[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

说明书

本发明公开了一种基于图神经网络的短期风能数据预测方法及装置，通过对历史风能数据进行数据预处理，得到标准历史风能数据；构建包括CNN模块、GNN模块和时序卷积模块的初始CGNN模型；将标准历史风能数据输入到初始CGNN模型中，以使CNN模块对标准历史风能数据进行特征提取，得到稀疏图邻接矩阵，GNN模块对稀疏图邻接矩阵进行节点信息融合，得到信息融合图结构，时序卷积模块对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；将采集的待预测地区的第一历史风能数据输入CGNN模型中，得到短期风能预测数据；与现有技术相比，本发明通过构建CGNN模型，能综合考虑各信息节点间的关系，提高风能预测数据的准确性。

技术领域

本发明涉及能源经济大数据预测的技术领域，特别是涉及一种基于图神经网络的短期风能数据预测方法及装置。

背景技术

为了解决碳排放问题，风力发电和光伏发电是当前最主流的两种新能源发电形式，然而，新能源发电技术受气象因素、日夜周期等因素影响较大，具有较强的波动性和间歇性，这与能源供应所需的稳定性是相悖的。如此高比例的新能源电力如果直接接入电力系统中会增大电网调度的难度并增加风险。为了能保证新能源电力系统的可控运行，我们提出对于新能源数据预测的方法。此法能够帮助新能源发电系统稳定运行、节约运行成本并且提升系统的安全性和稳定性。

新能源功率预测是降低新能源随机性的关键技术方法，一般是基于新能源厂附近的气象预报数据、新能源功率数据和气象观测数据等动态数据，建立包含场地位置和设备参数模型去预测未来一段时间内新能源厂发电效率。在新能源大数据的预测方案中，短期预测是最有效的方法。

现有的经典预测模型和机器学习以及深度学习的预测方法，在针对时间序列数据的预测中都各有优劣；但是，时间序列数据特有的一些特征让简单的单种方法在预测数据时难以达到很好的效果，这些特点包括：(1)难以确定数据属于线性还是非线性，无法确定特定模型的有效性；(2)实际生产中的风能数据往往是混合着线性与非线性的，很少出现完全的线性数据或完全的非线性数据；(3)预测模型只能匹配对应的情况，单个模型不能捕捉不同的时间序列模式。

发明内容

本发明要解决的技术问题是：提供一种基于图神经网络的短期风能数据预测方法及装置，通过构建CGNN模型，能综合考虑各信息节点间的关系，提高风能预测数据的准确性。

为了解决上述技术问题，本发明提供了一种基于图神经网络的短期风能数据预测方法，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。

在一种可能的实现方式中，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。