买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江江南工程管理股份有限公司申请的专利基于LSTM神经网络的短期风速预测模型建模方法及预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114897260B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210621834.9，技术领域涉及：G06F18/213；该发明授权基于LSTM神经网络的短期风速预测模型建模方法及预测方法是由胡伟成;程宝龙;周婷;钱铮;李明;杨婧;吴俊;刘震卿;袁紫婷;郭坤鹏;周桐设计研发完成，并于2022-06-02向国家知识产权局提交的专利申请。

本基于LSTM神经网络的短期风速预测模型建模方法及预测方法在说明书摘要公布了：本发明公开了一种基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：步骤一：采集数据，得到原始风速序列数据；步骤二：预处理：得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；步骤四：创建LSTM神经网络模型，初始化超参数；步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，得到短期风速预测模型。本发明还提出了一种基于LSTM神经网络的短期风速预测方法，通过挖掘风速序列的波动特性并优化选择超参数，从而提高短期风速的预测效果。

本发明授权基于LSTM神经网络的短期风速预测模型建模方法及预测方法在权利要求书中公布了：1.一种基于LSTM神经网络的短期风速预测模型建模方法，其特征在于：包括如下步骤： 步骤一：采集数据，得到原始风速序列数据； 采集得到的原始风速序列数据包括共D天的风速序列数据，每小时样本数为N个，则每一天的样本长度为H为24N，总样本长度为DH； 步骤二：预处理：对原始风速序列数据进行数据变换与标准化预处理，得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征； 对原始风速序列数据进行预处理的方法包括如下步骤： 21变换：假定原始风速序列数据复合韦伯分布，利用经验法计算韦伯分布的参数k，从而获得指数变化参数m，以对原始风速序列数据进行变换： k＝MeanUtStdUt-1.086 m＝k3.6 其中，Ut表示原始风速序列数据；表示变换得到的风速序列数据；m表示指数变化参数；k表示韦伯分布的参数； 22统计时均风速：将变换得到的风速序列数据中每天对应相同时刻的数据进行归类；并计算每个小时内的ND个样本数的均值和标准差，记为μt和σt，其中，t取值为h、2h…24h，对应24个时刻的节点信息； 23光滑样条插值：将得到的24个时刻的节点信息前后排列，得到排布为h、2h…24h、h、2h…24h的均值μt和标准差σt的48个节点信息，然后对其进行光滑样条插值，并取中间段的24个节点信息作为一天内的数据，得到插值处理后的均值μ1t和标准差σ1t； 24标准化：基于得到的均值μ1t和标准差σ1t，对变换得到的风速序列数据进行标准化处理，以剔除原始风速序列数据中具有显著规律的波动特征，得到最终的预处理风速序列数据： 其中，表示经预处理得到的预处理风速序列数据； 步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集； 步骤四：创建LSTM神经网络模型，初始化超参数； 步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，方法如下： 51基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数关系，得到误差函数； 52以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最优LSTM神经网络模型； 53采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数据之间的均方根误差； 判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优LSTM神经网络模型对应的均方根误差；若是，则以该局部最优LSTM神经网络模型作为新的全局最优LSTM神经网络模型，迭代次数加1；若否，则迭代次数加1； 54判断迭代次数是否达到最大迭代次数；若否，则执行步骤51；若是，则迭代结束，以当前的全局最优LSTM神经网络模型为短期风速预测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江江南工程管理股份有限公司，其通讯地址为：310007 浙江省杭州市求是路8号公元大厦北楼11楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。