基于神经网络的风速预测方法及装置与流程

1.本发明涉及风速预测技术领域，具体涉及一种基于神经网络的风速预测方法及装置。


背景技术：

2.风速是风机变桨控制和转矩控制的重要参数，风电功率变换在很大程度上受风电场风速大小的影响，风速的随机性同样会对风电并网产生很大的影响，还可能破坏电网运行的稳定性，风速还是影响厂区污染物扩散程度检测精度的重要因素，所以，对风速进行准确预测显得尤为重要。
3.现有技术中，主要采用卡尔曼滤波法和小波分析法预测风速，但卡尔曼滤波法和小波分析法对非线性的风速预测精度不够理想，难以满足环保监控、电网运行等领域对风速预测的精度要求。


技术实现要素：

4.本发明以提高风速预测精度为目的，提供了一种基于神经网络的风速预测方法及装置。
5.为达此目的，本发明采用以下技术方案：
6.提供一种基于神经网络的风速预测方法，包括：
7.1)获取预设时长内每个时刻的风速数据；
8.2)对所述风速数据进行突变数据清洗后作归一化运算，得到按时间顺序排列的归一化后的风速数据序列；
9.3)以与每个高度位点oi处于同等高度的周边n个不同风向位点的所述风速数据为所述高度位点oi的风速预测关联数据，形成关联每个所述高度位点oi的风速预测数据，以向量形式表示为：
10.i表示第i个高度位点，w0表示所述高度位点oi的风速数据权重，wn表示与所述高度位点oi处于同等高度的第n个所述风向位点的风速数据权重，asoi表示所述高度位点oi的风速数据值，表示与所述高度位点oi处于同等高度的第n个所述风向位点的风速数据值，k表示一常数；
11.4)按时间顺序对关联所述高度位点oi的所述风速预测数据进行排列，形成关联每个所述高度位点oi的风速预测数据序列；
12.5)resnet50神经网络以所述风速预测数据序列中的t个所述风速预测数据为第t+1时刻的输入，提取所述高度位点oi在每个时刻的风速预测数据特征；
13.6)tsm时间移位模块对所述resnet50神经网络提取的不同时刻的所述风速预测数据特征进行融合；
14.7)对融合后的所述风速预测数据特征的特征向量进行逻辑回归，得到对所述高度
位点oi在所述t+1时刻的风速预测值。
15.优选地，所述步骤4)中的所述风速预测数据序列的长度为20s，所述风速预测数据序列中的每个时刻为20s中的每一秒。
16.优选地，所述步骤1)中的所述获取预设时长内每个时刻的所述风速数据包括：
17.获取所述预设时长内的每个时刻的历史风速数据，以及获取与所述历史风速数据的产生时刻相对应的实测风速数据。
18.优选地，所述风速数据包括所述高度位点oi的风速值、高度信息和所在区域位置信息。
19.优选地，所述步骤2)中，对所述风速数据进行突变数据清洗的方法为：
20.当t时刻的风速值与t+1时刻或t-1时刻的风速值的差值绝对值大于预设的风速阈值，则判定t时刻的风速值为突变数据；
21.剔除所述突变数据，然后在剔除位置处进行插值。
22.优选地，所述步骤3)中，n＝8，w0＝0.8；w
1-wn中的任意一个风速权重为0.025。
23.优选地，k＝0.2。
24.优选地，所述风速预测方法还包括步骤：
25.8)计算预测损失，并根据预测损失更新所述resnet50神经网络和所述tsm时间移位模块的参数，
26.预测损失通过以下公式(1)计算而得：
[0027][0028]
公式(1)中，j表示第j个输入到所述resnet50神经网络中的所述风速预测数据序列；
[0029]
yj表示对第j个所述风速预测数据序列的风速预测值；
[0030]
表示第j个所述风速预测数据序列对应的风速真实值。
[0031]
本发明还提供了一种基于神经网络的风速预测装置，所述装置包括：
[0032]
数据获取模块，用于获取预设时长内每个时刻的风速数据；
[0033]
数据清洗模块，连接所述数据获取模块，用于对所述风速数据进行突变数据清洗；
[0034]
数据归一化模块，连接所述数据清洗模块，用于对经清洗后的所述风速数据作归一化运算；
[0035]
风速预测数据形成模块，连接所述数据归一化模块，用于以与每个高度位点oi处于同等高度的周边n个不同风向位点的所述风速数据为所述高度位点oi的风速预测关联数据，形成关联每个高度位点oi的风速预测数据；
[0036]
排序模块，连接所述风速预测数据形成模块，用于按时间顺序对关联所述高度位点oi的所述风速预测数据进行排列，形成关联所述高度位点oi的风速预测数据序列；
[0037]
数据特征提取模块，连接所述排序模块，用于以所述风速预测数据序列中的t个所述风速预测数据为resnet50神经网络第t+1时刻的输入，提取所述高度位点oi在每个时刻的风速预测数据特征；
[0038]
tsm时间移位模块，连接所述数据特征提取模块，用于对所述resnet50神经网络提取的不同时刻的所述风速预测数据特征进行融合；
[0039]
逻辑回归模块，连接所述tsm时间移位模块，用于使用sigmod激活函数对融合的所述风速预测数据特征的特征向量进行逻辑回归，得到对所述高度位点oi在所述t+1时刻的风速预测值；
[0040]
预测损失计算模块，连接所述逻辑回归模块，用于计算风速预测损失；
[0041]
参数更新模块，连接所述预测损失计算模块，用于根据预测损失更新所述resnet50神经网络和所述tsm时间移位模块的参数。
[0042]
优选地，所述风速数据包括所述高度位点oi的风速值、高度信息和所在区域位置信息，所述风速预测数据序列的长度为20s，所述风速预测数据序列中的每个时刻为20s中的每一秒；
[0043]
获取所述预设时长内每个时刻的所述风速数据包括：
[0044]
获取所述预设时长内的每一秒的历史风速数据，以及获取与所述历史风速数据的产生时刻相对应的实测风速数据；
[0045]
所述resnet50神经网络以所述风速预测数据序列中的20s所述风速预测数据为第21s时刻的网络输入，提取所述高度位点oi在前20s内的每一秒的风速预测数据特征；
[0046]
所述预测损失计算模块通过以下公式(2)计算风速预测损失：
[0047][0048]
公式(2)中，j表示第j个输入到所述resnet50神经网络中的所述风速预测数据序列；
[0049]
yj表示对第j个所述风速预测数据序列的风速预测值；
[0050]
表示第j个所述风速预测数据序列对应的风速真实值。
[0051]
本发明的有益效果是：以与每个高度位点oi处于同等高度的周边n个不同风向位点的风速数据为高度位点oi的风速预测关联数据，形成按时间顺序排列的关联高度位点oi的风速预测数据序列，并以风速预测数据序列中的t个风速预测数据为resnet50神经网络在t+1时刻的输入，提取高度位点oi在前t个时刻的风速数据特征，然后由具有较强时域信息表征能力的tsm时间移位模块对resnet50神经网络提取的不同时刻的风速数据特征进行融合，最终由sigmod激活函数对融合的特征向量进行逻辑回归，得到高度位点oi在t+1时刻的风速预测值。可见本发明引入n个不同风向位点的风速数据特征作为高度位点oi风速预测的关联性特征，以resnet50神经网络作为风速数据特征提取的基础网络，以tsm时间移位模块表征风速的时域信息，在提高风速预测精度的同时兼顾了预测速度。
附图说明
[0052]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
[0053]
图1是本发明一实施例提供的基于神经网络的风速预测方法的实现步骤图；
[0054]
图2是本发明一实施例提供的基于神经网络的风速预测装置的结构示意图；
[0055]
图3是resnet50神经网络的残差块的示意图；
[0056]
图4是风速预测的流程框图；
[0057]
图5是resnet50增加tsm时间移位模块后的网络结构图；
[0058]
图6是tsm时间移位模块融合风速数据特征的操作步骤示意图；
[0059]
图7是高度位点oi与其周边n个不同风向位点的空间位置示意图。
具体实施方式
[0060]
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
[0061]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0062]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0063]
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0064]
本发明实施例提供的基于神经网络的风速预测方法，如图1和图4所示，包括：
[0065]
步骤s1，获取预设时长内每个时刻的风速数据；
[0066]
风速数据包括风速值和风速值的影响因子，影响因子主要有风向、气压、温度等，为了区分不同区域不同高度的风速数据，风速数据中还包括风速测量点(位点)的区域位置信息和高度信息。风速数据由风场仪-气象采集传感器、位置传感器等设备采集而得。
[0067]
为了确保后续的风速预测精度，获取预设时长内每个时刻的风速数据包括：
[0068]
获取预设时长内的每个时刻的历史风速数据，以及获取与历史风速数据的产生时刻相对应的实测风速数据。例如，预设时长为9:00
′
00
″
到9:00
′
59
″
，预设时长中的每一时刻为9:00
′
00
″
到9:00
′
59
″
中的每一秒。6月21日、22日、23日、24日和25日为历史时期，6月26日为当前天，则在6月21日、22日、23日、24日和25日的9:00
′
00
″
到9:00
′
59
″
的每个时刻采集的风速数据为历史风速数据，在当前天即6月26日的9:00
′
00
″
到9:00
′
59
″
采集的风速数据为实测风速数据。
[0069]
步骤s2，对风速数据进行突变数据清洗后作归一化运算，得到按时间顺序排列的风速数据序列；
[0070]
本实施例中，判断风速数据是否为突变数据的方法为：
[0071]
当t时刻(比如9:00
′
15
″
)的风速值与t+1时刻(9:00
′
16
″
)或t-1时刻(9:00
′
14
″
)的风速值的差值绝对值大于预设的风速阈值，则判定t时刻的风速值为突变数据。对于突变数据，本实施例对其进行剔除后，采用插值方法(优选采用双线性插值方法)在剔除位置插入新值，得到正确的按照时间顺序排列的关联各个高度位点oi的风速数据序列；
[0072]
本实施例中，归一化运算可以为最大-最小归一化，例如：获取预设时长内的风速值的最大值和最小值，所有风速值减去最小值除以最大值与最小值的差值，使所有风速值在[0,1]之间。其他风速数据如气压、温度等的归一化运算也可采用最大-最小归一化方法。
[0073]
步骤s3，以与每个高度位点oi处于同等高度的周边n个不同风向位点的风速数据为高度位点oi的风速预测关联数据，形成关联高度位点oi的风速预测数据，风速预测数据以向量形式表示为：
[0074]
i表示第i个高度位点，w0表示高度位点oi的风速数据权重，wn表示与高度位点oi处于同等高度的第n个风向位点的风速数据权重，asoi表示高度位点oi的风速数据值(比如风速值，温度值等)，表示与高度位点oi处于同等高度的第n个风向位点的风速数据值，k表示一常数；
[0075]
图7示出了高度位点oi与其周边n个不同风向位点的空间位置示意图。图7中的即为与高度位点oi具有不同风向的位点，图7中的箭头为不同位点的风向。高度位点oi的周边风向位点的确定方法有许多，比如可确定与高度位点oi具有相同间距的具有不同风向的位点为高度位点oi的周边风向位点。
[0076]
本实施例中，高度位点oi的周边风向位点的数量n优选为8个。高度位点oi的风速数据权重w0＝0.8；w
1-wn中的任意一个风速数据权重为0.025。常数k＝0.2，即表示高度位点oi的风速预测数据的9维向量中的后8维取周边每个风向位点的风速的20％。9维向量中的第一维的风速数据权重设置为0.8，后8维的每一维的风速数据权重设置为0.025是基于实验数据总结而得，我们发现，第一维的风速数据权重为0.8，后8维的每一维的风速数据权重为0.025，且后8维的每一维的风速取实际风速的20％时，resnet50神经网络在能够提取出丰富的风速预测数据特征的同时保证了特征提取的速度，兼顾了风速预测的速度和准确度。
[0077]
步骤s4，按时间顺序对关联高度位点oi的风速预测数据进行排列，形成关联每个高度位点oi的风速预测数据序列；
[0078]
风速预测数据序列的长度为作为resnet50神经网络的输入变量的数据时长，比如以9:00
′
20
″
之前的20
″
(即9:00
′
01
″‑
9:00
′
20
″
之间的20
″
)的风速预测数据作为resnet50神经网络的输入变量，则风速预测数据序列的长度为20
″
，若设定每个风速预测数据采集时刻的间隔时间为1
″
，此时风速预测数据序列中的每个时刻的风速预测数据为9:00
′
01
″‑
9:00
′
20
″
间的每一秒对应的风速预测数据。本实施例在确保风速预测准确度的同时为兼顾风速预测效率，将风速预测数据序列的长度设定为20
″
，风速预测数据序列中的每个时刻为20
″
中的每秒。
[0079]
步骤s5，resnet50神经网络以风速预测数据序列中的20
″
风速预测数据为第21秒
时刻的输入，提取高度位点oi在前20
″
内的风速预测数据特征；
[0080]
为了更好地表征风速数据特征的时域信息，以进一步提升风速预测精度，如图1所示，本实施例提供的风速预测方法还包括：
[0081]
步骤s6，tsm时间位移模块对resnet50神经网络提取的不同时刻的风速预测数据特征进行融合。tsm时间位移模块的维度为n*c*t*h*w，其中n为批量大小，c为信道数，t为时间维度，h和w为空间分辨率。tsm时间位移模块能够插入2d cnns的网络中实现时序上的学习而不增加额外的性能上的花费，tsm时间位移模块是一个高效且识别率非常好的模型，相对于传统的一些算法其能够促进预测速度的成倍提升。
[0082]
以下对resnet50神经网络提取风速预测数据特征以及tsm时间位移模块融合风速预测数据特征的原理进行简要阐述：
[0083]
resnet50神经网络的残差块示意图请参照图3。图3中的f(x)代表一层权重输出的结果，x为输入f(x)前的结果。本发明采用resnet50神经网络作为提取风速数据特征的基础网络，是在风速预测速度和精度上作了均衡。
[0084]
本发明采用的resnet50神经网络结构如图5所示，包含依序级联的第一卷积层l1、最大池化层l2、第二卷积层l3、第三卷积层l4、第一tsm时间移位模块l5、第四卷积层l6、第二tsm时间移位模块l7、第八卷积层l8、第三tsm时间移位模块l9以及sigmod层，模型训练的输入表示为(none，1*180)，其中“none”表示一次训练所选取的样本数；“1*180”表示9维*20s的20s风速数据，比如高度位点oi及其周边n个不同风向位点的风速值、温度、湿度等分别为风速数据的1个维度，“1*180”为20s风速数据的9个维度数据拼接而成。以下结合图5对resnet50神经网络提取风速数据特征的过程进行简要阐述：
[0085]
步骤一：网络参数初始化。网络参数包括一次网络输入的样本数m、网络模型训练次数epoch、每一卷积层的步长，其中tsm模块的维度为n*c*t*h*w,其中n为批量大小，c为信道数，t为时间维数，h和w为空间分辨率。
[0086]
步骤二.把每个风速数据序列片段的前20个风速数据作为第21时刻网络模型的输入,经过拼接(从第一秒到第20秒的数据按顺序拼接，每一秒的数据为9维)网络输入为(none，1*180)；
[0087]
步骤三.数据(none，1*180)经过第一卷积层l1的卷积特征提取后输出的特征数据表示为“none
×
64
×
90”，第一卷积层l1的卷积核大小为1
×
7，通道数为64，步长(stride)为2；
[0088]
第一卷积层l1的输出作为最大池化层l2的输入，最大池化层l2的池化核大小为1
×
3，步长为2，最大池化层l2的输出为表示为“none
×
64
×
45”；
[0089]
最大池化层l2的输出作为第二卷积层l3的输入，第二卷积层l3包含3个bottleneck(瓶颈层)，每个bottleneck由3个卷积层组成，这3个卷积层的参数分别如下：
[0090]
卷积层1：卷积核尺寸1*1通道数64，步长为1；
[0091]
卷积层2.卷积核尺寸1*3通道数64，步长为1；
[0092]
卷积层3.卷积核尺寸1*1通道数256，步长为1；
[0093]
第二卷积层l3的输出结果表示为none*256*45；
[0094]
第二卷积层l3的输出作为第三卷积层l4的输入，第三卷积层l4包含4个bottleneck，而一个bottleneck由3个卷积层组成，这3个卷积层的参数分别如下：
[0095]
卷积层1.卷积核尺寸1*1通道数128，步长为1；
[0096]
卷积层2.卷积核尺寸1*3通道数128，步长为1；
[0097]
卷积层3.卷积核尺寸1*1通道数512，步长为1；
[0098]
其中第一个bottleneck的第一个卷积层的步长为2其余的都为1。
[0099]
第三卷积层l4的输出结果为none*512*23；
[0100]
第一tsm时间移位模块l5以第三卷积层l4的输出为输入，在第一tsm时间移位模块l5中对应的t维度上，其中1/4的通道移动-1个单位，在部分通道移动后会出现空的通道，需要填充空边界，本发明采用补0的方式填充空白,具体操作方式如图6所示。第一tsm时间移位模块l5经过移位补0的输出，维度与第三卷积层l4的输出一致，输出维度还是none*512*23；
[0101]
第四卷积层l6以第一tsm时间移位模块l5的输出为输入，第四卷积层l6包含6个bottleneck，而一个bottleneck由3个卷积层组成，这3个卷积层的参数分别如下：
[0102]
卷积层1：卷积核尺寸1*1通道数256，步长为1；
[0103]
卷积层2：卷积核尺寸1*3通道数256，步长为1；
[0104]
卷积层3：卷积核尺寸1*1通道数1024，步长为1；
[0105]
其中第一个bottleneck的第一个卷积层的步长为2其余的都为1。
[0106]
第四卷积层l6的输出结果表示为none*1024*12。
[0107]
第四卷积层l6的输出作为第二tsm时间移位模块l7的输入，在第二tsm时间移位模块l7中对应的t维度上，其中1/4的通道移动-1个单位，在部分通道移动后会出现空的通道，需要填充空边界，采用补0的方式填充空白,具体操作方式如图6所示。第四卷积层l6的输出表示为none*1024*12。第二tsm时间移位模块l7经过移位补0的输出，维度与第四卷积层l6的输出一致，输出维度还是none*1024*12；
[0108]
第五卷积层l8以第二tsm时间移位模块l7的输出为输入，第五卷积层l8包含3个bottleneck，而一个bottleneck由3个卷积层组成，这3个卷积层的参数分别如下：
[0109]
卷积层1：卷积核尺寸1*1通道数512，步长为1；
[0110]
卷积层2：卷积核尺寸1*3通道数512，步长为1；
[0111]
卷积层3：卷积核尺寸1*1通道数2048，步长为1；
[0112]
其中第一个bottleneck的第一个卷积层的步长为2其余的都为1；
[0113]
第五卷积层l8的输出结果表示为none*2048*6。
[0114]
第三tsm时间移位模块l9以第五卷积层l8的输出为输入，在第三tsm时间移位模块l9中对应的t维度上，其中1/4的通道移动-1个单位，在部分通道移动后会出现空的通道，需要填充空边界，采用补0的方式填充空白,具体操作方式如图6所示。第五卷积层l8的输出表示为none*2048*6。第三tsm时间移位模块l5经过移位补0的输出，维度与第五卷积层l8的输出一致，输出维度还是none*2048*6；
[0115]
最终sigmod函数对第三tsm时间移位模块的输出进行逻辑回归，输出对高度位点oi的风速预测值。
[0116]
如图6所示，不同风速数据特征之间的通道进行平移置换，从而使得每一层的结果都有相邻时间风速数据特征之间的通道值，这使得新的混合的每一层获得了一个时序上的特征，tsm模块对于特征只进行平移而不进行维度改变。tsm时间位移模块中的1/4通道移
动-1个单位，乘法累加被推到下一层。利用卷积的信道间融合能力，实现了对风速数据特征的时域间融合。tsm时间位移模块中的部分通道移动后会出现空的通道，本发明采用补0的方式填充空白，比如第一秒的特征移除，后续时间的特征往前移动，最后一秒的特征补0。本发明利用tsm时间移位模块实现对风速数据特征的时域间融合，大幅提升了风速预测的准确度。
[0117]
步骤s7对融合的特征向量进行逻辑回归，得到对高度位点oi在t+1时刻的风速预测值。本发明中，优选采用sigmod函数作为激活函数进行逻辑回归，得到风速预测值；
[0118]
步骤s8计算预测损失，并根据预测损失更新resnet50神经网络的参数，
[0119]
预测损失通过以下公式(1)计算而得：
[0120][0121]
公式(1)中，j表示第j个输入到resnet50神经网络中的风速预测数据序列；
[0122]
yj表示对第j个风速预测数据序列的风速预测值；
[0123]
表示第j个风速预测数据序列对应的风速真实值。
[0124]
当loss值小于loss阈值时，完成对神经网络的参数更新。
[0125]
为了确保预测精度，还需要对风速预测模型进行迭代，本发明利用随机梯度下降算法(sgd算法)调整resnet50神经网络参数进行模型迭代训练，具体方法简述如下：
[0126]
5.1参数具体初始化为步长10000、初始学习率为0.1,最大迭代次数50000；
[0127]
5.2根据学习次数、迭代学习率，逐渐减小学习率；
[0128]
5.3使用损失函数进行loss计算，loss下降到符合预期或者迭代次数达到预期，停止训练；
[0129]
步骤5.3中的损失函数为平方损失函数：其中i代表第i个样本，yi代表预测结果，代表真实值，loss代表损失值，m代表一次输入网络的样本数；
[0130]
5.4获取模型的参数为w1,w2…
,wn,计算t时刻关于参数w1的梯度为m为一次输入网络的样本数，y(t)为预测结果，为实际结果，为模型的损失函数，损失函数为平方损失函数，w
1(t-1)
表示t-1时刻的模型参数w1；
[0131]
5.5学习率衰减公式a0为初始学习率，i为第i次迭代，k为总迭代次数；
[0132]
5.6权重更新公式为w
1t
＝w
1(t-1)-a
t
*g
t
；
[0133]
5.7判断训练次数是否达到预设的次数，未达到则重复5.2-5.6,如果达到则利用验证数据库验证模型的精度，进行误差分析。
[0134]
图2示出了本发明一实施例提供的风速预测装置的结构示意图。如图2所示，该装置包括：
[0135]
数据获取模块，用于获取预设时长内每个时刻的风速数据；数据获取模块获取的
风速数据内容以及获取方法在上述的风速预测方法中已作了说明，在此不再赘述；
[0136]
数据清洗模块，连接数据获取模块，用于对风速数据进行突变数据清洗；突变数据清洗方法在上述的风速预测方法中已作了说明，在此不再赘述；
[0137]
数据归一化模块，连接数据清洗模块，用于对经清洗后的风速数据作归一化运算，得到按时间顺序排列的风速数据序列；风速数据归一化方法在上述的风速预测方法中已作了说明，在此不再赘述；
[0138]
风速预测数据形成模块，连接数据归一化模块，用于以与每个高度位点oi处于同等高度的周边n个不同风向位点的风速数据为高度位点oi的风速预测关联数据，形成关联每个高度位点oi的风速预测数据；为便于神经网络的风速预测，本实施例中，风速预测数据以向量形式表示，风速预测数据的向量表达形式以及向量的形成方式在上述的风速预测方法中已作了说明，在此不再赘述；
[0139]
排序模块，连接风速预测数据形成模块，用于按时间顺序对关联高度位点oi的风速预测数据进行排列，形成关联每个高度位点oi的风速预测数据序列；
[0140]
数据特征提取模块，连接排序模块，用于以风速预测数据序列中的t个风速预测数据为resnet50神经网络第t+1时刻的输入，提取高度位点oi在每个时刻的风速数据特征；
[0141]
tsm时间移位模块，连接所述数据特征提取模块，用于对所述resnet50神经网络提取的不同时刻的所述风速数据特征进行融合；
[0142]
逻辑回归模块，连接tsm时间移位模块，用于使用sigmod激活函数对融合的特征向量进行逻辑回归，得到对高度位点oi在t+1时刻的风速预测值；
[0143]
预测损失计算模块，连接逻辑回归模块，用于计算风速预测损失；预测损失的计算方法在上述的风速预测方法中作了说明，在此不再赘述；
[0144]
参数更新模块，连接预测损失计算模块，用于根据预测损失更新resnet50神经网络的参数。
[0145]
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本技术说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。