(19)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 202111571208.5 (22)申请日 2021.12.21 (71)申请人 河海大学 地址 210000 江苏省南京市 鼓楼区西康路1 号 申请人 新平褚氏农业有限公司 (72)发明人 刘向阳　石峰　葛莹　庄翠珍　 郭家贤　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 田凌涛 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于数据融合和卷积长短时序分析网 络模型的区域 风速预测方法 (57)摘要 本发明涉及一种基于数据融合和卷积长短 时序分析网络模 型的区域风速 预测方法， 首先使 用双线性插值和反距离权重插值处理NCEP风速 网格数据和气象站观测点的风速数据， 然后使用 基于高斯过程回归的数据融合模型对两种数据 进行数据融合， 得到高分辨率和高准确度的风速 数据， 最后将此风速数据放入风速预测模型， 进 而完成对风速的预测； 整个方案设计相比于已有 技术， 具有更强的抗噪性和准确性， 提高了目标 区域风场风速预测的精度， 能够实现了对大风天 气的长时序有效预测。 权利要求书3页 说明书8页 附图7页 CN 114444767 A 2022.05.06 CN 114444767 A 1.一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法， 用于实现对 目标区域的风速预测， 其特 征在于， 包括如下步骤： 步骤A.基于自当前时间向历史时间方向的预设数量各时间的当前采集 时长范围， 获得 目标区域分别对应 当前采集时长范围中各时间的NCEP风速网格数据， 以及获得目标区域中 各气象站 观测点分别对应当前采集时长范围中各时间的实测风速数据， 然后进入步骤B； 步骤B.根据目标 区域分别 对应当前采集时长范围中各时间的NCEP风速网格数据， 结合 预设大于该NCEP风速网格数据中网格 分辨率的高网格分辨率， 获得目标区域高网格 分辨率 下各网格分别对应当前采集时长范围中各时间的第一 风速数据； 同时， 根据目标区域中各气象站观测点分别对应当前采集 时长范围中各时间的实测风 速数据， 获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二 风速数据， 然后进入步骤C； 步骤C.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的 第一风速数据、 第二风速数据， 以及目标区域高网格 分辨率下各网格的经纬度信息、 高度信 息、 坡度信息、 坡向信息， 应用已训练好以网格所对应的第一风速数据、 第二风速数据、 经纬 度信息、 高程信息、 坡度信息、 坡向信息为输入， 网格所对应的融合风速数据为输出的数据 融合模型， 获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的融 合风速数据， 然后进入步骤D； 步骤D.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的 融合风速数据， 应用已训练好以网格所对应当前采集时长范围中各时间的融合风速数据为 输入， 网格对应相对当前采集时长范围的未来下一时间的风速预测数据为输出的风速预测 模型， 获得目标区域高网格分辨率下各网格分别对应相对当前采集时长范围的未来下一时 间的风速预测数据， 即实现目标区域对应相对当前采集时长范围的未来下一时间的风速预 测。 2.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特征在于： 基于 当前采集时长范围中各时间的融合风速数据， 以及相对当前采集 时长范围的未来下一时间的预测风速数据， 执行步骤D滚动预测K次， 即实现目标区域分别 对应自当前时间的下一时间起的未来K个时间的风速预测。 3.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特征在于： 所述步骤B中， 根据目标区域分别对应当前采集时长范围中各时间的 NCEP风速网格数据， 结合预设大于该NCEP风速网格数据中网格分辨率的高网格分辨率， 应 用双线性插值方法， 获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各 时间的第一 风速数据； 同时， 根据目标区域中各气象站观测点分别对应当前采集 时长范围中各时间的实测风 速数据， 应用反距离权重插值方法， 获得目标区域高网格分辨率下各网格分别对应当前采 集时长范围中各时间的第二 风速数据。 4.根据权利要求3所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特征在于： 所述步骤B中， 分别针对目标区域高网格 分辨率下的各个网格， 根据相 距网格最近的n个气象站观测点分别对应当前采集时长范围中各时间的实测 风速数据， 应 用反距离权重插值方法， 获得分别对应当前采集时长范围中各时间的插值风速数据， 作为权　利　要　求　书 1/3 页 2 CN 114444767 A 2该网格分别对应当前采集时长范围中各时间的第二风速数据； 进而获得目标区域高网格分 辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据； 其中， 1<n≤N， N表示 目标区域中气象站 观测点的数量。 5.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特 征在于： 所述 步骤C中的数据融合模型， 按如下步骤C1至步骤C4进行训练获得； 步骤C1.获得目标区域分别对应预设各历史时间的NCEP风速网格数据， 以及获得目标 区域中各气象站 观测点分别对应预设各历史时间的实测风速数据， 然后进入步骤C2； 步骤C2.根据目标区域分别对应预设各历史时间的NCEP风速网格数据， 进行双线性插 值， 获得目标区域中各气象站 观测点分别对应预设各历史时间的第一插值 风速数据； 同时， 根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据， 应 用反距离权重插值方法， 获得目标区域中各气象站观测点分别对应预设各历史时间的第二 插值风速数据； 然后进入步骤C 3； 步骤C3.根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据、 第一插值风速数据、 第二插值风速数据， 以及各气象站观测点分别对应的经纬度信息、 高程 信息、 坡度信息、 坡向信息， 以气象站观测点所对应的第一插值风速数据、 第二插值风速数 据、 经纬度信息、 高程信息、 坡度信息、 坡向信息为输入， 气象站观测点所对应的实测风速数 据为输出， 针对基于高斯过程回归的待训练数据融合模型进 行训练， 获得数据融合模型， 然 后进入步骤C4； 步骤C4.针对所获得的数据融合模型， 定义其各输入中气象站观测点所对应的第一插 值风速数据、 第二插值风速数据、 经纬度信息、 高程信息、 坡度信息、 坡向信息， 对应于目标 区域中网格所对应的第一风速数据、 第二风速数据、 经纬度信息、 高程信息、 坡度信息、 坡向 信息， 以及定义其输出中气象站观测点所对应的实测 风速数据， 对应于目标区域中网格所 对应的融合风速数据， 即更新 获得以网格所对应的第一风速数据、 第二风速数据、 经纬度信 息、 高程信息、 坡度信息、 坡向信息为输入， 网格所对应的融合风速数据为输出的数据融合 模型。 6.根据权利要求5所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特征在于： 所述步骤C2中， 分别针对目标区域中的各个气象站观测点， 根据相距 气象站观测点最近的n个气象站观测点分别对应预设各历史时间的实测 风速数据， 应用反 距离权重插值方法， 获得分别对应预设各历史时间的插值风速数据， 作为该气象站观测点 分别对应预设各历史时间的第二插值风速数据； 进而获得目标区域中各气象站观测点别对 应预设各历史时间的第二插值风速数据； 其中， 1<n≤N， N表示目标区域中气象站观测点的 数量。 7.根据权利要求5所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预 测方法， 其特征在于： 所述步骤C3中， 基于由常数核函数和高斯核函数所构建基于高斯过程 回归的待训练数据融合模型， 结合常数核函数参数constant_value＝1.0、 高斯核函数参数 length_scale＝1.0的初始化， 通过训练过程中对常数核 函数参数con stant_value、 高斯核 函数参数length_scale的更新， 针对待训练数据融合模型进行训练， 获得 数据融合模型。 8.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预权　利　要　求　书 2/3 页 3 CN 114444767 A 3