[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

说明书

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系统，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。

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系统。

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，进而限制了电力系统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系统稳定运行的影响，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系统，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：