[发明专利]基于图神经模型的风力发电量预测方法及其相关设备

权利要求书

1.一种基于图神经模型的风力发电量预测方法，其特征在于，包括下述步骤：

获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；

将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征；

将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。

2.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述发电量预测模型包括双向长短期记忆模型和全连接层，所述将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值的步骤包括：

基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中，基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征，并与当前时刻的风机空间特征进行融合，获得输出的风机记忆特征；

将所述风机记忆特征输入至所述全连接层中，以对所述风机记忆特征进行概率预测，获得下一时刻的所述风机发电量预测值。

3.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述图神经模型包括傅里叶域滤波器和多个隐藏层，所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征的步骤包括：

将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器，通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征，获得初始风机空间特征；

将所述初始风机空间特征经过所述多个隐藏层，以对所述初始风机空间特征进行多层次的抽象，获得所述风机空间特征。

4.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵的步骤包括：

获取各风机的特征，并组合所述风机的特征，生成所述风机特征矩阵；

基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。

5.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征的步骤包括：

基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中，获得所述风机空间特征。

6.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，在所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征的步骤之前：

接收历史风机特征矩阵和历史风机邻接矩阵，并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签，生成训练数据；

基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型，直到所述初始图神经模型和所述初始发电量预测模型收敛，获得所述图神经模型和所述发电量预测模型。

7.一种基于图神经模型的风力发电量预测装置，其特征在于，包括：

获取模块，用于获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；

输入模块，用于将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征；

预测模块，用于将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。

8.根据权利要求7所述的基于图神经模型的风力发电量预测装置，其特征在于，所述获取模块包括第一风机特征生成子模块和第二风机特征生成子模块；

所述第一风机特征生成子模块用于获取各风机的特征，并组合所述风机的特征，生成所述风机特征矩阵；

所述第二风机特征生成子模块用于基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。