根据适应度最高的粒子参数设置神经网络的参数；其中，参数包括各层权值以及阈值。

下面对本发明实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的短期风速预测方法可相互对应参照。

本发明公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现短期风速预测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，系统，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的短期风速预测方法、装置、设备、系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。