CN115392595A - 基于图卷积神经网络和Transformer的时空短期风速预测方法及*** - Google Patents

基于图卷积神经网络和Transformer的时空短期风速预测方法及*** Download PDF

Info

Publication number
CN115392595A
CN115392595A CN202211341900.3A CN202211341900A CN115392595A CN 115392595 A CN115392595 A CN 115392595A CN 202211341900 A CN202211341900 A CN 202211341900A CN 115392595 A CN115392595 A CN 115392595A
Authority
CN
China
Prior art keywords
wind
wind speed
time
meteorological data
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211341900.3A
Other languages
English (en)
Other versions
CN115392595B (zh
Inventor
胡天宇
刘浩
马惠敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202211341900.3A priority Critical patent/CN115392595B/zh
Publication of CN115392595A publication Critical patent/CN115392595A/zh
Application granted granted Critical
Publication of CN115392595B publication Critical patent/CN115392595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了一种基于图卷积神经网络和Transformer的时空短期风速预测方法及***，该方法包括：获取相邻多风场的气象数据，并对数据进行预处理；根据相邻多风场的历史风速测量值，构建复数邻接矩阵；将预处理后的气象数据输入风速预测模型，以复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取；然后将得到的时空特征输入到Transformer网络中，得到风速的预测值。本发明可以有效地提升预测的精确性，准确的预测结果能够有效提高风能资源的利用率，降低风功率波动对电网稳定性的影响，从而实现风电场的经济、高效运行。

Description

基于图卷积神经网络和Transformer的时空短期风速预测方 法及***
技术领域
本发明涉及风速预测技术领域，特别涉及一种基于图卷积神经网络和Transformer的时空短期风速预测方法及***。
背景技术
近年来，碳排放问题的产生引起了各国的关注，在“双碳”背景下大力发展可再生新能源已成为必然的趋势，且随着环境问题及能源危机的日趋严重，环保节能相关产业也将受到世界各国的关注，发展绿色能源在全球范围内成为共识。风能作为全球可利用性最高、最具商业价值的新型可再生能源之一，风力发电可以在提供充足电力的基础上，同时具备成本低、有效缓解环境问题、使用安全、用之不竭等优势。然而，自然天气的动态变化给风能带来了强不确定性，进而限制了电力***的风电消纳水平和使用率。为此，需要一个相对更准确的风速预测方法来提高风能预测精度、降低其不确定性对电力***稳定运行的影响，进而提升其消纳比例。
现有技术中，有很多对风速预测的方法，预测精度也逐步提高，但还缺乏一种能同时考虑相邻多风电场之间空间相关性和单个风电场时间自相关性的有效方法，使得风速预测的精度更高。
目前，常用的风速预测模型可分为单变量模型和多变量模型。单变量模型主要依赖于单个风电场的历史发电数据以及气象数据，包括基于自回归综合移动平均的风速预测模型、基于极限学习机的概率预测模型、马尔可夫链模型、人工神经网络模型等，这些方法的重点都集中在单独一个风电场的时间自相关性的建模上，而未将邻近风电场的空间相关性考虑在内，使得预测结果与真实值之间仍存在较大误差。而目前提出的多变量模型方法相较于单变量模型方法，在预测性能上有一定的提升，但仍与真实数据之间存在较大的误差，其根源在于这些方法都是基于一些相对简单的数理模型。
综上，现有的短期风速预测模型的准确率仍存在较大的进步空间，单变量模型只考虑单个风电场的特征，忽略了相邻多风电场的空间相关性，而多变量模型考虑了相邻多风场的空间相关性，但目前的方法都是基于相对浅显的数理模型，使得预测性能提升有限。
发明内容
本发明提供了一种基于图卷积神经网络和Transformer的时空短期风速预测方法及***，以解决现有的短期风速预测模型的准确率仍存在较大的进步空间，单变量模型只考虑单个风电场的特征，忽略了相邻多风电场的空间相关性，而多变量模型考虑了相邻多风场的空间相关性，但目前的方法都是基于相对浅显的数理模型，使得预测性能提升有限的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种基于图卷积神经网络和Transformer的时空短期风速预测方法，所述时空短期风速预测方法包括以下步骤：
获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
根据相邻多风场的历史风速测量值，构建复数邻接矩阵；
将预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
进一步地，所述气象数据包括温度、相对湿度、风速和光照强度。
进一步地，所述对获取的气象数据进行预处理，包括：
对获取到的气象数据进行标准化处理，将各气象数据转换为标准正态分布；
构建滑动窗口，对标准化后的气象数据进行划分，其中，所述滑动窗口的大小为48个时间步，预测结果为滑动窗口后一个时间步的风速值。
进一步地，所述复数邻接矩阵的每一个元素均为复数值；其实部值
Figure 69602DEST_PATH_IMAGE001
用于表示两 个风场之间的相关性，其取值范围为[0,1]，
Figure 482260DEST_PATH_IMAGE001
越接近1，表明两个风场之间的相关性越强；
Figure 417855DEST_PATH_IMAGE001
越接近0，表明两个风场之间的相关性越弱；若
Figure 798021DEST_PATH_IMAGE002
，其虚部的实数值
Figure 329628DEST_PATH_IMAGE003
表示两个风场之 间存在风速相关性的时间差；若
Figure 846060DEST_PATH_IMAGE004
，则
Figure 686977DEST_PATH_IMAGE003
值无效；
通过使用相关系数来建模不同时间、不同风场之间的相关性，计算公式为：
Figure 288859DEST_PATH_IMAGE005
其中，
Figure 904384DEST_PATH_IMAGE006
、
Figure 540902DEST_PATH_IMAGE007
分别表示风场
Figure 552720DEST_PATH_IMAGE008
和风场
Figure 392632DEST_PATH_IMAGE009
，
Figure 780888DEST_PATH_IMAGE010
、
Figure 6333DEST_PATH_IMAGE011
分别表示时间段
Figure 189052DEST_PATH_IMAGE012
和时间段
Figure 516259DEST_PATH_IMAGE013
；
Figure 442627DEST_PATH_IMAGE014
表示风场
Figure 788158DEST_PATH_IMAGE008
在时间段
Figure 158090DEST_PATH_IMAGE012
的风速测量值时间序列，
Figure 956282DEST_PATH_IMAGE015
表示风场
Figure 686341DEST_PATH_IMAGE009
在时间段
Figure 620799DEST_PATH_IMAGE013
的风速 测量值时间序列；
Figure 158703DEST_PATH_IMAGE016
表示计算出的风场
Figure 444191DEST_PATH_IMAGE008
和风场
Figure 712361DEST_PATH_IMAGE009
的相关系数；
Figure 766905DEST_PATH_IMAGE017
表示风场
Figure 744219DEST_PATH_IMAGE008
在时间段
Figure 251424DEST_PATH_IMAGE018
的风速测量值时间序列与风场
Figure 323285DEST_PATH_IMAGE009
在时间段
Figure 64626DEST_PATH_IMAGE013
的 风速测量值时间序列之间的协方差，
Figure 478421DEST_PATH_IMAGE019
表示风场
Figure 269659DEST_PATH_IMAGE008
在时间段
Figure 145211DEST_PATH_IMAGE018
的风速测量值时间 序列的方差，
Figure 925080DEST_PATH_IMAGE020
表示风场
Figure 227885DEST_PATH_IMAGE009
在时间段
Figure 975261DEST_PATH_IMAGE013
的风速测量值时间序列间的方差。
进一步地，所述使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，计算公式为：
Figure 139657DEST_PATH_IMAGE021
其中，
Figure 288879DEST_PATH_IMAGE022
表示提取的时空特征，
Figure 762586DEST_PATH_IMAGE023
表示复数邻接矩阵，
Figure 731679DEST_PATH_IMAGE024
表示风场
Figure 431257DEST_PATH_IMAGE025
的 各种气象数据，
Figure 434985DEST_PATH_IMAGE026
表示风场
Figure 79593DEST_PATH_IMAGE025
的对应的参数矩阵，
Figure 286715DEST_PATH_IMAGE027
为一种激活函数。
进一步地，在将所述时空特征输入到Transformer网络中时，采用基于正余弦函数的固定位置编码对输入的特征加入风速序列的顺序信息。
进一步地，所述Transformer网络采用多头自注意力机制；且在多头自注意力的计 算过程中引入卷积操作，将查询
Figure 792913DEST_PATH_IMAGE029
和键
Figure 447886DEST_PATH_IMAGE030
的计算改为卷积核大小为
Figure 536497DEST_PATH_IMAGE031
的卷积运算，值
Figure 745761DEST_PATH_IMAGE032
的 计算不变，第
Figure 790072DEST_PATH_IMAGE033
个头的注意力计算公式如下：
Figure 768392DEST_PATH_IMAGE034
其中，
Figure 20382DEST_PATH_IMAGE035
表示第
Figure 202096DEST_PATH_IMAGE033
个头的注意力得分，
Figure 299365DEST_PATH_IMAGE036
表示第
Figure 866612DEST_PATH_IMAGE033
个头的查询，
Figure 289503DEST_PATH_IMAGE037
表示第
Figure 958513DEST_PATH_IMAGE033
个 头的键，
Figure 593894DEST_PATH_IMAGE038
表示第
Figure 281227DEST_PATH_IMAGE033
个头的值，
Figure 609440DEST_PATH_IMAGE039
，
Figure 497237DEST_PATH_IMAGE040
表示
Figure 201888DEST_PATH_IMAGE041
的长度，
Figure 743728DEST_PATH_IMAGE042
表示掩码矩阵；
Figure 259154DEST_PATH_IMAGE043
表示计算注意力得分的函数，
Figure 886444DEST_PATH_IMAGE044
表示softmax函数，是一个非线 性函数，
Figure 129207DEST_PATH_IMAGE045
表示注意力头的数量。
进一步地，所述风速预测模型的训练过程包括：
获取相邻多风场的历史气象数据测量值；
利用获取的历史风速测量值，得出复数邻接矩阵；
对获取到的历史气象数据测量值进行标准化处理，将各气象数据转换为标准正态分布；构建滑动窗口，对标准化后的气象数据进行划分，将数据随机划分为训练集和验证集；每次输入48个时间步的数据，得出后一个时间步的风速预测值，采用预设的损失函数，利用随机梯度下降方法训练所建立的风速预测模型，获得预训练模型；
当预测未来时间步的风速值时，将待预测时间步前54个时间步的各种气象数据进行标准化处理，然后将标准化后的气象数据划分为6个滑动窗口大小为48的数据集，采用预设的损失函数，利用随机梯度下降方法对预训练模型进行微调，最后输入前48个时间步的气象数据进行预测，得出风速预测值。
进一步地，所述损失函数如下：
Figure 791132DEST_PATH_IMAGE046
其中，
Figure 211881DEST_PATH_IMAGE047
表示损失函数，
Figure 326467DEST_PATH_IMAGE048
为
Figure 372921DEST_PATH_IMAGE049
时刻的真实值，
Figure 640085DEST_PATH_IMAGE050
为
Figure 481002DEST_PATH_IMAGE051
时刻的预测值，
Figure 82885DEST_PATH_IMAGE052
表示数据集的样本数量，也即时间段的数量。
另一方面，本发明还提供了一种基于图卷积神经网络和Transformer的时空短期风速预测***，所述时空短期风速预测***包括：
数据处理模块，用于获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
复数邻接矩阵构建模块，用于根据相邻多风场的历史风速测量值，构建复数邻接矩阵；
风速预测模块，用于将经所述数据处理模块预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵构建模块所构建的复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明将GCN和Transformer相结合，先通过GCN来提取相邻多风场之间的空间特征，再通过Transformer的编码器得到含多风电场时空相关性的编码向量，最后通过Transformer的解码器得到更高精度的风速预测数据，从而可以有效地提升预测的精确性，而准确的风速预测结果能够有效提高风能资源的利用率，降低风功率波动对电网稳定性的影响，从而实现风电场的经济、高效运行。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。
图1是本发明实施例提供的基于图卷积神经网络和Transformer的时空短期风速预测方法的执行流程示意图；
图2是本发明实施例提供的风速预测模型的结构示意图；
图3是本发明实施例提供的风速预测模型的训练流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对现有的短期风速预测模型的准确率仍存在较大的进步空间，单变量模型只考虑单个风电场的特征，忽略了相邻多风电场的空间相关性，而多变量模型考虑了相邻多风场的空间相关性，但目前的方法都是基于相对浅显的数理模型，使得预测性能提升有限的问题。本实施例结合深度学习方法中的图卷积神经网络GCN和Transformer，设计了一种新的短期风速预测模型，使得风速预测准确性得到进一步的提升，由此提供了一种基于图卷积神经网络和Transformer的时空短期风速预测方法，该方法将GCN和Transformer相结合，先通过GCN来提取相邻多风场之间的空间特征，再通过Transformer的编码器得到含多风电场时空相关性的编码向量，最后通过Transformer的解码器得到更高精度的风速预测数据。具体地，该方法的执行流程如图1所示，包括以下步骤：
S1，获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
其中，本实施例所采集的气象数据包括温度、相对湿度、风速和光照强度。
进一步地，对获取的气象数据进行预处理，具体为：对获取到的气象数据进行清洗及标准化处理，将各数据转换为标准正态分布，消除由于量纲不同引起的误差；构建滑动窗口，对标准化后的数据进行划分，其中，窗口大小为48个时间步（4小时），预测结果为滑动窗口后一个时间步（5分钟）的风速值。
S2，根据相邻多风场的历史风速测量值，构建复数邻接矩阵；
需要说明的是，由于相邻风电场之间存在地理上的差异，导致相邻风电场之间的风速相关性也会存在非同时性，因此，本实施例构建了一个能同时表征相邻风电场之间时空相关性的复数邻接矩阵，以此作为图卷积神经网络GCN所需的邻接矩阵，通过复数邻接矩阵来提取相邻多风场之间的特征；其中，本实施例根据风速序列进行相关性建模所设计出的复数邻接矩阵能同时表征多个风电场之间风速的时间和空间相关性，使得GCN提取特征时不再局限于同一时刻，更能描述相邻风电场间存在的时空差异。
其中，复数邻接矩阵的每一个元素均为
Figure 667450DEST_PATH_IMAGE053
的复数值；其实部值
Figure 57630DEST_PATH_IMAGE001
用于表示两 个风场之间的相关性，其取值范围为[0,1]，
Figure 69448DEST_PATH_IMAGE001
越接近于1，表明两个风场之间的相关性越 强；
Figure 893047DEST_PATH_IMAGE001
越接近0，表明两个风场之间的相关性越弱；若
Figure 281303DEST_PATH_IMAGE054
，其虚部的实数值
Figure 257481DEST_PATH_IMAGE055
表示两个风 场之间存在风速相关性的时间差；若
Figure 705780DEST_PATH_IMAGE056
，则
Figure 282255DEST_PATH_IMAGE055
值无效；
通过使用相关系数来建模不同时间、不同风场之间的相关性，计算公式为：
Figure 959355DEST_PATH_IMAGE057
其中，
Figure 39306DEST_PATH_IMAGE058
、
Figure 658506DEST_PATH_IMAGE059
分别表示风场
Figure 456698DEST_PATH_IMAGE008
和风场
Figure 671910DEST_PATH_IMAGE009
，
Figure 137526DEST_PATH_IMAGE061
、
Figure 927628DEST_PATH_IMAGE062
分别表示时间段
Figure 947536DEST_PATH_IMAGE063
和时间段
Figure 494668DEST_PATH_IMAGE013
；
Figure 549211DEST_PATH_IMAGE064
表示风场
Figure 244635DEST_PATH_IMAGE008
在时间段
Figure 768151DEST_PATH_IMAGE063
的风速测量值时间序列，
Figure 840013DEST_PATH_IMAGE065
表示风场
Figure 14642DEST_PATH_IMAGE009
在时间段
Figure 146546DEST_PATH_IMAGE013
的风速 测量值时间序列；
Figure 891779DEST_PATH_IMAGE066
表示计算出的风场
Figure 32911DEST_PATH_IMAGE067
和风场
Figure 62046DEST_PATH_IMAGE068
的相关系数；
Figure 850005DEST_PATH_IMAGE069
表示风场
Figure 597381DEST_PATH_IMAGE008
在时间段
Figure 11045DEST_PATH_IMAGE063
的风速测量值时间序列与风场
Figure 894687DEST_PATH_IMAGE009
在时间段
Figure 868196DEST_PATH_IMAGE013
的风速测量值时间序列之间的协方差，
Figure 837289DEST_PATH_IMAGE070
表示风场
Figure 320223DEST_PATH_IMAGE008
在时间段
Figure 137000DEST_PATH_IMAGE063
的风速测量 值时间序列的方差，
Figure 63499DEST_PATH_IMAGE071
表示风场
Figure 785467DEST_PATH_IMAGE009
在时间段
Figure 806513DEST_PATH_IMAGE013
的风速测量值时间序列间的方 差。
S3，将预处理后的气象数据输入风速预测模型；其中，风速预测模型以所述复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
需要说明的是，本实施例将图卷积神经网络GCN和Transformer相结合，构建了一种新的风速预测模型，该模型不再局限于单个风电场的时间自相关性，还将多风电场的空间相关性也纳入模型中，其网络结构如图2所示。基于此，本实施例对相邻多风电场的数据建立相应关系的拓扑图，通过图神经网络来实现对图中各节点数据信息更有效的特征提取；利用Transformer的深度结构和自注意力机制，有效地捕捉风电场风速的时序波动特征，同时在自注意力机制中加入卷积操作，提高Transformer对风速序列局部上下文信息的关注，从而进一步提升预测性能。其中，更加复杂的图卷积神经网络和Transformer能有效地提取相邻多风电场的时空特征，从而进一步提升风速预测的准确性。
具体地，基于所建立的复数邻接矩阵，使用两层图卷积神经网络对预处理后的多个相邻多风场的气象数据进行特征提取，计算公式为：
Figure 415480DEST_PATH_IMAGE072
其中，
Figure 230989DEST_PATH_IMAGE073
表示提取的时空特征，
Figure 909095DEST_PATH_IMAGE074
表示复数邻接矩阵，
Figure 468252DEST_PATH_IMAGE075
表示风场
Figure 928796DEST_PATH_IMAGE076
的各种气象数据，
Figure 915207DEST_PATH_IMAGE077
表示风场
Figure 611767DEST_PATH_IMAGE076
的对应的参数矩阵，
Figure 709036DEST_PATH_IMAGE078
为一种激活函数。
进一步地，在得到相邻多风场之间的时空特征后，将GCN所得的时空特征输入到 Transformer中，由于Transformer没有循环神经网络的迭代操作，其自注意力机制无法捕 捉输入风速序列的顺序，因此采用基于正余弦函数的固定位置编码对输入的特征加入风速 序列的顺序信息。假设输入的信息的维度是
Figure 27016DEST_PATH_IMAGE079
，位置编码使用相同形状的位置嵌入矩阵
Figure 449907DEST_PATH_IMAGE080
，得出输出矩阵
Figure 102606DEST_PATH_IMAGE081
；
其中矩阵
Figure 754298DEST_PATH_IMAGE063
第
Figure 441631DEST_PATH_IMAGE008
行、第
Figure 769844DEST_PATH_IMAGE082
列的元素
Figure 175418DEST_PATH_IMAGE083
和第
Figure 365222DEST_PATH_IMAGE008
行、第
Figure 172641DEST_PATH_IMAGE084
列的元素
Figure 671755DEST_PATH_IMAGE085
为：
Figure 52708DEST_PATH_IMAGE086
其中，
Figure 295470DEST_PATH_IMAGE087
表示时间序列的时间步数量，也即时间序列长度，
Figure 957396DEST_PATH_IMAGE088
表示输入的特征矩 阵；
Transformer为提高运算效率，采用点积运算的方式；但在高维向量输入的情况 下，这一般会产生较大的方差，从而使得归一化函数的梯度较小，因此会在点积运算后，除 以一个平方根项对结果进行平滑。假设查询
Figure 627412DEST_PATH_IMAGE089
、键
Figure 492731DEST_PATH_IMAGE090
的长度为
Figure 539184DEST_PATH_IMAGE091
，且所有变量都是独立的， 服从高斯分布，则缩放点积注意力的计算可以表示为：
Figure 55616DEST_PATH_IMAGE092
其中，
Figure 896533DEST_PATH_IMAGE093
、
Figure 983569DEST_PATH_IMAGE094
、
Figure 568134DEST_PATH_IMAGE096
，
Figure 204652DEST_PATH_IMAGE097
表示键-值对的数量，
Figure 967203DEST_PATH_IMAGE098
表 示值的长度。
为实现模型对输入序列中不同部分之间相关性的关注，采用自注意力机制，即把同一个序列输入充当查询、键、值，每个查询都会关注同一组输入中所有的键值对并生成一个注意力输出。多头注意力本质上是多个独立的注意力进行并行计算，每个注意力机制函数只负责最终输出序列中一个子空间，而且互相独立，最后集成，防止过拟合。
进一步地，为增强Transformer对风速序列局部上下文的关注，本实施例在多头自 注意力的计算过程中引入卷积操作，将查询
Figure 56381DEST_PATH_IMAGE099
和键
Figure 179058DEST_PATH_IMAGE100
的计算改为卷积核大小为
Figure 670082DEST_PATH_IMAGE100
的卷积运 算，值
Figure 600605DEST_PATH_IMAGE101
的计算不变，第
Figure 177079DEST_PATH_IMAGE102
个头的注意力计算公式如下：
Figure 103447DEST_PATH_IMAGE103
其中，
Figure 448978DEST_PATH_IMAGE104
表示第
Figure 553331DEST_PATH_IMAGE102
个头的注意力得分，
Figure 617102DEST_PATH_IMAGE036
表示第
Figure 347161DEST_PATH_IMAGE102
个头的查询，
Figure 297930DEST_PATH_IMAGE037
表示第
Figure 822453DEST_PATH_IMAGE102
个头 的键，
Figure 373520DEST_PATH_IMAGE105
表示第
Figure 907269DEST_PATH_IMAGE102
个头的值，
Figure 712545DEST_PATH_IMAGE106
，
Figure 407969DEST_PATH_IMAGE040
表示
Figure 446332DEST_PATH_IMAGE107
的长度，
Figure 525716DEST_PATH_IMAGE042
表示掩码矩阵；
Figure 965924DEST_PATH_IMAGE108
表示计算注意力得分的函数，
Figure 114140DEST_PATH_IMAGE109
表示softmax函数，是一个非线 性函数，
Figure 108641DEST_PATH_IMAGE045
表示注意力头的数量。
将含有风速序列的顺序信息的时空特征输入到Transformer的编码器中，编码器 的结构如图2所示，它由多个相同的小模块叠加而成，其中每个小模块都有两层网络结构。 其中第一层是多头卷积自注意力汇聚层，第二层是基于位置的前馈网络层，采用残差连接， 同时应用层规范化。编码器会将特征序列映射成为隐藏层，即编码向量，以供解码器使用。 解码器同样是由多个相同的小模块叠加而成，解码器的结构如图2所示，其中每个小模块都 有三层网络结构。其一、三子层与编码器的两个子层相同，而第二子层是一个多头注意力汇 聚层，仅查询
Figure 984193DEST_PATH_IMAGE041
是上一个解码器小模块的输出，键
Figure 13329DEST_PATH_IMAGE090
和值
Figure 332446DEST_PATH_IMAGE101
为整个编码器输出的编码向 量。最后将解码器的输出映射为预测的风速序列，得出结果。
上述风速预测模型的训练过程为：根据相邻多个风电场的历史测量数据训练上述预测模型得到一个短期风速预测的预训练模型，模型训练流程如图3所示，再根据最近时间段内的相邻多风电场的测量数据进行预测，具体步骤如下：
步骤1，获取56个相邻多风场的历史气象数据测量值；
步骤2，利用获取的56个相邻多风场的历史风速测量值得出复数邻接矩阵；
步骤3，对获取到的历史气象数据测量值进行标准化处理，将各气象数据转换为标准正态分布；构建滑动窗口，对标准化后的气象数据进行划分，将数据随机划分为训练集和验证集；每次输入48个时间步的数据，得出后一个时间步的风速预测值，采用预设的损失函数，利用随机梯度下降方法训练所建立的风速预测模型，获得预训练模型，其包括：
步骤31，将处理后的56个相邻多风场的测量数据输入模型；
步骤32，GCN根据复数邻接矩阵对相邻风电场的数据进行特征提取；
步骤33，加入含风速序列顺序信息的固定位置编码；
步骤34，编码器对输入的特征序列进行编码；
步骤35，解码器对编码向量进行解码，得出风速值；
步骤36，计算损失函数，并根据计算损失更新模型的参数。
其中，所述损失函数如下：
Figure 79822DEST_PATH_IMAGE110
其中，
Figure 775377DEST_PATH_IMAGE111
表示损失函数，
Figure 924598DEST_PATH_IMAGE048
为
Figure 677266DEST_PATH_IMAGE049
时刻的真实值，
Figure 911938DEST_PATH_IMAGE112
为
Figure 129293DEST_PATH_IMAGE049
时刻的预测值，
Figure 883754DEST_PATH_IMAGE113
表示数据集的样本数量，也即时间段的数量。
步骤4，预测未来时间步的风速值时，将待预测时间步前54个时间步的各种测量数据进行标准化处理，然后将标准化后的数据划分为6个滑动窗口大小为48的数据集，采用上述损失函数，利用随机梯度下降方法对预训练模型进行微调，最后输入前48个时间步的气象数据进行预测，得出风速预测值。
综上，本实施例提供了一种基于GCN和Transformer的时空短期风速预测方法，该方法将GCN和Transformer相结合，先通过GCN来提取相邻多风场间的空间特征，再通过Transformer的编码器得到含多风电场时空相关性的编码向量，最后通过Transformer的解码器得到更高精度的风速预测数据，从而可以有效地提升预测的精确性，而准确的风速预测结果能够有效提高风能资源的利用率，降低风功率波动对电网稳定性的影响，从而实现风电场的经济、高效运行。
第二实施例
本实施例提供了一种基于图卷积神经网络和Transformer的时空短期风速预测***，该时空短期风速预测***包括以下模块：
数据处理模块，用于获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
复数邻接矩阵构建模块，用于获取相邻多风场的历史风速测量值，构建复数邻接矩阵；
风速预测模块，用于将经所述数据处理模块预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵构建模块所构建的复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
本实施例的基于图卷积神经网络和Transformer的时空短期风速预测***与上述第一实施例的基于图卷积神经网络和Transformer的时空短期风速预测方法相对应；其中，该基于图卷积神经网络和Transformer的时空短期风速预测***中的各功能模块所实现的功能与上述的基于图卷积神经网络和Transformer的时空短期风速预测方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子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（central processing units，CPU）和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述时空短期风速预测方法包括：
获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
根据相邻多风场的历史风速测量值，构建复数邻接矩阵；
将预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
2.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述气象数据包括温度、相对湿度、风速和光照强度。
3.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述对获取的气象数据进行预处理，包括：
对获取到的气象数据进行标准化处理，将各气象数据转换为标准正态分布；
构建滑动窗口，对标准化后的气象数据进行划分，其中，所述滑动窗口的大小为48个时间步，预测结果为滑动窗口后一个时间步的风速值。
4.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法， 其特征在于，所述复数邻接矩阵的每一个元素均为复数值；其实部值
Figure 305522DEST_PATH_IMAGE001
用于表示两个风场 间的相关性，其取值范围为[0,1]，
Figure 987039DEST_PATH_IMAGE001
越接近1，表明两个风场间的相关性越强；
Figure 722914DEST_PATH_IMAGE001
越接近0， 表明两个风场间的相关性越弱；若
Figure 742386DEST_PATH_IMAGE002
，其虚部的实数值
Figure 739161DEST_PATH_IMAGE003
表示两个风场间存在风速相关 性的时间差；若
Figure 466946DEST_PATH_IMAGE004
，则
Figure 814750DEST_PATH_IMAGE003
值无效；
通过使用相关系数来建模不同时间、不同风场之间的相关性，计算公式为：
Figure 20604DEST_PATH_IMAGE005
其中，
Figure 137464DEST_PATH_IMAGE006
、
Figure 770571DEST_PATH_IMAGE007
分别表示风场
Figure 841558DEST_PATH_IMAGE008
和风场
Figure 851102DEST_PATH_IMAGE009
，
Figure 88048DEST_PATH_IMAGE010
、
Figure 892056DEST_PATH_IMAGE011
分别表示时间段
Figure 214453DEST_PATH_IMAGE012
和时间段
Figure 621164DEST_PATH_IMAGE013
；
Figure 587983DEST_PATH_IMAGE014
表示风场
Figure 920482DEST_PATH_IMAGE008
在时间段
Figure 871120DEST_PATH_IMAGE012
的风速测量值时间序列，
Figure 347101DEST_PATH_IMAGE015
表示风场
Figure 168426DEST_PATH_IMAGE009
在时间段
Figure 704450DEST_PATH_IMAGE013
的风速测量值 时间序列；
Figure 611226DEST_PATH_IMAGE016
表示计算出的风场
Figure 625318DEST_PATH_IMAGE008
和风场
Figure 566729DEST_PATH_IMAGE009
的相关系数；
Figure 509540DEST_PATH_IMAGE017
表示风场
Figure 903612DEST_PATH_IMAGE008
在时间段
Figure 721395DEST_PATH_IMAGE018
的风速测量值时间序列与风场
Figure 251734DEST_PATH_IMAGE009
在时间段
Figure 129560DEST_PATH_IMAGE013
的 风速测量值时间序列之间的协方差，
Figure 869983DEST_PATH_IMAGE019
表示风场
Figure 835665DEST_PATH_IMAGE008
在时间段
Figure 115117DEST_PATH_IMAGE018
的风速测量值时 间序列的方差，
Figure 39211DEST_PATH_IMAGE019
表示风场
Figure 532509DEST_PATH_IMAGE009
在时间段
Figure 567461DEST_PATH_IMAGE013
的风速测量值时间序列间的方差。
5.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，计算公式为：
Figure 197026DEST_PATH_IMAGE020
其中，
Figure 292021DEST_PATH_IMAGE021
表示提取的时空特征，
Figure 272615DEST_PATH_IMAGE022
表示复数邻接矩阵，
Figure 206198DEST_PATH_IMAGE023
表示风场
Figure 831215DEST_PATH_IMAGE024
的各种 气象数据，
Figure 221745DEST_PATH_IMAGE025
表示风场
Figure 299422DEST_PATH_IMAGE024
的对应的参数矩阵，
Figure 66390DEST_PATH_IMAGE026
为一种激活函数。
6.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，在将所述时空特征输入到Transformer网络中时，采用基于正余弦函数的固定位置编码对输入的特征加入风速序列的顺序信息。
7.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法， 其特征在于，所述Transformer网络采用多头自注意力机制；且在多头自注意力的计算过程 中引入卷积操作，将查询
Figure 545913DEST_PATH_IMAGE027
和键
Figure 107344DEST_PATH_IMAGE028
的计算改为卷积核大小为
Figure 672318DEST_PATH_IMAGE029
的卷积运算，值
Figure 210353DEST_PATH_IMAGE030
的计算不 变，第
Figure 809962DEST_PATH_IMAGE031
个头的注意力计算公式如下：
Figure 542294DEST_PATH_IMAGE032
其中，
Figure 594564DEST_PATH_IMAGE033
表示第
Figure 437755DEST_PATH_IMAGE031
个头的注意力得分，
Figure 891870DEST_PATH_IMAGE034
表示第
Figure 529525DEST_PATH_IMAGE031
个头的查询，
Figure 69091DEST_PATH_IMAGE035
表示第
Figure 217438DEST_PATH_IMAGE031
个头的 键，
Figure 526059DEST_PATH_IMAGE036
表示
Figure 600194DEST_PATH_IMAGE031
个头的值，
Figure 361477DEST_PATH_IMAGE037
，
Figure 812050DEST_PATH_IMAGE038
表示
Figure 975178DEST_PATH_IMAGE039
的长度，
Figure 220214DEST_PATH_IMAGE040
表示掩码矩阵；
Figure 734372DEST_PATH_IMAGE041
表示计算注意力得分的函数，
Figure 239170DEST_PATH_IMAGE042
表示softmax函数，是一个非线 性函数，
Figure 256805DEST_PATH_IMAGE043
表示注意力头的数量。
8.如权利要求2所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述风速预测模型的训练过程包括：
获取相邻多风场的历史气象数据测量值；
利用获取的历史风速测量值，得出复数邻接矩阵；
对获取到的历史气象数据测量值进行标准化处理，将各气象数据转换为标准正态分布；构建滑动窗口，对标准化后的气象数据进行划分，将数据随机划分为训练集和验证集；每次输入48个时间步的数据，得出后一个时间步的风速预测值，采用预设的损失函数，利用随机梯度下降方法训练所建立的风速预测模型，获得预训练模型；
当预测未来时间步的风速值时，将待预测时间步前54个时间步的各种气象数据进行标准化处理，然后将标准化后的气象数据划分为6个滑动窗口大小为48的数据集，采用预设的损失函数，利用随机梯度下降方法对预训练模型进行微调，最后输入前48个时间步的气象数据进行预测，得出风速预测值。
9.如权利要求8所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述损失函数如下：
Figure 938322DEST_PATH_IMAGE044
其中，
Figure 674197DEST_PATH_IMAGE045
表示损失函数，
Figure 200993DEST_PATH_IMAGE046
为
Figure 197768DEST_PATH_IMAGE047
时刻的真实值，
Figure 191132DEST_PATH_IMAGE046
为
Figure 509243DEST_PATH_IMAGE047
时刻的 预测值，
Figure 980675DEST_PATH_IMAGE048
表示数据集的样本数量，也即时间段的数量。
10.一种基于图卷积神经网络和Transformer的时空短期风速预测***，其特征在于，所述时空短期风速预测***包括：
数据处理模块，用于获取相邻多风场的气象数据，并对获取的气象数据进行预处理；
复数邻接矩阵构建模块，用于根据相邻多风场的历史风速测量值，构建复数邻接矩阵；
风速预测模块，用于将经所述数据处理模块预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵构建模块所构建的复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。
CN202211341900.3A 2022-10-31 2022-10-31 基于图卷积神经网络和Transformer的时空短期风速预测方法及*** Active CN115392595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341900.3A CN115392595B (zh) 2022-10-31 2022-10-31 基于图卷积神经网络和Transformer的时空短期风速预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341900.3A CN115392595B (zh) 2022-10-31 2022-10-31 基于图卷积神经网络和Transformer的时空短期风速预测方法及***

Publications (2)

Publication Number Publication Date
CN115392595A true CN115392595A (zh) 2022-11-25
CN115392595B CN115392595B (zh) 2022-12-27

Family

ID=84114925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341900.3A Active CN115392595B (zh) 2022-10-31 2022-10-31 基于图卷积神经网络和Transformer的时空短期风速预测方法及***

Country Status (1)

Country Link
CN (1) CN115392595B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109195A (zh) * 2023-02-23 2023-05-12 深圳市迪博企业风险管理技术有限公司 一种基于图卷积神经网络的绩效评估方法及***
CN118153401A (zh) * 2024-05-09 2024-06-07 深圳智荟物联技术有限公司 风场预测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN112613657A (zh) * 2020-12-22 2021-04-06 国网江苏省电力有限公司苏州供电分公司 风电场短期风速预测方法
CN113157771A (zh) * 2021-04-27 2021-07-23 广东海聊科技有限公司 一种数据异常检测方法及电网数据异常检测方法
WO2022033258A1 (zh) * 2020-08-14 2022-02-17 中国科学院分子细胞科学卓越创新中心 基于自动储层神经网络的多步预测未来风速的方法和***
CN114118569A (zh) * 2021-11-24 2022-03-01 宁波力斗智能技术有限公司 基于多模态多任务的Transformer网络的风电功率多步预测方法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法
CN114997067A (zh) * 2022-06-30 2022-09-02 南京航空航天大学 一种基于时空图与空域聚合Transformer网络的轨迹预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
WO2022033258A1 (zh) * 2020-08-14 2022-02-17 中国科学院分子细胞科学卓越创新中心 基于自动储层神经网络的多步预测未来风速的方法和***
CN112613657A (zh) * 2020-12-22 2021-04-06 国网江苏省电力有限公司苏州供电分公司 风电场短期风速预测方法
CN113157771A (zh) * 2021-04-27 2021-07-23 广东海聊科技有限公司 一种数据异常检测方法及电网数据异常检测方法
CN114118569A (zh) * 2021-11-24 2022-03-01 宁波力斗智能技术有限公司 基于多模态多任务的Transformer网络的风电功率多步预测方法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法
CN114997067A (zh) * 2022-06-30 2022-09-02 南京航空航天大学 一种基于时空图与空域聚合Transformer网络的轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LARS ØDEGAARD BENTSEN等: "SPATIO-TEMPORAL WIND SPEED FORECASTING USING GRAPH", 《ARXIV:2208.13585V1》 *
蒋玮等: "基于分布式图计算的台区负荷预测技术研究", 《中国电机工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109195A (zh) * 2023-02-23 2023-05-12 深圳市迪博企业风险管理技术有限公司 一种基于图卷积神经网络的绩效评估方法及***
CN116109195B (zh) * 2023-02-23 2023-06-27 深圳市迪博企业风险管理技术有限公司 一种基于图卷积神经网络的绩效评估方法及***
CN118153401A (zh) * 2024-05-09 2024-06-07 深圳智荟物联技术有限公司 风场预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115392595B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN115392595B (zh) 基于图卷积神经网络和Transformer的时空短期风速预测方法及***
CN107766990B (zh) 一种光伏电站发电功率的预测方法
Zhang et al. A deep learning based hybrid framework for day-ahead electricity price forecasting
CN116070799B (zh) 一种基于注意力及深度学习的光伏发电量预测***及方法
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
Li et al. Deep spatio-temporal wind power forecasting
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及***
CN117977587B (zh) 基于深度神经网络的电力负荷预测***及方法
CN116187197A (zh) 一种融合数据增强和深度学习的时间序列预测方法
CN116308487A (zh) 一种基于多特征融合编码的电力需求负荷量预测方法
Zhou et al. A Hybrid Method for Ultrashort‐Term Wind Power Prediction considering Meteorological Features and Seasonal Information
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN116559975A (zh) 一种基于多元时间序列图神经网络的多步长气象预测方法
CN114943368A (zh) 基于Transformer的海表面风速预测方法
CN115296298A (zh) 一种风电场功率预测方法
Chenglei et al. Scene generation method of wind-solar joint output based on generative adversarial network
CN116451049B (zh) 基于代理辅助进化神经网络结构搜索的风电功率预测方法
Li et al. A low-power water quality monitoring system and prediction model
Zhang et al. Load prediction based on depthwise separable convolution model
Zhu et al. Resilience-Oriented Extreme Weather Conditional Renewable Scenario Generation Based on Diffusion Models and Few-shot Learning
CN117394306B (zh) 基于新能源并网的风电功率预测模型建立方法及其应用
CN115659828A (zh) 一种波高预测模型及装置
CN116845880A (zh) 一种基于气象要素的新能源发电功率预测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant