(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211341900.3 (22)申请日 2022.10.31 (65)同一申请的已公布的文献号 申请公布号 CN 115392595 A (43)申请公布日 2022.11.25 (73)专利权人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 胡天宇　刘浩　马惠敏　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波　付忠林 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/16(2006.01)G06F 17/18(2006.01) (56)对比文件 CN 112613657 A,2021.04.0 6 CN 114997067 A,202 2.09.02 CN 114792158 A,202 2.07.26 CN 113157771 A,2021.07.23 CN 114118569 A,202 2.03.01 CN 114330671 A,202 2.04.12 US 2012185414 A1,2012.07.19 WO 2022033258 A1,202 2.02.17 蒋玮等.基 于分布式图计算的台区负荷预测 技术研究. 《中国电机 工程学报》 .2018,(第12 期), Lars Ødegaard Bentsen 等.SPATIO- TEMPORAL W IND SPEED FORECASTING USING GRAPH. 《arXiv:2 208.13585v1》 .202 2, 审查员 李慧然 (54)发明名称 基于图卷积神经网络和Tran sformer的时空 短期风速预测方法及系统 (57)摘要 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。 权利要求书3页 说明书9页 附图2页 CN 115392595 B 2022.12.27 CN 115392595 B 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权　利　要　求　书 1/3 页 2 CN 115392595 B 2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。 8.如权利 要求2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 风速预测模型的训练过程包括： 获取相邻多风场的历史气象数据测量 值； 利用获取的历史风速测量 值， 得出复数邻接矩阵； 对获取到的历史气象数据测量值进行标准化处理， 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， 将数据随机划分为训练集和验证集； 每次输入48个时间步的数据， 得出后一个时间步的风速预测值， 采用预设的损失函数， 利用 随机梯度下降方法训练所建立的风速预测模型， 获得 预训练模型； 当预测未来 时间步的风速值 时， 将待预测时间步前54个时间步的各种气象数据进行标 准化处理， 然后 将标准化后的气象数据划分为6个滑动窗口大小为48的数据集， 采用预设的 损失函数， 利用随机梯度下降方法对预训练模型进行微调， 最后输入前48个时间步的气象 数据进行 预测， 得出风速预测值。 9.如权利 要求8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， 所述损失函数如下： 权　利　要　求　书 2/3 页 3 CN 115392595 B 3