[发明专利]基于图卷积神经网络和Transformer的时空短期风速预测方法及系统

权利要求书

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；其实部值用于表示两个风场间的相关性，其取值范围为[0,1]，越接近1，表明两个风场间的相关性越强；越接近0，表明两个风场间的相关性越弱；若，其虚部的实数值表示两个风场间存在风速相关性的时间差；若，则值无效；

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：

其中，、分别表示风场和风场，、分别表示时间段和时间段；表示风场在时间段的风速测量值时间序列，表示风场在时间段的风速测量值时间序列；表示计算出的风场和风场的相关系数；表示风场在时间段的风速测量值时间序列与风场在时间段的风速测量值时间序列之间的协方差，表示风场在时间段的风速测量值时间序列的方差，表示风场在时间段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：

其中，表示提取的时空特征，表示复数邻接矩阵，表示风场的各种气象数据，表示风场的对应的参数矩阵，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，将查询和键的计算改为卷积核大小为的卷积运算，值的计算不变，第个头的注意力计算公式如下：

其中，表示第个头的注意力得分，表示第个头的查询，表示第个头的键，表示个头的值，，表示的长度，表示掩码矩阵；表示计算注意力得分的函数，表示softmax函数，是一个非线性函数，表示注意力头的数量。