[发明专利]一种基于图神经网络的短期风能数据预测方法及装置

权利要求书

1.一种基于图神经网络的短期风能数据预测方法，其特征在于，包括：

获取历史风能数据，并对所述历史风能数据进行数据预处理，得到标准历史风能数据，其中，所述历史风能数据包括风速、温度、空气密度和气压；

构建初始CGNN模型，其中，所述CGNN模型包括CNN模块、GNN模块和时序卷积模块；

将所述标准历史风能数据输入到所述初始CGNN模型中，以使所述CNN模块对所述标准历史风能数据进行特征提取，得到稀疏图邻接矩阵，将所述稀疏图邻接矩阵发送给所述GNN模块，以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合，得到信息融合图结构，并将所述信息融合图结构发送给所述时序卷积模块，以使所述时序卷积模块对所述信息融合图结构进行高维特征提取，得到第一风能预测数据，基于所述第一风能预测数据，判断是否需要重新对所述初始CGNN模型进行模型训练，若否，则确定CGNN模型；

采集待预测地区的第一历史风能数据，将所述第一历史风能数据输入到所述CGNN模型中，得到短期风能预测数据。

2.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，对所述历史风能数据进行数据预处理，得到标准历史风能数据，具体包括：

判断所述历史风能数据中是否存在缺失数据，若是，则基于时序指数平滑法，对所述历史风能数据进行插值处理，得到插值历史风能数据；

对所述插值历史风能数据进行归一化处理，得到标准历史风能数据。

3.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，所述CNN模块对所述标准历史风能数据进行特征提取，得到稀疏图邻接矩阵，具体包括：

基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取，分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重，基于所述影响权重，分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。

4.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，所述GNN模块包括第一混合传播层和第二混合传播层，其中，所述第一混合传播层包括第一信息传播层和第一信息选择层，所述第二混合传播层包括第二信息传播层和第二信息选择层。

5.如权利要求4所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，所述第一信息传播层和所述第二信息传播层的计算公式，如下所示：

其中，β是超参数，用来控制原始节点信息的比例，k表示信息传播层的深度，H_in表示当前层前一层的输出，A表示的是稀疏图邻接矩阵，H_in＝H⁽⁾，H⁽⁾为第k个信息传播层的输出。

6.如权利要求4所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，所述第一信息选择层和所述第二信息选择层的计算公式，如下所示：

其中，W⁽⁾为参数矩阵，H_out则表示当前层的隐层输出状态，k表示信息传播层的深度，H⁽⁾为第k个信息传播层的输出。

7.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法，其特征在于，所述时序卷积模块包括第一inception层和第二inception层，其中，所述第一inception层连接tanh激活函数，所述第二inception层连接sigmoid激活函数。