基于DBSCAN数据处理的风力发电功率监测预测设备

技术领域

本发明涉及发电功率监测预测领域，尤其涉及基于DBSCAN数据处理的风力发电功率监测预测设备。

背景技术

迄今为止，能源短缺和环境污染仍然是人们非常关注的问题。对传统能源如石油、煤矿等过度的开采会导致一系列的问题，如环境污染恶化、全球气候变暖、能源亏损等。为了解决此问题，各个国家将重点从开采使用传统能源转移到可再生的清洁能源上，如风电、太阳能、水电和生物质能等。其中风力发电作为清洁发电技术之一，具有可再生、对环境无污染和可大力开发等特性并成为了电力系统的重要组成部分。但众所周知风力发电功率存在波动性和周期间歇性等一系列问题，这对电力系统运行的安全性、稳定性和经济性等都会带来各种影响。如果要使电力系统可以安全可靠的运行而且经济不受损，最主要的是可以明确的判断出风力发电功率的变化趋势，对风力发电功率进行预测。

近些年，风力发电因其成本较低且无污染等优点迅速发展起来，但是仍存在一些问题。风力发电在天气恶劣的情况下十分不稳定，如果不经过处理将其接入电网，则会给电网带来危险。随着风力电站电网电源结构比的增加，风力发电功率预测系统变得尤为重要。预测的功率越精准，并网越安全损失越少，可更有效合理的分配电网用于日常生活。因此提出基于DBSCAN数据处理的风力发电功率监测预测设备。

发明内容

本发明的目的在于提供基于DBSCAN数据处理的风力发电功率监测预测设备，解决了现有的风力发电存在波动性和周期间歇性等一系列问题，对电力系统运行的安全性、稳定性和经济性等都会带来各种影响的问题。

为实现上述目的，本发明提供如下技术方案：基于DBSCAN数据处理的风力发电功率监测预测设备，包括底座、支撑筒、套筒、圆盘、电动气缸、滑杆，滑杆的上端固定连接有安装座，所述安装座的上端固定安装有风力发电监测设备，所述底座的外侧面阵列设置有支撑板，所述套筒两侧均贯穿的开设有滑道口，所述圆盘内壁固定套装有环形齿轮，所述支撑筒上端面左右两侧均安装有第一电机，且第一电机的输出端固定连接有第一齿轮，所述第一齿轮与环形齿轮啮合连接，所述圆盘上阵列开设有滑槽，且每个滑槽内均滑动设置有滑板，所述滑板与电动气缸之间设置有调节机构，每个所述滑板的一端均设置有环境因素监测机构。

优选的，所述底座的上端固定连接有支撑筒，且支撑筒的上端固定套装有套筒，所述套筒的外侧面通过轴承转动套装有圆盘，所述支撑筒的下内壁固定安装有电动气缸，且电动气缸上侧的输出端固定连接有滑杆，所述滑杆的上端延伸在支撑筒的上方，并在上方的延伸端固定连接有安装座。

优选的，监测机构包括安装托盘、螺栓孔、监测设备、太阳能板、连接杆、清洁刷，每个所述滑板沿圆盘径向的外侧端均固定连接有安装托盘，每个所述安装托盘上均开设有螺栓孔，所述螺栓孔内设置有螺栓，并通过螺栓固定安装有监测设备，所述圆盘的上端面阵列设置有太阳能板，所述滑杆的上端左右两侧均固定连接有连接杆，且连接杆上固定连接有清洁刷。

优选的，两侧的所述连接杆互相远离的一端均固定连接有清洁刷，每个所述清洁刷均与太阳能板的外侧面互相贴合设置。

优选的，调节机构包括连接块、圆筒、转环、铰接座、转板，所述滑杆下端的左右两侧均固定连接有连接块，且两侧的连接块分别与圆筒的左右两侧内壁固定连接，所述圆筒的外侧面转动套装有转环，所述转环的外侧面阵列固定安装有铰接座，每个所述铰接座与各自一侧的滑板的下端面之间均转动连接有转板。

优选的，所述滑杆下端左右两侧固定连接的连接块互相远离的一端均穿过支撑筒两侧开设的滑道口延伸在支撑筒的左右两外侧，并在延伸端与转筒的左右两侧内壁固定连接。

优选的，所述转筒滑动套设在支撑筒的外侧面，且转筒的外侧面通过轴承转动套装有转环。

优选的，每个所述滑板均滑动设置在各自一侧的滑槽内，且滑槽的两侧内壁开设有滑轨，所述滑板的两侧均固定连接有限位块，所述限位块滑动设置在滑轨内。

优选的，所述支撑板的外侧端贯穿的开设有定位圆孔。

与相关技术相比较，本发明提供的基于DBSCAN数据处理的风力发电功率监测预测设备具有如下有益效果：

1、本发明提供基于DBSCAN数据处理的风力发电功率监测预测设备，通过在圆盘的上端面阵列固定安装有太阳能板，而滑杆上侧延伸端的左右两侧均固定连接有连接杆，且两侧的连接杆互相远离的一端均固定连接有清洁刷，同时两侧的清洁刷分别与各个太阳能板的表面互相贴合的设置，以及在支撑筒的上端面左右两侧均固定安装有第一电机，而第一电机的输出端固定连接的第一齿轮与转盘内壁固定套装的环形齿轮互相啮合连接，进而可以通过第一电机带动转盘在套筒的外侧转动，而由于转环转动套装在圆筒的外侧面，这样圆筒不会圆盘的转动起到限位作用，这样即可方便带动圆盘转动，这样各个太阳能板将会跟随转动，而固定连接在滑杆上端的连接杆以及清洁刷则不产生转动，这样清洁刷将会与太阳能板之间产生相对转动，进而可以通过清洁刷对太阳能板的表面进行清洁，可以方便对太阳能板的表面进行及时的清洁，以保证太阳能板的发电效率，进而让装置可以通过太阳能发电来提供自身装置设备的用电，而降低能耗，达到节能减排的目的。

2、本发明提供基于DBSCAN数据处理的风力发电功率监测预测设备，通过在底座的上端固定连接有支撑筒，且在支撑筒的上端固定套装有套筒，而套筒的外侧面转动套装有圆盘，同时在支撑筒的下内壁固定安装有电动气缸，电动气缸上侧的输出端固定连接有滑杆，且滑杆的上端延伸在套筒的上方并在延伸端固定连接有风力发电监测设备，同时在滑杆下端的左右两侧均固定连接有连接块，而左右两侧的连接块互相远离的一端分别穿过支撑筒左右两侧开设的滑道口并延伸在支撑筒的外侧，左右两侧的连接块互相远离一侧的延伸端分别与圆筒的左右两侧内壁固定连接，以及圆筒的外侧面通过轴承转动套装有转环，而转环的外侧面阵列设置有铰接座，同时圆盘上阵列开设有滑槽，每个滑槽内均滑动设置有滑板，各个铰接座与各自一侧的滑板之间均转动连接有转板，这样可以通过电动气缸的伸缩带动滑杆上下的移动，以调节上方的的风力发电监测设备的高度，同时可以带动转环进行上下的移动，进而可以推动转板转动，以带动各个滑板在各自的滑槽内互相靠近或者远离的移动，而滑板的外侧端通过安装托盘以及其上开设的螺栓孔内的螺栓固定安装有监测设备，进而可以对各个监测设备进行互相靠近或者远离的调节，以方便对各个监测设备之间的间距进行同步的调节，以方便监测设备在不同的方位对环境因素数据的进行获取，这样不仅仅可以调节各个监测设备互相之间的间距，还可以通过第一电机带动各个监测设备转动至不同的方位来获取不同方位的监测数据，以及通过太阳能发电降低了各个设备的用电能耗。

附图说明

图1为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的结构示意图。

图2为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的仰视结构示意图。

图3为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的侧视剖视结构示意图。

图4为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的仰视剖视结构示意图。

图5为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的正视图。

图6为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的结构的剖视图。

图7为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的仰视结构的剖视图。

图8为图4中A处的放大图。

图9为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的算法流程图。

图10为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的聚类结果图。

图11为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的GRU结构图。

图12为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的CNN结构图。

图13为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的CNN-GRU结构图。

图14为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的CNN-GRU流程图。

图15为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的高风区类型下GRU和CNN-GRU模型预测对比图。

图16为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的中风区类型下GRU和CNN-GRU模型预测对比图。

图17为本发明的基于DBSCAN数据处理的风力发电功率监测预测设备的低风区类型下GRU和CNN-GRU模型预测对比图。

图中：1、底座；2、支撑筒；3、套筒；4、圆盘；5、电动气缸；6、滑杆；7、安装座；8、风力发电监测设备；9、支撑板；10、定位圆孔；11、滑道口；12、环形齿轮；13、第一电机；14、第一齿轮；15、滑槽；16、滑板；17、连接块；18、圆筒；19、转环；20、铰接座；21、转板；22、安装托盘；23、螺栓孔；24、监测设备；25、太阳能板；26、连接杆；27、清洁刷；28、滑轨；29、限位块。

具体实施方式

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，所描述的实施例仅仅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。

实施例一：

请参阅图1-8，本发明提供一种技术方案：基于DBSCAN数据处理的风力发电功率监测预测设备，包括底座1、支撑筒2、套筒3、圆盘4、电动气缸5、滑杆6，滑杆6的上端固定连接有安装座7，安装座7的上端固定安装有风力发电监测设备8，底座1的外侧面阵列设置有支撑板9，套筒3两侧均贯穿的开设有滑道口11，圆盘4内壁固定套装有环形齿轮12，支撑筒2上端面左右两侧均安装有第一电机13，且第一电机13的输出端固定连接有第一齿轮14，第一齿轮14与环形齿轮12啮合连接，圆盘4上阵列开设有滑槽15，且每个滑槽15内均滑动设置有滑板16，滑板16与电动气缸5之间设置有调节机构，每个滑板16的一端均设置有环境因素监测机构，底座1的上端固定连接有支撑筒2，且支撑筒2的上端固定套装有套筒3，套筒3的外侧面通过轴承转动套装有圆盘4，支撑筒2的下内壁固定安装有电动气缸5，且电动气缸5上侧的输出端固定连接有滑杆6，滑杆6的上端延伸在支撑筒2的上方，并在上方的延伸端固定连接有安装座7，监测机构包括安装托盘22、螺栓孔23、监测设备24、太阳能板25、连接杆26、清洁刷27，每个滑板16沿圆盘4径向的外侧端均固定连接有安装托盘22，每个安装托盘22上均开设有螺栓孔23，螺栓孔23内设置有螺栓，并通过螺栓固定安装有监测设备24，圆盘4的上端面阵列设置有太阳能板25，滑杆6的上端左右两侧均固定连接有连接杆26，且连接杆26上固定连接有清洁刷27，两侧的连接杆26互相远离的一端均固定连接有清洁刷27，每个清洁刷27均与太阳能板25的外侧面互相贴合设置。

本实施方案中，通过在圆盘4的上端面阵列固定安装有太阳能板22，而滑杆6上侧延伸端的左右两侧均固定连接有连接杆26，且两侧的连接杆26互相远离的一端均固定连接有清洁刷27，同时两侧的清洁刷27分别与各个太阳能板25的表面互相贴合的设置，以及在支撑筒2的上端面左右两侧均固定安装有第一电机13，而第一电机13的输出端固定连接的第一齿轮14与转盘4内壁固定套装的环形齿轮12互相啮合连接，进而可以通过第一电机13带动转盘4在套筒3的外侧转动，而由于转环19转动套装在圆筒18的外侧面，这样圆筒18不会圆盘4的转动起到限位作用，这样即可方便带动圆盘4转动，这样各个太阳能板25将会跟随转动，而固定连接在滑杆6上端的连接杆26以及清洁刷27则不产生转动，这样清洁刷27将会与太阳能板25之间产生相对转动，进而可以通过清洁刷27对太阳能板25的表面进行清洁，可以方便对太阳能板25的表面进行及时的清洁，以保证太阳能板25的发电效率，进而让装置可以通过太阳能发电来提供自身装置设备的用电，而降低能耗，达到节能减排的目的。

实施例二：

请参阅图1-17所示，在实施例一的基础上，本发明提供一种技术方案：调节机构包括连接块17、圆筒18、转环19、铰接座20、转板21，滑杆6下端的左右两侧均固定连接有连接块17，且两侧的连接块17分别与圆筒18的左右两侧内壁固定连接，圆筒18的外侧面转动套装有转环19，转环19的外侧面阵列固定安装有铰接座20，每个铰接座20与各自一侧的滑板16的下端面之间均转动连接有转板21，滑杆6下端左右两侧固定连接的连接块17互相远离的一端均穿过支撑筒2两侧开设的滑道口11延伸在支撑筒2的左右两外侧，并在延伸端与转筒18的左右两侧内壁固定连接，转筒18滑动套设在支撑筒2的外侧面，且转筒18的外侧面通过轴承转动套装有转环19，每个滑板16均滑动设置在各自一侧的滑槽15内，且滑槽15的两侧内壁开设有滑轨28，滑板16的两侧均固定连接有限位块29，限位块29滑动设置在滑轨28内，支撑板9的外侧端贯穿的开设有定位圆孔10。。

本实施例中，通过在底座1的上端固定连接有支撑筒2，且在支撑筒2的上端固定套装有套筒3，而套筒3的外侧面转动套装有圆盘4，同时在支撑筒2的下内壁固定安装有电动气缸5，电动气缸5上侧的输出端固定连接有滑杆6，且滑杆6的上端延伸在套筒的上方并在延伸端通过安装座7固定连接有风力发电监测设备8，同时在滑杆6下端的左右两侧均固定连接有连接块17，而左右两侧的连接块17互相远离的一端分别穿过支撑筒2左右两侧开设的滑道口11并延伸在支撑筒2的外侧，左右两侧的连接块17互相远离一侧的延伸端分别与圆筒18的左右两侧内壁固定连接，以及圆筒18的外侧面通过轴承转动套装有转环19，而转环19的外侧面阵列设置有铰接座20，同时圆盘4上阵列开设有滑槽15，每个滑槽15内均滑动设置有滑板16，各个铰接座20与各自一侧的滑板16之间均转动连接有转板21，这样可以通过电动气缸5的伸缩带动滑杆6上下的移动，以调节上方的的风力发电监测设备8的高度，同时可以带动转环19进行上下的移动，进而可以推动转板21转动，以带动各个滑板16在各自的滑槽15内互相靠近或者远离的移动，同时由于每个滑槽15的两侧内壁均开设有滑轨28，且滑板16的两侧均固定连接有限位块29，限位块29滑动设置在各自一侧的滑轨28内，进而可以对滑板16在滑槽15内的滑动进行稳定，而滑板16的外侧端通过安装托盘22以及其上开设的螺栓孔23内的螺栓固定安装有监测设备24，进而可以对各个监测设备24进行互相靠近或者远离的调节，以方便对各个监测设备24之间的间距进行同步的调节，以方便监测设备24在不同的方位对环境因素数据的进行获取，同时由于监测设备24可以通过第一电机13的运行进行转动调节，进一步提高了监测设备24调节的灵活性，以方便在多角度、多方位对监测数据进行获取，以方便通过各种精确的数据在后期对电功率进行更为准备的预测。这样不仅仅可以调节各个监测设备24互相之间的间距，还可以通过第一电机13带动各个监测设备24转动至不同的方位来获取不同方位的监测数据，以及通过太阳能发电降低了各个设备的用电能耗。

综上所述，

由于输入变量的物理量单位均不同，需要把数据进行归一化处理，防止不同列数据大小相差过大，导致大数掩盖小数。本文采用min-max标准化，将数据中的数值映射到[0,1]之间，计算公式如2-1所示：

式中X

1.1基于DBSCAN的数据分类

DBSCAN算法首先需要计算各个输入变量的相关系数，根据相关系数最大的变量进行聚类。相关系数公式为：

式中x

相关系数的计算结果为：风速为0.983、风向为0.874、气压为0.198、降水为0.183、温度为0.172，湿度为-0.187，能见为-0.375。当r在区间(0，1)上时，系数正相关，变量间的相关性强；当r在区间(-1，0)上时，系数负相关，变量间的相关性弱；当r＝0时为不相关。本文得到相关系数最大的变量为风速并将其作为DBSCAN的聚类依据。

1.1.1 DBSCAN原理及聚类思想

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是具有噪声且基于密度的一种空间聚类算法。这种算法将相对密集的区域划分为一簇，并在存在噪声的空间数据集中找到任何形状的簇。这种类型的密度聚类算法通常假定可以通过样本分布的疏密程度来确定分类，同一簇中的样本彼此密切相关，这意味着同一类别的样本必须与该类别的任何样本相距不远。通过将密切相关的样本归为一个类别，从而获得所有分组类别的最终结果。换句话说，DBSCAN算法是将“簇”定义为紧密连接的点的最大集合。

将风电数据定义为p＝(x

式中x

主要思想：计算到集合D的子集中所有点之间的距离，从小到大排列并找到D(i)中的突变点，那么前一点就是eps的值。MinPts是利用D(i)中的i值确定：根据i值，MinPts一般取小并多次尝试确定最终结果。如果附近数据点的数量≥MinPts，则当前点与其附近点形成一个簇进行递归；如果附近数据点的数量

(1)初始化

(2)找出所有的核心对象(j＝1,2,...m)：

a.通过距离度量公式，找到样本x

b.如果子样本集中样本个数满足|N∈(x

(3)如果核心对象的集合为空集，则算法立即结束，否则到步骤4；

(4)在核心对象集Ω中，任取一样本记为O，并初始化此时簇核心对象集Ω

(5)如果当前簇核心对象队列

(6)在当前簇核心对象Ω

(7)完成以上步骤后输出聚类结果，将簇划分C＝{C

算法流程图如说明书附图9所示。

1.1.2聚类结果

原始数据预处理后，将气象数据中的温度、湿度、风速、风向、气压、湿度、能见等7个特征向量作为输入，风力发电实际功率作为输出，并按照相关系数最高的风速作为依据进行聚类。采用层次聚类法将原始数据划分为四组，第一组有22031个数据，风速范围为0-5m/s，功率范围为0-40MW，作为低风区数据集；第二组有23139个数据，风速范围为5-8m/s，功率范围为11-78MW，作为中风区数据集；第三组有19356个数据，风速范围为8-12m/s，功率范围为20-90MW；第四组有5554个数据，风速范围为12m/s以上，功率范围为20-90MW；由于第三类和第四类的天气特征相似且第四类数据量较少，将第三类和第四类数据划为一类，作为高风区数据集。聚类结果如说明书附图10所示：坐标轴横坐标为风速，纵坐标为功率。绿色部分为低风区数据，橙色部分为中风区数据，蓝色部分为高风区数据。

1.2基于CNN-GRU的风电功率预测模型

门控循环网络(GRU)是LSTM的变体中较为广泛应用的网络之一，GRU输入输出的结构与普通的RNN相似，其内部和LSTM相似。对比LSTM网络的三个门，GRU内部少了一个门控单元且计算参数量比LSTM少，同样能够达到与LSTM相当的功能。本文提出了一种将CNN与GRU网络相结合的预测模型，既可以缩短训练时间，又能够提高预测精度。

1.2.1 CNN-GRU模型原理

门控循环神经网络(GRU)是长短时记忆网络(LSTM)的变体之一，其应用非常广泛。它较LSTM的结构更加简单，而且易于实现，因此备受人们的青睐。LSTM网络有三个门：输入门、遗忘门和输出门，分别用来控制输入值、记忆值和输出值；而GRU模型只有两个门为更新门和重置门，GRU具体结构如说明书附图11所示。

图中的zt和rt分别表示更新门和重置门。更新门zt是控制前一时刻的状态信息有多少被带到当前状态中去，值越小说明带入的状态信息越少，反之越多；重置门rt是控制前一状态有多少信息被写到当前候选集

用数学公式表示如下：

r

z

y

式中z

卷积神经网络(CNN)是多个由卷积层和池化层构成的特征提取器所组成的网络，这也是它与神经网络的不同之处。在CNN的卷积层中，一个神经元只能和其部分邻层神经元相连接，通常包含若干个由多个矩形排列的神经元组成的特征平面(feature Map)，且同一特征平面上的神经元可以权值共享，简称为卷积核。卷积核的初始化一般用随机小数矩阵表示，在训练网络时，它能够学习并得到相应的权值，卷积核的优点是减少网络各层之间的连接、降低过拟合的风险。子采样也叫做池化(pooling)，存在两种形式：均值子采样(meanpooling)和最大值子采样(max pooling)，可以将子采样看作是卷积过程中的特殊情况。卷积和子采样最大的优点是简化模型的复杂程度、减少模型的参数，CNN具体结构如图说明书附图12所示。

(1)输入层(input)：将风电数据的7个特征向量作为输入，分别将三类数据输入到网络中去。

(2)卷积层(conv)：卷积是系统某一时刻的输出，由多个输入共同作用(叠加)的结果，将所有作用点合起来则称为卷积核(Convolution kernel)，其表达式为：

S(t)＝∫x(t-a)ω(a)d

矩阵表示为：

S(t)＝(X*W)(t) (1-10)

微积分式中：*—卷积；x(t-a)—原始数据；ω

(3)池化层(max pooling)：主要目的是利用降采样的方式在原数据中提取数据的特征，即为压缩数据。数据通过卷积操作后进行池化操作，这样有利于删除无关的参数，减小数据的规模；

(4)全连接层(fully connected)：是卷积神经网络的连接方式，它的工作是利用softmax函数进行计算，再将计算结果输入到输出层；

(5)输出层(output)：输出预测的功率数据。

CNN的基本结构包括两层：第一层用来连接每个神经元的输入和前一层的局部接受域，并将此局部的特征提取出来后，确定出它和其它特征之间的位置关系，称之为特征提取层；第二层是由多个特征映射组成网络的每个计算层，并且每个特征映射都是一个平面，且平面上所有神经元的权值都相等，称之为特征映射层。

将CNN模型与GRU模型相结合，得到CNN-GRU预测模型，其工作原理是引入CNN网络来压缩GRU网络。其中CNN利用梯度下降法训练参数，训练好的模型可以学习到时间序列数据中的特征，进而将特征输入到GRU网络中，因为它只有更新门和重置门，所以可以减少模型的输出量，最终得到预测结果，这样有助于克服训练过程中的梯度爆炸和消失等问题。

CNN-GRU结构图如说明书附图13所示。

首先通过CNN的卷积层模块，利用120个卷积核对输入的数据的7个特征向量进行扫描式的局部特征提取；再经过池化层模块采样，降低特征尺寸和网络的参数；加入丢弃层用来防止过拟合的问题；然后将经过CNN处理后的特征通过GRU模块进一步的优化，设置GRU隐藏层节点数为5，进行深层特征表示，并将结果输入到sigmoid激活函数中优化；最后将前期提取的所有局部特征变成全局特征作为输出层的输入，通过输出层输出结果，CNN-GRU算法流程图如说明书附图14所示。

7.3.4 CNN-GRU模型预测结果分析

CNN-GRU模型参数配置如表1-1。

表1-1参数设置

Tab.1-1 parameter Settings

CNN-GRU组合预测模型主要是在CNN池化后加入GRU模块进行优化，GRU模块中的参数设置和CNN模块有关。CNN主要设定的参数有卷积层的个数、卷积核的大小、输出层个数；GRU主要设定的参数有隐含层节点数、更新门和重置门的激活函数、损失函数等。

3.5.1高风区类型

高风区数据类型下GRU和CNN-GRU预测模型结果对比图如说明书附图15所示，评价指标对比结果如表1-2所示。

下表为：表1-2高风区类型下GRU和CNN-GRU模型预测结果的评价指标

areas

可以看出：高风区类型下CNN-GRU预测模型与GRU预测模型相比合格率及准确率都有明显的提高，分别达到了99.4％和95.8％，误差指标均有所降低。CNN-GRU模型的预测值更接近真实值，预测精度高。

3.5.2中风区类型

中风区数据类型下GRU和CNN-GRU预测结果对比如说明书附图16所示，评价指标对比结果如表1-3所示。

下表为：表1-3中风区类型下GRU和CNN-GRU模型预测结果的评价指标

Types

可以看出：中风区数据类型下CNN-GRU预测模型和GRU预测模型相比合格率及准确率分别提高了12.9％和14.6％，误差方面指标也有所降低。由此可以看出，在中风区类型下CNN-GRU模型的预测效果比较理想。

3.5.3低风区类型

低风区类型下GRU和CNN-GRU预测模型结果对比图如说明书附图17所示，评价指标对比结果如表1-4所示。

下表为：表1-4低风区类型下GRU和CNN-GRU模型预测结果的评价指标

type

可以看出：低风区类型下GRU预测模型与CNN-GRU预测模型相比，合格率从85.9％提高到99.5％，准确率从88.7％提高到97.7％，误差方面指标值均有所降低。